光计算,会是GPU的接班人吗 ?

来源:半导纵横发布时间:2026-11-20 14:22
光子技术
AI
生成海报
理论能效碾压 GPU,光计算离商用还有多远?

这一轮热潮兴起的原因并不出人意料:AI。尤其是AI推理——也就是AI模型响应用户提问的计算过程,催生了大量高功耗数据中心的建设,能效相对更高的光系统,被视作一条可行的破局方向。

美国康奈尔大学(伊萨卡校区)应用与工程物理系副教授彼得·麦克马洪研究光计算已有十余年,他表示:“行业对光子技术的兴趣,根源在于AI推理已经实实在在地撞上了功耗瓶颈,而且这个约束十分突出。”至少从理论上来说,光计算有机会以远低于当前GPU的功耗,完成同样的运算。从电子计算转向光计算,是相当激进的技术路线。尽管如此,光计算初创企业如雨后春笋般在美国、中国、德国、以色列涌现。挑战英伟达这类GPU厂商固然目标宏大,但投向光计算的资本,也带动了配套技术路线的发展:比如适配光硬件的新型AI算法、面向科学计算的方案,以及网内计算的升级。

英国企业Optalysys选择把光计算单元嵌入网络链路——数据中心里本就依靠光来传输数据。图中内嵌的是芯片上的基础光学元件,它的作用是完成傅里叶变换运算。(来源:OPTALYSYS)

耶鲁大学(纽黑文校区)应用物理系助理教授洛根·赖特曾在麦克马洪课题组担任博士后,他认为:“如果这批企业中有不少能扎扎实实跑通技术路线,对这个领域会是好事。由此沉淀下来的技术会极具价值,催生一批光子系统——它们或许赶不上这波AI浪潮,但有能力完成很多独特的任务。”

光计算,能拯救AI推理吗?

推理是AI能耗的主要来源。行业已经投入数十亿美元,研发先进GPU与其他芯片,尽可能提升推理能效。推理的核心运算,是每秒重复亿万次的矩阵-向量乘法。

早在1978年,光计算先驱约瑟夫·W·古德曼及其合作者就提出了用光实现矩阵-向量乘法的方案。这套装置原理相对简单:假设一个长度为N的向量,需要和一个N×N矩阵相乘。一排N个发光二极管,把向量数值编码成光强——二极管亮度越高,代表的数值越大。随后,柱面透镜将光线沿竖直方向散开,相当于把这份向量复制N份。光线接着穿过一块N×N像素的衰减器,每个像素会按照矩阵对应位置的数值衰减光强,光线穿过衰减器的过程,就完成了乘法运算。最后,另一块和前者垂直摆放的柱面透镜,把每一行的光线收拢求和,再由一排探测器读出最终向量。

光相比电子具备优势的逻辑是这样的:一个N×N矩阵乘长度为N的向量,一共需要N²次乘法。电子计算中,每一次乘法都要消耗能量,总能耗随N²增长。但在光计算里,乘法是无源操作:只要矩阵保持不变,光线穿过衰减器几乎不耗电。唯一的能耗来自把向量编码成光信号、以及读出结果,而向量长度只有N,不是N²。向量和矩阵规模越大,能耗就只随N线性增长,而非N²。

自古德曼1978年提出方案之后,光学器件的性能已经大幅提升。2022年,麦克马洪在康奈尔带领团队,演示了一套光学神经网络:单次乘法运算消耗不到1个光子的能量,约2.5×10⁻¹⁹焦耳。而传统计算机完成一次乘法,能耗在10⁻¹⁴~10⁻¹²焦耳区间,意味着光计算理论上有望把能耗压低5个数量级。

但麦克马洪提醒,不能直接照搬这个理想推算。首先,这份测算没有计入把数据编码进光信号的能耗。就算光的缩放规律更优,实际落地不只看缩放关系,还要看系数。举个例子:电子完成一次乘法能耗1皮焦,而光编码一个向量元素就要1000皮焦;当向量长度N小于1000时,电子方案反而更划算。麦克马洪说,这个例子和现实差距不大:“核心问题是,系统规模要做到多大,光计算才能实现能耗优势?很多团队针对各类神经网络做过测算,粗略结论是N要在1000到10000之间。”

还有一条必须考虑的计算原理:阿姆达尔定律。

“阿姆达尔定律其实算不上定律,只是很朴素的常识,”麦克马洪解释,“如果你有一套加速方案,只能加速90%的代码,剩下10%无法加速,那么整体最大加速比也就只有10倍。”

放到AI推理场景里,我们追求的是节能,而不是提速,但阿姆达尔定律的逻辑依然成立。如今的推理负载里,到底有多大比例适合用光计算加速,不同方案的答案差别很大,而且这个比例不可能是100%。矩阵-向量乘法只是推理工作流的一部分,还有很多非线性运算需要处理。把这些限制条件全部纳入考量,如今光计算企业的目标,是做到比现有GPU能效高出10~80倍。而真正的考验是:在传统电子芯片追上这份能效增益之前,它们能不能规模化兑现承诺。 

自由空间光计算:打通光路壁垒

英国牛津的初创公司Lumai,可以说是直接继承了古德曼团队的思路。Lumai产品负责人菲利普·伯尔称,自由空间光路(光线在空气中传播,而非在片上波导里传输),正是他们技术超越GPU的核心。

古德曼方案里用的是固定衰减器,Lumai换成了现代可编程器件——空间光调制器,它是像素化的膜结构,类似高端液晶显示屏,可以同时调节光的强度与相位。整套装置的工程实现更复杂,但原理和古德曼的设计一脉相承:向量编码进光信号、透镜复制N份、穿过空间光调制器、再由另一枚透镜收光,最后转回电信号。非线性运算交给电子部分完成。伯尔说:“一次完整的向量矩阵乘法,在一个光学周期内就能完成。”

想要公平对比光方案和GPU的能耗,首先要界定负载范围。现代推理通常分为两个阶段:预填充(prefill),处理输入提示词、在模型里前向传播;解码(decode),逐个生成输出词元。预填充的算力压力更大,需要反复对同一个矩阵做向量乘法。解码同样包含向量矩阵乘法,但算力密度更低,它最耗资源的环节,是反复读写模型矩阵。 

自由空间光实现向量矩阵乘法

Lumai和赛道里其他公司,都聚焦算力密集的预填充阶段。Lumai表示,2026年4月开放测试的Iris Nova光学服务器,属于验证原型;下一代Iris Aura服务器跑预填充,能耗大约只有GPU的十分之一。 

美国奥斯汀的初创企业Neurophos,则在古德曼光计算机的基础上走出了另一条路线。为了在更小体积里塞进更强算力,这家公司发挥超材料技术优势——这类特殊结构可以在小于光波长的尺度操控光。他们设计的结构尺寸大于波长,但依然很小,单边长仅数微米。Neurophos首席执行官帕特里克·鲍恩说:“现在标准硅光子里的光学晶体管,长度差不多2毫米。你根本没法在芯片上塞足够多这类器件,算力密度完全没法和台积电最先进工艺抗衡。”

(图:显微镜探针对准绿色电路板上的方形微芯片。位于奥斯汀的Neurophos将微型超材料集成在芯片上,操控入射光,实现高效向量矩阵乘法。来源:NEUROPHOS)

鲍恩团队开发了基于超材料的调制器,可以在微米尺度编程调控光的相位和强度,最终在一块边长5毫米的芯片上,集成1000×1000规模的调制器阵列。鲍恩称,他们的调制器切换速度,比传统液晶空间光调制器快上万倍。

他还给出了对标英伟达Blackwell GPU的性能目标:“我们的目标是速度达到Blackwell B200的50倍、能效提升35倍;下一代路线图,速度目标提升至250倍,能效大约提升90倍。”鲍恩表示这套方案兼容CMOS工艺,未来可以直接在成熟的高产能半导体产线上流片。公司目前正在选址建设产线,计划2028年向客户交付机架式设备。

Lumai与Neurophos都押注:在传统CMOS追上光计算的能效优势之前,完成产品落地。伯尔说:“硅芯片还会持续迭代,但数字芯片的能效提升已经放缓,并且成本越来越高。光计算拥有不一样的缩放规律:矩阵越大,能效优势越明显。更大的模型、更长上下文窗口、智能体负载,都会持续推高预填充的算力需求,正好契合光计算的优势。”

片上集成光子:另一条路线

自由空间光路有望实现古德曼方案里近乎无能耗的乘法。但从古德曼70年代的论文到现在,光子技术还有一大分支:集成光子学,直接在芯片内部的波导里传导、操控光线。

耶鲁大学的洛根·赖特点评:“想要最大化光计算的收益,向量规模就要尽可能做大,从这点看自由空间方案很有潜力。但它的落地难度天然更高,硅光子配套产业生态成熟得多,自由空间的配套基础设施还差很远。”还有一批企业,比如上海的曦智科技(Lightelligence)、德国斯图加特的Q.ANT,舍弃自由空间的三维优势,换取硅基光子芯片更好的量产能力。

Q.ANT创始人兼首席执行官迈克尔·费尔奇说:“自由空间光学设备年产量通常很难超过1000台,根源在于镜片检测、组装工艺等一系列难题。可以用半导体工艺制造的集成光子电路,才更有机会走向大规模量产。”

集成光子实现向量矩阵乘法

示意图:光脉冲在波导中传输,经过移相器,最终抵达光电探测器(绘图:CHRIS PHILPOT) 在芯片上用光完成向量矩阵乘法的一种方式:把向量元素编码成光脉冲的振幅,脉冲沿着波导依次传输。乘法依靠马赫-曾德尔干涉仪实现:波导一分为二,其中一条通路的光相位由电压调控;两路光汇合时,输出光强由相位差决定,以此完成乘法。矩阵数值就编码在相位偏移量里,由此实现向量矩阵乘法。最后光电探测器收集全部脉冲,完成累加,输出结果。 

Q.ANT的方案中,输入数据通过片上调制器编码进光脉冲的相位与振幅;向量体现为一串脉冲,每一个脉冲对应一个向量元素,光线由波导在芯片内传导。基础计算单元是干涉仪:波导分成两路,其中一路光的相位由电压控制,两路光汇合后发生干涉,完成运算。之后光电探测器、模数转换器把结果转回数字信号。

这种串行脉冲式的向量矩阵乘法,比古德曼方案里同步并行计算的速度慢。但可以通过多波长复用弥补:同一时间,用不同波长承载多组向量并行运算。Q.ANT的原生处理服务器,已经在慕尼黑莱布尼茨超级计算中心、于利希超级计算中心等科研机构投入使用。今年早些时候,这家公司官宣向云服务商Ionos完成商用交付。曦智科技的PACE2处理器支持128×128矩阵乘法;其2025年发布论文显示,向量矩阵乘法频率达到1GHz,延迟3纳秒,宣称比传统GPU低两个数量级。 

不过这套方案的能效优势还没有被最终证实。费尔奇坦言,距离真正落地还有很长的路。核心瓶颈是模数、数模转换的能耗。在高速、低功耗转换器成熟之前,他认为:“通用向量矩阵乘法的光计算设备,很难具备实用价值。”

跳出矩阵乘法的局限

尽管向量矩阵乘法是当下AI推理领域的热点,但并不是所有从业者都把目光锁定在这里。事实上,用光做其他运算的研究,最早可以追溯到上世纪50年代。举个例子:傅里叶变换——把复杂波形、信号拆解成基础频率分量的运算,只用一枚透镜就能用光一次性完成。

费尔奇说:“数字芯片要完成傅里叶变换,需要拆成成千上万步,动用大量晶体管、消耗很多计算周期。如果模型依托这类非线性运算构建,在参数量、运算量更少的前提下,就能达到同等甚至更好的精度。”

R.ANT的光处理器固然可以做传统向量矩阵乘法,但公司认为它最大的价值,是适配更适合光子特性的新型AI架构。“图像分类、图像分割这类任务高度依赖傅里叶级数、变换以及其他非线性运算,光子硬件天然擅长处理这些。我们在生成式AI,尤其是图像、视频生成领域,也看到相似潜力。”费尔奇说。

以色列初创企业LightSolver,同样在寻找适配自家硬件的算法。公司联合创始人、首席执行官鲁蒂·本-什洛米表示:“电磁波本身传播的过程,本质就是在求解微分方程。”她说,依托公司的激光处理单元(LPU)求解微分方程,速度和能效都会远高于传统计算机。

LightSolver的激光处理单元,是古德曼光计算机思路的一个有趣变体:包含输入光源、可编程空间光调制器、输出光路,但整套系统放在谐振腔里,光线在腔内反复反射,直到收敛为稳态;腔内还加入增益介质,原理和激光器内部的增益介质类似,让来回反射的光不断增强。

(图:光学实验室,红色激光在透镜与反射镜之间反射。以色列初创企业LightSolver利用自由空间光学,借助光本身的物理特性快速求解微分方程。图片来源:LIGHTSOLVER)

把待求解问题编码进调制器之后,增益介质被激发,产生随机光子。光子在腔内来回震荡,经过增益介质放大、被调制器施加预设变换、互相耦合,直到收敛到稳态,这个稳态就是问题的解。最后用相机直接读出稳态结果。LightSolver团队通过仿真验证,他们的激光处理单元求解微分方程,速度最高可达GPU的8万倍,具体提升幅度取决于负载;目前团队正在实测能效提升数据。

LightSolver也在为激光处理单元开发AI应用,自研算法实现文生图。本-什洛米说:“我们不是去高速跑向量矩阵乘法,我们做的是完全不同的事。配套的模型训练、推理范式都要重新设计。但如果换一套范式,图像生成就有机会大幅降低能耗、提升速度。”LightSolver已经拥有可用原型,正在研发更大规格、机架式的设备。

在传输途中完成计算

英国利兹的Optalysys,则找到了另一条发挥光优势的路径。创始人兼首席产品官尼克·纽深耕自由空间光学,深知光做傅里叶变换十分简便。

Optalysys技术的核心思路:把自由空间里的傅里叶变换能力,搬到芯片上。纽介绍:“现在我们不用透镜,自研了硅平面上的无源器件,实现同样的功能。而且我们巧妙设计器件结构,做多路输出,以此实现更多种类的运算。依托傅里叶变换的响应特性,我们可以从中拆解出多种数学运算。依托这套模拟光子方案,我们可以超高能效地完成大规模、高精度数字运算。”

“我们本质上,是在原本没有计算能力的环节,加入算力。” ——尼克·纽,Optalysys

这家公司没有从零设计一款独立加速器,而是瞄准AI负载里本就处于光域的环节:网络传输。数据中心里,服务器机架之间依靠光纤互联,光链路也越来越靠近GPU、CPU。

现在已经有一部分计算在数据传输途中完成,比如汇总多块GPU的计算结果,这类运算放在交换机卡上执行,但电域计算本身会产生功耗。无源光学器件有机会几乎零能耗完成这类运算。

纽说,除了GPU之间的通信,Optalysys的技术还可以用于GPU和内存之间的数据交互,在传输途中完成压缩、格式转换。回到AI推理场景,这套方案更适合解码阶段:解码是内存受限型负载,开销主要来自反复读写模型数据。“我们更聚焦内存受限场景,刚好契合‘在通信链路里嵌入计算’的思路。我们本质上,是在原本没有计算能力的环节,加入算力。”

光计算的未来

光计算会不会在数据中心里替代GPU?耶鲁大学的赖特并不乐观。“算法迭代的方向,不会天然向着适配光硬件的方向走。事实上趋势很可能反过来,模型开发者优先追求在GPU上跑得更好。”

但即便未来几年,AI推理不会全部交给光计算,投向这个赛道的资本也不会白费。赖特说:“我和很多同行依然保持乐观,英伟达、台积电这类企业都在投入共封装硅光子技术——虽然初衷不是用来计算,而是光交换、互联。但这为未来拓展更多光计算能力打开了大门。”

不管最终光计算是用来跑向量矩阵乘法、专属仿真任务,还是实现网内计算,整个计算生态都会迎来多元化路线。Q.ANT的费尔奇说:“我们眼里未来的数据中心是异构架构:CPU、GPU、光子NPU(原生处理单元)各司其职,跑最适合自己的任务。每一类任务匹配最高效的硬件,就能显著降低能耗与运营成本。”

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。

评论
暂无用户评论