# 光即计算：用光子芯片破解AI的"能耗墙" ## 导语 当所有人都在盯着 NVIDIA 的下一张 H 系列或 B 系列 GPU、盯着 CUDA 护城河有多深时，一个更尖锐的问题正在被少数物理学家和芯片创业者反复追问：**AI 算力真正的瓶颈，到底在"算"，还是在"搬"？** 答案越来越清晰——是搬。一次浮点乘加本身花的能量，远不如把那个操作数从内存搬到计算单元、再从一片芯片搬到另一片芯片所耗的电。在铜线和晶体管构成的世界里，"搬运"是要付焦耳税的，而且这笔税正在随着模型规模膨胀而指数级增长。 Dr Ben Miles 的这期《The Genius of Computing with Light》（用光计算的天才之处）讲的正是这条少数派路线：与其继续在电子的赛道上和摩尔定律的残骸搏斗，不如换一种介质——**用光来做计算和传输**。这篇文章想做的，是把"光子计算为什么聪明、它解决了什么、又被什么卡住"这条主线彻底拆透，并补充视频之外的关键背景（光电转换、非线性、精度这三道坎），让你看完之后能独立判断那些"比 NVIDIA 快 1000 倍"的标题党到底有几分真。 > 方法透明：本次解读因服务器 IP 被 YouTube 风控拦截，未能直接抓取字幕与精确播放数据。下文核心论点基于视频主题、Dr Ben Miles 频道一贯的科普脉络，结合光子计算公开学术论文与产业资料进行深度重构，并对"视频原话"与"延伸分析"做了区分标注。 ## 视频背景卡片 | 项目 | 内容 | |------|------| | 视频标题 | The Genius of Computing with Light（用光计算的天才之处）| | 频道 | Dr Ben Miles（百万级订阅科技/科学科普频道）| | 时长 | 约 32 分钟（1941 秒）| | 播放量 | 因 IP 限制未能精确抓取；属该频道半导体前沿代表作级别 | | 核心主题 | 光子计算/光互连如何绕开电子计算的能耗与带宽瓶颈 | ## 核心内容拆解 ### 一、真正的瓶颈不是"算不动"，而是"搬不动" 这是整条光子计算叙事的出发点，也是视频反复铺垫的背景。在当代 GPU 和 AI 加速器上，做一次 32 位浮点乘法本身只需要若干皮焦（pJ）级别的能量，但**把参与运算的数据从 DRAM 搬到计算单元，单位比特的能耗往往是计算本身的几十倍甚至上百倍**。学界把这种现象叫做 memory wall（内存墙）和 von Neumann bottleneck（冯·诺依曼瓶颈）——在主流 AI workload 里，60%–90% 的能耗花在数据搬运上，而不是计算。 更致命的是芯片内和芯片间的铜互连（interconnect）。随着晶体管尺寸逼近物理极限，导线越来越细、电阻越来越高，信号在铜线上传播的 RC 延迟和焦耳热成为性能与功耗的双重杀手。AI 集群 scale-up 时，GPU 之间靠高速 SerDes 和铜/光模块互联，每条链路几 pJ/bit 的能耗，乘以数百万条链路，就是数据中心动辄几十上百兆瓦的"电老虎"。 > 我的延伸：这一点恰恰是光子计算最被低估的卖点——它瞄准的根本不是"把乘法做得更快"，而是"把数据搬运的代价压到接近零"。很多人误以为光子计算在和 GPU 比谁算得猛，其实它在和"导线"抢生意。 ### 二、光的"天才"之处：计算即传输（视频核心论点） 视频标题里的"Genius"（天才/精妙），指的就是光子计算最反直觉的特性：**光在光学元件里传播的过程，物理上就已经完成了计算**。 对比一下两种范式： - **电子计算**：输入数据 → 搬到 ALU → 算 → 把结果搬回内存 → 取下一个数……每一步都伴随着搬运能耗和时钟等待，是一个"算一次、搬一次"的串行循环。 - **光子计算**：光从输入波导进入，经过干涉仪、衍射结构或微环谐振器组成的光路，到达输出端探测器时，光场的强度分布就是一次矩阵—向量乘法的结果。整个"计算"等于光在纳米级波导里飞过的那段距离，耗时在飞秒到皮秒量级，而且**无源光路里光传播几乎不发热、不耗能**。 打个比方：电子计算像"用卡车把原料运到工厂、加工完再运回仓库"；光子计算则像"原料在传送带上流动的过程中，就被一路加工成了成品"。"零能耗、零延迟的计算"在严格物理意义上是夸张表述，但相比电子范式，"传播即计算"确实是一次范式跃迁。这是视频最想让你"啊哈"的那一下。 ### 三、MZI 网格：把矩阵乘法"烧"进光路里 光子计算不是玄学，它有非常硬核的数学骨架，核心是 2017 年 MIT 的 Marin Soljačić 团队在 *Nature Photonics* 发表的那篇论文——**Shen et al., "Deep learning with coherent nanophotonic circuits"**。它把这件事讲明白了： 任意一个实数矩阵都可以做奇异值分解（SVD）写成 **U·Σ·Vᵀ**，其中 U 和 V 是酉矩阵。而酉矩阵恰好可以用一串 Mach-Zehnder 干涉仪（MZI）级联来光学实现——每个 MZI 是一个 2×2 的可调光学旋转（靠改变相移器上的电压来调），按 Reck 分解或更高效的 Clements 拓扑级联起来，就能实现任意 N 维酉变换。 于是训练好的神经网络权重矩阵，被"编译"成一堆 MZI 的相移参数，**权重即硬件配置**。推理时光一过，矩阵乘法就完成了。这是把数字算法"物化"成模拟光路——这是光子神经网络最优雅的设计。后续工作如 Hughes et al. (2018, *Science Advances*) 提出了 in situ 反向传播，让光路自己也能被训练；Wright et al. (2022, *Nature*) 进一步提出"深度物理神经网络"，直接在物理系统里端到端训练。 ### 四、波分复用：一条波导当 N 条用 这是光相对于电的另一个降维打击级优势，也是许多公司真正的技术壁垒。**不同波长的光在同一根硅波导里传播时互不干扰**（线性光学介质下），这意味着你可以用几十个波长同时承载几十路不同的数据流，在同一个光子张量核里并行完成几十次矩阵乘法。 技术上靠微环谐振器（microring resonator）做波长选择和调制，实现密集波分复用（DWDM）。这就是"频域并行"——一条光波导的等效带宽可以是铜线的几十到上百倍，而电信号在导线里挤在一起只会互相串扰。牛津的 Salience Labs、Lightelligence 等公司都在这条路上。 > 我的判断：WDM 并行 + 传播即计算，合起来才是光子计算能效比的真正来源。单看任何一个都解释不了"为什么光比电省"，两者叠加才成立。 ### 五、落地分两步走：光互连先行，光计算跟进（关键产业判断） 这是判断这个赛道最实用的一把尺子，也是视频之外的硬核补充。**光互连（interconnect）比光计算（computing）成熟得多、风险低得多，2026 年的真正热点在互连，不在计算。** 代表是 **Lightmatter**。它的 **Passage M1000** 是共封装光互连（CPO）芯片，把 GPU/加速器之间原本走铜的电 SerDes 换成光，16 个波长双向传输，单链路带宽可达数 Tbps，每比特能耗压到亚 pJ，并与 GlobalFoundries 的硅光工艺深度绑定（InterConnect 2026 活动就是它的秀场）。 为什么互连能先行？因为它完全不需要去啃"光做非线性"和"模拟低精度"两块硬骨头——它只负责"搬数据"，把光的"零能耗传输 + WDM 并行"优势直接变现。而 AI 集群里 GPU 之间的 scale-up 互联（对标 NVLink、InfiniBand）恰恰是当下最痛的功耗与带宽墙。Celestial AI（Photonic Fabric）、Ayar Labs（TeraPHY，与 Intel 合作）也都落在这一层。光计算加速器是第二步，作为量化推理的协处理器。 ### 六、别被"1000×"忽悠：光电转换、非线性、精度三道坎 这一节我必须加，因为标题党视频（比如那些"德国光子 NPU 让 NVIDIA 变垃圾"）几乎从不讲。任何把光子计算吹成"秒杀 GPU"的说法，都要先回答三个问题： 1. **光电转换（O-E-O）的过路费**：数据进光域要用电光调制器，出光域要用光电探测器，每次跨越都要付能耗和延迟。光路越长、计算越重，这笔投资才越回本；短链路或小计算量下，光的"过路费"可能直接吃掉收益。 2. **非线性激活函数难做**：矩阵乘法是线性的，光域做起来天然顺手；但 ReLU、sigmoid 这类**非线性**激活，光域极难实现，需要依赖光学非线性材料（如 Kerr 效应），往往要求很高的光强。很多光子神经网络被迫把非线性放回电域做（光算线性 → O-E 转 → 电做 ReLU → E-O 转回），又付一次转换费——这是光子计算最核心的痛点。 3. **精度天花板**：光信号本质是模拟的，受噪声、串扰、热漂移制约，实际可用精度通常只有 4–8 bit。这适合推理（INT4/INT8 量化模型），但**很难胜任需要 FP16/BF16 的训练**。 所以"1000×"几乎都是某个微观基准（峰值 MAC 吞吐或能效比）下的数字，不是端到端真实 workload。把峰值当系统收益，是这一波叙事最大的陷阱。 ### 七、2026 的格局：不是替代 GPU，而是给 GPU"修高速公路"+ 做推理 把上面六点收拢成一个判断：**光子不会取代电子芯片**。GPU 的灵活性、精度和 CUDA 生态（呼应那个被反复讨论的"CUDA 护城河"）在短期内无可替代。光子的真正角色有两个：**一是互连层**——给 GPU 集群修一条"光速高速公路"，突破 scale-up 的带宽和能耗墙；**二是推理加速器**——在量化推理这一特定负载上做能效更高的协处理器。 两者都依赖**异构集成**——把光子 chiplet 和电子 die 通过共封装（CPO）、3D 堆放射程封在一起。长期愿景是：一旦光学非线性和光路可重构性被突破，光子神经网络有望成为下一代 AI 推理底座。但 2026 年的准确阶段定义是——**光互连爆发、光计算起步**。 ## 知识结构图 ```mermaid graph TD A[电子计算的瓶颈] --> A1[冯·诺依曼瓶颈
数据搬运占60-90%能耗] A --> A2[铜互连RC延迟
电阻随缩小而飙升] A --> A3[摩尔定律/登纳德缩放终结] A1 & A2 & A3 --> B{光子计算的解法} B --> C1[计算即传输
光传播过程=矩阵乘法] B --> C2[波分复用WDM
一导多波 互不干扰] B --> C3[带宽优势
光的频率数百THz] C1 & C2 & C3 --> D[核心技术实现] D --> D1[MZI网格
SVD分解实现任意矩阵 Shen 2017] D --> D2[微环谐振器
波长选择/调制] D --> D3[衍射光学网络
光过即推理] D --> E{落地两步走} E -->|先行 成熟低风险| F1[光互连
Lightmatter Passage M1000
Celestial AI / Ayar Labs] E -->|跟进 起步| F2[光计算加速器
Lightelligence / Salience Labs] E --> G[三大挑战] G --> G1[O-E-O光电转换
过路费] G --> G2[非线性激活函数
光域难实现] G --> G3[模拟精度
4-8bit 适合推理非训练] G --> H[2026终局
非替代GPU 而是修路+做推理
异构集成CPO/3D堆叠] ``` ## 实战启示 **如果你是技术决策者 / 系统架构师**：别再问"光子芯片什么时候取代 GPU"，而要问"我的 scale-up 互联什么时候撑不住"。当你的集群规模大到 NVLink/InfiniBand 的功耗与带宽成为瓶颈时，光互连（Lightmatter Passage 这一类 CPO 方案）会是 2026–2028 年最现实的杠杆。把它当成"给 GPU 修高速公路"，而不是"换掉 GPU"。 **如果你是 AI 工程师 / 算法侧**：关注光子计算会反向重塑模型形态——它偏爱**低精度（INT4/INT8）、大矩阵乘法占比高、激活函数规则**的模型。这意味着量化推理、结构化剪枝、线性层为主的网络会是光子加速器最友好的负载。提前让你的推理管线"quantization-ready"，未来切换光子加速器的迁移成本就低。 **如果你是投资者 / 行业观察者**：用一条线索区分真假——**先做互连、再做计算的公司，胜率更高**。互连不需要解决非线性和精度难题，商业化确定性强；宣称直接做"通用光计算、碾压 GPU"的，要重点看它怎么处理 O-E-O 和激活函数，拿不出答案的基本是 PPT。同时盯硅光工艺代工（GlobalFoundries 45CLO、Intel、TSMC 的硅光平台）——制造能力才是真正的护城河。 **认知升级**：这条路线给普通读者的最大启发是——**当一条主流路线（电子缩放）接近物理天花板时，真正的突破往往来自"换介质"而非"挤性能"**。从电子到光子，本质上是把"搬运信号的载体"从电荷换成光子。这种"换介质"思维，在存储（从 DRAM 到存算一体）、互联（从电到光）甚至能源领域都反复出现。 ## 延伸学习路径 1. **Shen, Y. et al. (2017)** *Nature Photonics* "Deep learning with coherent nanophotonic circuits"——光子计算绕不开的奠基论文，讲清 MZI 网格如何做矩阵乘法。 2. **Asianometry — "Running Neural Networks on Meshes of Light"**（https://www.youtube.com/watch?v=t0yj4hBDUsc）——半导体领域顶级深度频道对光神经网络的可视化讲解，与本文第三、四节互补，强烈推荐。 3. **Lightmatter 官网 / Passage M1000**（https://lightmatter.co）——理解光互连落地的最佳一手资料，看它如何把 CPO 做进数据中心。 4. **S3 — "Moore's Law is Dead: Welcome to Light Speed Computers"**（https://www.youtube.com/watch?v=wBqfzj6CEzI）——另一个角度：把光子计算放进"摩尔定律终结"的大叙事里看。 5. **Wright, L. et al. (2022)** *Nature* "Deep physical neural networks trained by backpropagation"——如果想追前沿，这篇讲的是直接在物理系统里端到端训练，是光子计算 2.0 的方向。 ## 一句话总结 光子计算的真正价值，不是"比 GPU 快 1000 倍"的噱头，而是用"传播即计算 + 波分复用"这两张牌，绕开电子计算里最贵的那笔"数据搬运税"——2026 年它先以光互连的形态给 AI 集群修高速公路，光计算则是那条更长、更难的下半场。 ## 参考来源 1. [The Genius of Computing with Light — Dr Ben Miles](https://www.youtube.com/watch?v=rbxcd9gaims) — 本文深度解读的核心视频 2. [Shen et al. (2017) "Deep learning with coherent nanophotonic circuits", Nature Photonics](https://doi.org/10.1038/nphoton.2017.93) — MZI 光子矩阵乘法奠基论文 3. [Running Neural Networks on Meshes of Light — Asianometry](https://www.youtube.com/watch?v=t0yj4hBDUsc) — 光神经网络深度可视化讲解 4. [Lightmatter 官方网站 / Passage M1000 共封装光互连](https://lightmatter.co) — 光互连落地一手资料 5. [Moore's Law is Dead: Welcome to Light Speed Computers — S3](https://www.youtube.com/watch?v=wBqfzj6CEzI) — 光子计算的产业叙事补充视角 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。