如果你最近刷到一类标题写着"用光替代 GPU""光子芯片让 AI 省电 100 倍"的视频，别急着划走——它们指向的是 2026 年硬件领域最该被认真对待的一个方向。这一轮 AI 浪潮走到今天，真正的瓶颈已经不再是"算力不够"，而是"算一次要烧多少电"。当 OpenAI、Google、Meta 的数据中心开始和核电站签长约、当 GPU 集群动辄几十万张卡堆在一起时，一个被冷落了十几年的老问题重新浮上水面：电子在铜线里跑，实在太费电、太发热、太慢。 视频所讲的"光子芯片"，本质上是用光子（光）而不是电子（电）来做 AI 最核心的矩阵乘法运算。这听起来像科幻，但它背后有一篇 2017 年发在 Nature Photonics 上的硬核论文撑腰，也催生了估值 44 亿美元、刚刚完成 4 亿美元融资的 Lightmatter，以及 Celestial AI、Ayar Labs、Salience Labs 等一整条赛道。今天这篇文章，我不只复述视频讲了什么，更要帮你拆穿"省 100 倍"这个数字的水分，看清 2026 年光子计算到底落地到了哪一步——以及，它为什么不是要"干掉 GPU"，而是要给 GPU "接上光管子"。
| 项目 | 内容 |
|---|---|
| 视频标题 | Photonic AI Chips Explained ⚡ | Computing With Light to Solve AI's Energy Crisis |
| 频道 | GYAN FACTS OFFICIAL（@gyanfactsofficial） |
| 视频链接 | https://www.youtube.com/watch?v=d_1qIYJd-z8 |
| 时长 | 解说类短片（精确时长因 YouTube 对出口 IP 封锁元数据接口，本次未能取到精确值） |
| 播放量 | 同上，精确数据本次获取受限；该话题在 2026 年同期至少有 Think Premium、Technology Eyeball 等多支同类视频集中出现，印证其热度 |
| 核心主题 | 用光做矩阵乘法（photonic MAC），从硬件底层破解 AI 的能耗与带宽瓶颈 |
| 关键概念 | silicon photonics、Mach-Zehnder interferometer（MZI）、co-packaged optics、photonic fabric |
视频把矛头指向 AI 的能耗危机，但我想补充一个更底层的事实，它恰恰解释了为什么是"光"而不是别的技术被寄予厚望。
业界有个被反复引用的数据：在大模型推理时，把数据从显存搬到计算单元所消耗的能量，常常占到总能耗的 40%–60% 以上，真正花在乘加运算（MAC）上的反而是少数。换句话说，GPU 的大量电力并没有用来"思考"，而是用来把数以 GB 计的权重和激活值，在存储器和计算核心之间来回搬运，并在搬运过程中变成热量白白散掉。这就是所谓的 memory wall（内存墙）/ interconnect wall（互联墙）。
为什么搬运这么费电？因为电子在铜导线里每走一段，都要给导线的寄生电容反复充放电（RC 充放电），这一过程天然地、不可逆地把电能变成焦耳热。导线越细、越密，电容和电阻问题越严重，频率一高就发烧。所以，谁能让数据"以更低的能量代价移动"，谁就抓住了 AI 硬件下一个十年的命门。光子的革命，其实是从"搬运"这个环节开始的，而非"计算"。 这是视频没说透、但最关键的一点。
要理解光子芯片的必要性，得先认清电子计算撞墙撞得多狠。
过去半个世纪，芯片行业靠两条法则续命：摩尔定律（晶体管越做越小、数量翻倍）和 Dennard 缩放（晶体管变小后，工作电压和功耗同步下降，所以频率能一直往上拉）。但大约从 2005 年前后起，Dennard 缩放失效了——晶体管缩小到一定尺寸后，漏电流和供电电压降不下去，频率再也无法无限提升，"多核"时代由此开启。到了今天 3nm/2nm 节点，铜互连的电阻率反而因为尺寸缩小而上升（电子散射加剧），互连延迟和功耗成为比晶体管本身更棘手的瓶颈。
更要命的是规模：AI 算力需求大约每 5–6 个月翻一番，而电网容量、数据中心供电（单机架功率从十几千瓦冲向上百千瓦）、散热（液冷成为标配）都在逼近物理与经济极限。这正是为什么过去一年你会看到科技巨头纷纷和核电绑定的新闻——不是他们热爱核能，而是电网已经喂不饱用电子搭建的算力怪兽。电子这条路的边际成本正在陡峭上升，这给了"换一种物理载体来算"以历史性的窗口期。
光子为什么能解？这是纯物理层面的碾压级优势，我列三条最硬的：
带宽几乎不受限。铜互连受趋肤效应（skin effect）和频率相关损耗限制，单通道带宽通常在几十 GHz 量级就吃力；而光通信的载波频率在数百 THz，可用带宽以 THz 计，一根波导里还能用波分复用（WDM）塞进几十路不同波长的光，互不干扰。这意味着同样的物理通道，光的"数据吞吐"可以是铜的上百倍。
没有 RC 充放电，所以低功耗、低延迟。光子不带电荷，不会像电子那样被寄生电容拖累，传播速度是介质中的光速（约 c/n），且能量损耗与距离的依赖远弱于电信号。长距离几乎不衰减、不发热，这正是海底光缆能跨洋传海量数据的根本原因。
干涉本身就是计算。这是最反直觉也最精妙的一点：当两束光在分束器里相遇，它们的振幅会相加或相减——这天然就是一次乘加运算。你不需要像晶体管那样开关、充放电，光"自己就把乘法做了"，而且一整束光的所有分量是同时、并行完成计算的。这就是视频标题里"computing with light"的物理内核。
光子芯片的"算力"是怎么来的？这块是最值得展开的技术核心，视频里通常用动画一笔带过，我把它讲实。
奠基性工作是 2017 年 MIT 的 Yichen Shen、Marin Soljačić 团队（成员 Nicholas Harris 后来创办了 Lightmatter）发表在 Nature Photonics 上的论文 "Deep learning with coherent nanophotonic circuits"。它的思路可以浓缩为：用一坨可编程的光学干涉仪，在硬件层面"长成"一个权重矩阵。
线性代数里，任意矩阵可以做奇异值分解（SVD）：W = U·Σ·Vᵀ。论文的设计是：用两组 Mach-Zehnder 干涉仪（MZI）网格分别实现正交矩阵 U 和 Vᵀ，中间用一串可调衰减器实现对角矩阵 Σ。输入向量被编码成一束光的不同振幅，光穿过第一组 MZI（做 U 变换）→ 衰减器（乘 Σ）→ 第二组 MZI（做 Vᵀ 变换），从另一端出来的光强，就是 W·x 这个矩阵-向量乘积。整个过程在光穿过芯片的纳秒级时间内完成，且所有元素并行算完。
每个 MZI 内部有两个热光或电光移相器，通过改变相位就能改写它代表的权重——相当于"光版的可编程权重"。于是这片指甲盖大小的光子芯片，就能以极低能耗、极高吞吐执行神经网络最密集的矩阵乘法层。这正是"省 100 倍"这个数字的来源——它省的是 MAC 单元的切换能量。 但请注意这个限定词，下一节我会拆穿它的水分。
这是判断整个赛道走向的关键，也是视频常常混为一谈的地方。光子技术进入 AI 硬件有两条截然不同的路径，成熟度差了一个时代：
路线 A：光互连（Photonic Interconnect）——这条已经商用。 它不碰"计算"，只负责把芯片和芯片、芯片和内存之间那段铜线换成光。代表玩家是 Celestial AI（Photonic Fabric，融资超 2.5 亿美元）、Lightmatter（Passage 光互连平台）、Ayar Labs（TeraPHY 光 I/O 芯片，与 Intel/DoD 合作）。它们解决的是第四节开头那个最痛的问题——数据搬运的能耗和带宽。因为信号一旦已经"在光域里"，长距离传输几乎免费，所以把 GPU 芯粒（chiplet）之间、GPU 与 HBM 之间用光连起来，能成倍提升带宽密度、压低每比特能耗。这条路线的工程障碍相对小，是 2026 年真正能出货的方向。
路线 B：光计算（Photonic Compute）——这条更激进、更难。 它直接用光做矩阵乘法（第四节那套 MZI 方案），代表是 Lightmatter 的 Envise 加速卡、LightOn 的光学处理单元（OPU）、Oxford 衍生的 Salience Labs。理论上能效比惊人，但精度、可编程性、规模化都还有硬骨头（见下一节）。
我的判断：未来 3–5 年，光子技术的钱和落地都集中在路线 A（互连）。原因是它正好咬住了 AI 最痛的"搬运"环节，且不需要在精度上和数字电路硬刚。路线 B 更像"远期期权"，适合持续关注但别下重注。这个判断与视频"光子芯片革命性"的乐观叙事会形成一种有益的张力。
诚实地讲，光子计算远没有标题那么神。这个数字有三个被刻意淡化的前提：
硬骨头一：精度不够。 MZI 做的是模拟运算，受器件制造误差、热噪声、串扰影响，典型精度只有 5–8 bit。而现代大模型很多层需要 FP16/BF16 甚至更高精度的累加。精度不够会带来量化误差累积，要么降模型质量，要么得用数字电路做误差补偿，把省下的能耗又还回去了。
硬骨头二：电光转换税（这是最致命的）。 数据在进光子芯片前是电信号，得先用 DAC（数模转换）转成模拟电压、用电光调制器"印"到光上；算完出来，又得用光电探测器读出、再用 ADC（模数转换）转回数字。DAC/ADC 本身极其耗电（高速 ADC 每转换一次动辄几十 pJ），如果转换环节的能耗超过了光域里省下的那点 MAC 能耗，整个方案就成了"赔本赚吆喝"。学术界有个共识：光计算要真正净赚，必须让数据"尽量久地待在光域里"，减少转换次数——这就要求光计算与光互连深度耦合、做成大规模流水线。这也是为什么厂商拼命往"光互连"靠拢。
硬骨头三：制造与封装。 硅光（silicon photonics）虽然能和 CMOS 工艺兼容，但把光器件和电芯片共封装（co-packaged）在一起极其困难：光从光纤/波导耦合进芯片的"耦合损耗"、晶圆级良率、热管理（光器件对温度极敏感，几度温差就改变折射率从而改变权重）……每一项都是工程血泪。这也是为什么这个赛道喊了十年，真正量产的仍是少数。
一句话总结这块："省 100 倍"省的是光域里的 MAC 能耗，但要把数字信号搬进搬出光域，省下的可能被转换税吃掉大半。 这才是冷峻的真相。
把上面所有线索收拢，你就能看清 2026 年光子芯片的真实位置，这也是我整个解读最想传递的认知升级：光子技术当下不是要"干掉 GPU"，而是要给 GPU 的"血管"——也就是它那些发烫的铜互连——换上光纤。
业界把这个趋势叫做 Co-Packaged Optics（CPO，共封装光学） 和 Photonic Fabric（光子织网）。NVIDIA、Broadcom、Intel 都在推 CPO 交换机和 chiplet 互联：把光收发器直接和交换芯片/计算芯片封进同一个封装里，让数据一出芯片就上光，省掉传统可插拔光模块那段电信号往返。Lightmatter 的 Passage 已经流片出多芯片光互连样品，Celestial AI 的 Photonic Fabric 在和多家大厂谈数据中心落地。GPU 该怎么算还是怎么算，但它和别的 GPU、和 HBM 内存之间的连线，正在从铜变成光。
所以对投资者和从业者的真正信号是：别盯着"光学神经网络取代 GPU"这种远期故事下重注，而要盯 CPO、硅光器件、光 I/O、photonic fabric 这条更靠近钱、更靠近 2026 年量产的赛道。它们吃下的，是 AI 硬件里最肥、最痛的那块"搬运费"。
graph TD
A[AI 硬件瓶颈<br/>不是算不动，是搬不起] --> B[根因：电子在铜线里的 RC 充放电<br/>≈40-60% 能耗用于数据搬运]
B --> C[解法：换物理载体——<br/>用光子替代电子]
C --> D{光子技术的两条路线}
D -->|先落地·已商用| E[路线A：光互连 Photonic Interconnect]
D -->|更激进·更难| F[路线B：光计算 Photonic Compute]
E --> E1[代表：Celestial AI Photonic Fabric<br/>Lightmatter Passage / Ayar Labs TeraPHY]
E --> E2[本质：把 GPU↔HBM、chiplet↔chiplet<br/>的铜线换成光，省搬运能耗]
E --> E3[2026 落点：Co-Packaged Optics CPO<br/>NVIDIA/Broadcom/Intel 在推]
F --> F1[核心机巧：MZI 干涉网格做矩阵乘法<br/>Shen 2017 Nature Photonics]
F --> F2[代表：Lightmatter Envise<br/>LightOn OPU / Salience Labs]
F --> F3[三大硬骨头：<br/>① 模拟精度仅 5-8bit<br/>② 电光转换税 DAC/ADC 吃能耗<br/>③ 制造封装·耦合损耗·热敏感]
E3 --> G[关键判断：<br/>不是取代 GPU，而是给 GPU 接光管子<br/>CPO/光织网 = 未来 3-5 年主战场]
style C fill:#fff3cd,stroke:#d39e00
style G fill:#d4edda,stroke:#28a745
style F3 fill:#f8d7da,stroke:#dc3545
如果你是通信/ICT 行业的人（这也是「51学通信」读者群的主画像），光子芯片这件事对你尤其亲切，因为它根本不是新东西——你已经活在光的世界里很多年了。海底光缆、城域 WDM、400G/800G 相干光模块、全光交换（OXC），你天天打交道的核心网和传输网，物理层就是光子学。光子芯片做的，本质上是把光子学从"机房之间"推进到"芯片内部和芯片之间"。这条认知链一旦接上，你会发现：
对投资者和战略观察者：盯路线 A（光互连/CPO），那是 2026 真正能见收入的地方；对路线 B（光计算）保持耐心，它需要"让数据在光域里待得足够久"才能跨过转换税这道坎。
对好奇的大众读者：记住一个反直觉的事实——AI 之所以这么费电，不是因为"思考"费电，而是因为"搬运"费电；而光子学的全部价值，就是让搬运这件事变得近乎免费。这就是这个领域最大的认知升级。
光子芯片的真正价值不在于"用光取代 GPU 去思考"，而在于把 AI 最烧钱的"数据搬运"环节从铜线搬进光纤——它不是要革 GPU 的命，而是要给 GPU 接上一根永不发烧的光管子。
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。