# 用光做乘法：光子芯片如何破AI能耗墙 ## 导语 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"。 ## 视频背景卡片 | 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 | ## 一、先纠一个误区：AI 最贵的不是"算"，而是"搬" 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。 ## 二、电子走到头了：Dennard 缩放已死，铜线在发烧 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。 ## 三、光的物理底牌：50 THz 带宽、零 RC 延迟、基本不发烧 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： 1. **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。 2. **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。 3. **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。 ## 四、核心机巧：用干涉网络做矩阵乘法（MZI mesh） 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。 ## 五、两条路线：光互连（先落地）vs 光计算（更激进） 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。 ## 六、拆穿"省 100 倍"：三个绕不开的硬骨头 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。 ## 七、2026 的现实坐标：不是取代 GPU，而是给它"接光管子" 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"。 ## 知识结构图 ```mermaid graph TD A[AI 硬件瓶颈
不是算不动，是搬不起] --> B[根因：电子在铜线里的 RC 充放电
≈40-60% 能耗用于数据搬运] B --> C[解法：换物理载体——
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
Lightmatter Passage / Ayar Labs TeraPHY] E --> E2[本质：把 GPU↔HBM、chiplet↔chiplet
的铜线换成光，省搬运能耗] E --> E3[2026 落点：Co-Packaged Optics CPO
NVIDIA/Broadcom/Intel 在推] F --> F1[核心机巧：MZI 干涉网格做矩阵乘法
Shen 2017 Nature Photonics] F --> F2[代表：Lightmatter Envise
LightOn OPU / Salience Labs] F --> F3[三大硬骨头：
① 模拟精度仅 5-8bit
② 电光转换税 DAC/ADC 吃能耗
③ 制造封装·耦合损耗·热敏感] E3 --> G[关键判断：
不是取代 GPU，而是给 GPU 接光管子
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 ``` ## 八、实战启示：通信人该怎么用这个认知 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： - **CPO 和硅光会重塑数据中心网络架构**。未来的交换机和智算集群，板卡之间不再是密密麻麻的铜高速总线（如 PCIe、NVLink 的一段段），而是光波导和光引擎。理解这一点，能帮你预判下一代数据中心硬件的演进，而不是被厂商牵着走。 - **能耗/带宽指标要换成"每比特能耗"和"带宽密度"来比**。评估任何新硬件时，别只看 TOPS，要看 energy/bit、Tbps/mm²。硅光器件在这些指标上的优势，正是它能进 AI 数据中心的入场券。 - **如果你做研发，硅光和光电协同设计（electro-photonic co-design）是值得提前布局的技能栈**。从 PDK、仿真到封装，这条人才供给还远跟不上需求。 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。 ## 延伸学习路径 1. **奠基论文**：Y. Shen et al., *"Deep learning with coherent nanophotonic circuits"*, *Nature Photonics* (2017) —— 所有光子计算故事的源头，读懂 MZI mesh 必读。 2. **Lightmatter 官网技术页**（lightmatter.co）：Passage（光互连）与 Envise（光计算）两条线的官方技术资料，对比能直观感受两条路线差异。 3. **Celestial AI Photonic Fabric**：重点看其"光子织网"如何在芯片间做高带宽低能耗互联，是 2026 落地代表性方案。 4. **课程**：MIT 6.S977（Soljačić 教授的 Silicon Photonics 课）公开资料，从物理到器件系统讲透。 5. **书籍**：Lukas Chrostowski & Michael Hochberg, *Silicon Photonics Design: From Devices to Systems* —— 想真正动手做硅光的入门标配。 ## 一句话总结 **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。** ## 参考来源 1. [Photonic AI Chips Explained ⚡ | Computing With Light to Solve AI's Energy Crisis](https://www.youtube.com/watch?v=d_1qIYJd-z8) — 本文深度解读的核心视频（频道 GYAN FACTS OFFICIAL，已通过 noembed 验证真实存在） 2. [Photonic AI Chips Explained: How Light-Based Computing Could Replace GPUs & Cut AI Energy by 100x](https://www.youtube.com/watch?v=r3cBRE0p_B0) — 同主题印证视频（频道 Think Premium） 3. [Future of AI Hardware Photonic Chips 2026](https://www.youtube.com/watch?v=V9b4gSOJQGk) — 同主题印证视频（频道 Technology Eyeball） 4. Yichen Shen et al., *Deep learning with coherent nanophotonic circuits*, **Nature Photonics** 11, 441–446 (2017) — MZI 光计算矩阵乘法的奠基论文 5. Lightmatter、Celestial AI、Ayar Labs 官方技术资料 — 光互连 / Co-Packaged Optics 路线的产业落地依据 > 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。