# 光停不下来：所以它只能算矩阵乘法 ## 导语：337万人为何为"光的计算机"点开这个视频 如果你这两年关注过 AI，一定听过一个越来越刺耳的焦虑：**算力不够了**。大模型每半年要把训练算力翻一倍，可 NVIDIA 的 GPU 已经堆到 Blackwell、 Rubin 这种近乎物理极限的密度，铜缆把机柜塞得发烫，数据中心变成了"用电的火山"。正是在这种集体焦虑里，S3 频道的 *Moore's Law is Dead — Welcome to Light Speed Computers* 悄悄冲到了 **337 万播放**。 它戳中了一个非常性感的幻想：既然电子芯片快到头了，那我们干脆**别用电子了，用光**。光速、零发热、海量带宽——听起来像是在造科幻片里的东西。这个视频的价值，在于它把"光子计算（photonic computing）"这件听起来玄乎的事，讲成了一个普通人能跟上逻辑的故事：从摩尔定律为什么撞墙，到光为什么能算数学，再到谁在砸钱做这件事。 但我要提前给你打个预防针：这个标题里的"Welcome to Light Speed Computers"是**一种浪漫化**。真正的光子芯片，既不会做成你笔记本里的"光速 CPU"，也不会取代电子芯片。它的真实身份要别扭得多——**一个只擅长一件事、且离不开电子芯片做"拐杖"的专用加速器官**。这篇文章我会在还原视频核心论点的同时，把这个最关键、却被大多数科普有意无意模糊掉的物理命门，给你彻底讲透。 ## 视频背景卡片 | 项目 | 内容 | |------|------| | 视频标题 | Moore's Law is Dead — Welcome to Light Speed Computers | | 频道 | S3 \| Science, Startups, & Stories | | 播放量 | 约 337 万次（截至 2026 年中） | | 发布日期 | 2024 年 12 月 7 日 | | 核心主题 | 摩尔定律终结后，光子计算/光互连如何接棒 AI 算力 | | 视频链接 | https://www.youtube.com/watch?v=wBqfzj6CEzI | ## 核心内容拆解 ### 1. 摩尔定律不是"死了"，是先撞了两堵墙 视频的开场论点是：**Moore's Law is dead**。这话在科技圈喊了十年，但 S3 把它讲得更精确——电子计算的红利不是一夜消失的，而是先后撞上了两堵物理墙。 第一堵叫 **Dennard Scaling 失效**。早在 2005 年前后，晶体管越做越小之后，单位面积的功耗就不再下降了——更小的晶体管反而漏电更严重、发热更猛。所以从那以后，CPU 主频基本停在 4–5 GHz 上不去，靠的是堆核心、堆并行，而不是单核变快。 第二堵才是真正的"墙中墙"：**内存墙（Memory Wall）**。在一个典型的 AI 运算里，把数据从 DRAM 搬到处理器所消耗的能量，是真正"算"掉这些数据的大约 **1000 倍**。换句话说，AI 芯片现在大部分电都花在"搬砖"上，而不是"砌墙"。再加上铜导线的 RC 延迟、串扰、散热极限，电子信号的"互连墙"也基本到顶。 【延伸】这就是为什么视频把矛头指向光：**问题不在于晶体管能不能再小一点，而在于用电搬数据这件事本身到了物理尽头**。 ### 2. 光的"白嫖"本质：计算发生在传播的瞬间 这是整个光子计算最反直觉、也最迷人的地方，也是视频的高光段落。 电子芯片算数学，是**时钟驱动、一步一步**算的：取指令、解码、ALU 翻转晶体管、写回寄存器，每个乘法都要消耗若干个时钟周期和真实的焦耳热。 光子计算完全是另一种范式：**让计算发生在光"走过去"的物理过程里**。你把要算的矩阵乘法 $y = Wx$ 的权重 $W$ 编码进光学器件的物理结构里，把输入 $x$ 编码成一束光的强度，然后——光走过这段几毫米的光路，从另一端出来的光强，就**直接是结果**。没有时钟周期，没有"算"的动作，**传播本身就是计算**。 这就是为什么光子计算几乎"免费"：它主要的能耗在维持光源和末端的探测器，而不是在"计算"这一步。这是 **analog computing（模拟计算）** 在 AI 时代的复兴——用物理过程直接求解，而不是用数字逻辑逐步逼近。 ### 3. 马赫-曾德尔干涉仪：光是怎么"算"乘法的 视频必然会讲到（也是你必须理解的核心器件）：**Mach-Zehnder Interferometer，MZI**。 一个 MZI 本质上是把一束光分成两路、让它们各自走一段、再汇合。两路光的相位差决定了汇合时是"建设性干涉"（亮）还是"破坏性干涉"（暗）。如果你用电压调其中一路的相位，就能精确控制输出光的强度——**这其实就是一个乘法器**：输入光强 × 一个由相位决定的系数 = 输出光强。 把成百上千个 MZI 排成网格（mesh），就构成了一张能做完整**矩阵-向量乘法**的光学芯片。而这恰恰是神经网络推理（全连接层、注意力机制里的 QKᵀ）最密集的计算。MIT 的 Shen 等人在 2017 年的 *Nature* 论文里就演示过：一个指甲盖大的光子芯片做矩阵乘法，速度比当时的电子 GPU 快近两个数量级。 【关键认知】光子计算不是"把 CPU 做成光的"，而是"**专门把 AI 里最耗能的那一类运算——矩阵乘法——外包给光来做**"。 ### 4. 光停不下来：这是它最致命的命门 现在来到大多数科普视频**不会告诉你**的部分，也是本文标题的由来。 光的根本物理特性是：**光子必须以光速持续运动，它无法"静止存储"**。电子可以待在电容器、DRAM 单元、触发器里"存住"状态，所以电子芯片能做寄存器、能做状态机、能做循环和分支——也就是能做**通用计算**。 光做不到。光一停下来（被吸收）就消失了。这意味着**光子芯片本质上是无状态（stateless）的**：它不能记住上一步的中间结果，每次计算都必须把完整数据从头到尾"灌"进去。 这条物理约束一刀切下去，光子芯片就被限定在了一类运算上：**无状态的前馈线性运算，也就是矩阵乘法**。它永远做不了 CPU 那种"读一个数、改一下、存回去、再读"的通用逻辑。所以—— > 光子芯片不是"光速版的通用 CPU"，它天生就只是一个**矩阵乘法专用器官**。 这是 S3 这个标题"Welcome to Light Speed Computers"最大的浪漫化之处：**没有"光速计算机"，只有"光速矩阵乘法器"**。 ### 5. 非线性是光的第二个死穴 光算矩阵乘法很在行，但神经网络不是只有矩阵乘法。每一层之间还需要一个**非线性激活函数**（ReLU、GELU 之类），没有它，再深的多层网络也等价于一层线性变换——深度学习就垮了。 而问题在于：**光在常规介质里恰恰是线性的**。让光"拐弯"（非线性）非常困难，要么需要极高光强（产生 Kerr 效应等），要么需要专门的非线性材料，效率都很低、体积都不小。 现实解法是**光电混合**：线性部分（矩阵乘法）交给光，非线性部分（激活函数）交还给电子芯片。于是数据必须在光域和电域之间来回跳——这就引出了下一个、也是最实际的瓶颈。 ### 6. 光电转换：光子计算绕不开的"过路费" 数据要进入光域，需要用电信号驱动**调制器（modulator）**把光"编码"上去（E→O）；算完，又要用**探测器（photodetector）**把光转回电（O→E）。这一来一回的 **O/E/O 转换**，是要交"过路费"的：它有能耗、有延迟、有面积成本。 如果光路做得不够长、计算不够密集，转换的开销甚至会**吃掉**光计算省下来的能量。这就是为什么所有靠谱的光子计算架构，都拼命把光路做得极短、把光芯片和电子芯片**紧紧封装在一起**（co-packaged），尽量减少转换次数。 【延伸】理解了这一点你就明白：**光子计算从来不是"取代电"，而是"贴着电、寄生在电上、只在最值得的那一段用光"**。光电混合不是过渡方案，是终局。 ### 7. 2024–2026 的产业现实：光互连先行，光计算跟进 视频后半段必然涉及产业，这里我帮你把虚火和实火分开。 真正已经大规模商业化的，是 **光互连（optical interconnect）**，而不是光计算。它的逻辑是：既然 GPU 之间用铜缆传数据已经顶到带宽和功耗天花板，那就用光来"连线"。代表玩家是 **Lightmatter（Passage 芯片，2024 年 D 轮 4 亿美元、估值约 44 亿美元）**、**Ayar Labs（TeraPHY）**、**Celestial AI（Photonic Fabric）**，以及台积电的 **COUPE** 和 Intel 的 **FCI** 计划。NVIDIA、Broadcom、Marvell 都在押注 **CPO（Co-Packaged Optics，共封装光学）**，预计 2025–2026 逐步量产。 而**纯光计算**（用光直接做矩阵乘法，Salience Labs、Extropic、Akhetonics 等）还处在更早期：精度普遍只有 **4–8 bit**（远低于训练需要的 16-bit float），目前只能做**推理**的特定环节，做不了训练。所以视频标题里的"光速计算机"，在今天 99% 的落地形态其实是"**用光连线的、由电芯片算的数据中心**"，而非"用光做运算的电脑"。 ### 8. 谁在真正赢，资本在赌什么 最后一点观察：资本市场投的不是"光取代电"这种宏大叙事，而是**光电混合 + 光互连**这个相对确定的中期故事。Lightmatter 的估值飙到 44 亿美元，靠的不是某天造出一颗"光 CPU"，而是它能在 NVIDIA 的下一代机柜里，把 GPU 之间的铜缆换成更省电、更高带宽的光路。**离钱最近的，永远是"连线"而不是"算账"**。 ## 知识结构图 ```mermaid flowchart TD A["摩尔定律撞墙
晶体管缩微到 2nm 极限"] --> B["AI 算力每 6 个月翻倍"] A --> C["内存墙：搬运比计算贵 1000×"] A --> D["互连墙：铜缆带宽/散热到顶"] B --> E["转向光子计算"] C --> E D --> F["转向光互连"] E --> G{"光怎么算数学？"} G --> H["矩阵乘法 y = Wx
权重编码进 MZI 相位"] H --> I["光传播 = 计算本身
几乎零能耗、零延迟"] I --> J{"光的物理命门"} J --> K["光停不下来 → 无法存储状态"] J --> L["光在常规介质线性 → 难做激活函数"] J --> M["O/E/O 光电转换要交过路费"] K --> N["注定只能做矩阵乘法
且必须光电混合"] L --> N M --> N F --> O["2026 现实：光互连先行落地
Lightmatter / TSMC COUPE / CPO"] N --> P["光计算仍在早期
4–8 bit 推理专用"] style K fill:#ffe0e0 style N fill:#fff3cd style O fill:#d9f2d9 ``` ## 实战启示 **如果你是 AI 从业者或关注算力的技术决策者**：请把注意力从"晶体管还能不能更小"转移到**互连和内存墙**上。下一代 AI 硬件的胜负手不在 GPU 本身的算力，而在 GPU 之间怎么连、数据怎么搬。**CPO（共封装光学）和硅光子互连是 2025–2026 最确定的技术趋势**，比"光子 CPU"靠谱得多，值得现在就开始建立认知。 **如果你是投资者或在做技术选型**：一定要把"光互连"和"光计算"这两条线分清楚。前者（Lightmatter、Ayar Labs、Celestial AI）已经进入大厂供应链、有量产时间表，是中期可兑现的故事；后者（纯光矩阵乘法）还在 4–8 bit 推理的早期，高风险高回报。**凡是跟你吹"光将取代电子芯片做通用 CPU"的，基本可以判定是在画饼**。 **对你个人的认知升级**：记住这个判断——光子计算的本质不是"光比电快"，而是"**光让计算几乎免费地发生在传播过程里**"，但代价是它无法存储状态、做不了非线性，于是被永久锁定在"矩阵乘法"这一件事上，并注定与电子芯片共生。带着这个框架去看任何"光速计算机"的新闻，你就能瞬间分清哪是实打实的工程进展、哪是媒体夸张。 ## 延伸学习路径 1. **Asianometry — *Silicon Photonics: The Next Silicon Revolution?***（YouTube，约 48 万播放）——把硅光子的产业格局和商业模式讲得最透彻的长视频，和 S3 这条互补。 2. **Shen et al., *Deep learning with coherent nanophotonic circuits*, Nature 2017**——光子矩阵乘法的奠基性论文，看完你就真正懂 MZI mesh 怎么算数学。 3. **Lightmatter 官网与 Passage 技术白皮书**——直接看产业头部玩家的工程参数，比二手科普准确。 4. **Veritasium — *Why The First Computers Were Made Out Of Light Bulbs***（约 845 万播放）——从计算史的角度理解"光与计算"的渊源，视角完全不同。 5. **台积电 COUPE / Intel FCI（Integrated Photonics）公开资料**——追踪 CPO 共封装光学的真实量产进度。 ## 一句话总结 光子芯片不是什么"光速版 CPU"，而是**借光的干涉、几乎免费地算矩阵乘法**的专用器官——它生来无法存储状态、做不了非线性，所以注定只能寄生在电子芯片上共生，而不是取代它。 ## 参考来源 1. [Moore's Law is Dead — Welcome to Light Speed Computers (S3 | Science, Startups, & Stories)](https://www.youtube.com/watch?v=wBqfzj6CEzI) — 本文分析的核心视频 2. [Silicon Photonics: The Next Silicon Revolution? (Asianometry)](https://www.youtube.com/watch?v=29aTqLvRia8) — 硅光子产业深度补充 3. Shen, Y. et al. *Deep learning with coherent nanophotonic circuits using on-chip nanophotonics*. **Nature Photonics**, 2017 — 光子矩阵乘法奠基论文 4. [Lightmatter — Passage / Photonic Computing](https://lightmatter.co/) — 产业头部玩家工程资料 5. [TSMC COUPE / Intel Integrated Photonics (FCI)](https://www.intel.com/content/www/us/en/research/integrated-photonics.html) — CPO 共封装光学量产路线 --- > 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。