如果你在过去两年关注过 AI 硬件，你大概率听过这样一种叙事：模型越来越大，GPU 越来越贵，于是大家拼命堆算力、堆显存、堆先进制程。算力，似乎是横在 AI 面前的唯一一堵墙。
但 NextGenInfra 频道发布的这场 AI Infrastructure Summit 2025 演讲——《Breaking the AI Interconnect Bottleneck》，把一个被大众忽视、却已被英伟达（NVIDIA）等头部玩家悄悄押注的事实摆上了台面：今天 AI 扩张的真正瓶颈，已经不是"算得不够快"，而是"数据搬不动"。 硅光子（silicon photonics）公司 Lightmatter 的核心论点更反直觉——光子芯片最大的价值，根本不是"用光来算"，而是"用光来连"。
这场不到半小时的演讲，加上 EE Times 对 Lightmatter CEO Nick Harris 的完整播客访谈、Lightmatter 官方技术博客以及 2026 年 Computex / OFC 的最新进展，共同拼出了一个清晰的判断：AI 的下一场硬件革命，主战场不在晶体管，而在那根你以为不起眼的铜线。
| 项目 | 内容 |
|---|---|
| 视频标题 | #AIInfraSummit25: Lightmatter on Breaking the AI Interconnect Bottleneck |
| 频道 | NextGenInfra |
| 时长 | 约 20–30 分钟（主题演讲片段，含分章节时间戳） |
| 播放量 | 垂类 B 端基础设施内容（专业受众为主，非大众爆款） |
| 核心主题 | AI 扩展瓶颈从"算力"转移到"互联/内存"，硅光子如何破局 |
| 关键人物 | Steve Klinger（Lightmatter 产品副总裁，演讲）；Nick Harris（创始人/CEO，核心观点来源） |
| 拍摄场合 | AI Infrastructure Summit 2025, Santa Clara |
说明：YouTube 字幕因服务器 IP 被封未能直接拉取，本文核心论点基于该演讲的公开章节摘要，并与 EE Times AI 播客完整逐字稿、Lightmatter 官方博客《A New Kind of Computer》、2026 年 Computex / OFC / Photonics West 报道多方交叉核实，确保数字与结论准确。
这是整个演讲的第一性原理起点。Harris 把 AI 的演进划成了两段。
2017 年之前，世界的主角是 ResNet、AlexNet 这类图像识别模型。它们体积小，一块芯片就能装下，提升性能的办法很直接——把矩阵乘（matrix multiply）做得更快。这个时代是 compute-bound（算力受限） 的，所以谁造出更快的处理器谁就赢。
2017 年 Transformer 论文发表之后，画风突变。今天的大语言模型（LLM）动辄跨几十块 GPU 运行，"它们根本不是跑在一块芯片上"。此时决定速度的不再是"乘得多快"，而是"把权重和数据从一块 GPU 搬到另一块 GPU 有多快"。模型越大，interconnect-bound（互联受限） 和 memory-bound（内存受限） 的特征越明显。
视频原话核心：AI 已经从 compute bound 转向 memory and interconnect bound problem。
我的延伸：这其实解释了一个反常现象——为什么 GPU 算力每年翻倍，训练却没能等比例加速。因为算力是分子，搬运是分母，分母没动，分子再大也白搭。就像厨房里请了十个米其林大厨（算力），但传菜窗口（互联）只有一个，出菜速度被窗口卡死。
如果说瓶颈是"搬运"，那现在的搬运工——铜线——已经接近物理极限了。Harris 给出的画面极具冲击力：
"NVIDIA 造的机柜，后背挂着几千磅重的铜线，而铜的有效传输距离大约只有一米。所以他们把服务器竖起来，像书架一样排，好让线短一点；再把机柜背靠背贴在一起。他们在用尽一切办法，因为铜已经没法更快、更远了。"
这是物理决定的，不是工程师不够努力。铜线里跑的是电信号，频率越高、距离越长，信号衰减、串扰、能耗就越失控。当 GPU 之间要传几十 Tbps（每秒万亿比特）的数据时，铜这个"搬运工"已经喘不过气。
我的延伸：这背后是一个被反复印证的工程规律——凡是靠"堆物理量"逼近极限的技术，最终都会被另一种物理机制取代。铜逼近的是电信号在导线里的 RC 延迟与趋肤效应；而光，走的是另一套物理（光子在波导里几乎无损传播），天然绕开了铜的墙。
这是 Harris 最漂亮的一个工程论证，也是理解光互联为什么是"必选项"而非"可选项"的关键。
芯片内部，数据可以在整个面积（area）上流动，带宽是 petabit（千万亿比特）级。一旦走出芯片，带宽骤降到几个 terabit；再到机柜之间，更低。Harris 把这叫作"tapering"——带宽急剧收窄的漏斗。
根因在于一个几何事实：
"传统芯片的 IO（输入输出）只能放在边缘（perimeter）上，因为那些信号非常娇贵。计算能力随面积 L² 增长，IO 却只能随周长 L 增长。一个是平方，一个是线性——这个鸿沟是结构性的。"
这句话的杀伤力在于：只要你还在用"把 IO 挤在芯片边缘"的方式，无论制程多先进，IO 都永远追不上算力的增长。 这是几何定律，不是努力能填的坑。
我的延伸：这其实和"内存墙"是同源问题——Harris 指出，今天内存访问和数据搬运消耗的能量与时间，已经等于甚至超过计算本身。"哪怕计算单元能耗降到接近零，整体效率仍被数据搬运的开销卡死。"
到这里，光子芯片的真正定位才水落石出。大众一听"光子芯片"，直觉是"用光来做计算，更快更省"。但 Lightmatter 给出的答案恰恰相反——光子芯片赢在"连"，不在"算"。
Lightmatter 2017 年成立时确实是做"光计算（photonic compute）"的。但 2018 年一次融资中，投资人问了一个致命问题："你这颗光处理器很快，可你怎么把它喂饱？" 这一句话逼出了 Passage——Lightmatter 至今最核心的产品：光互联（photonic interconnect）。
Passage 的革命性在于：它让 IO 不再只待在芯片边缘，而是遍布整个芯片表面。也就是说，它把"搬数据"的带宽从"按周长 L 增长"强行拉到"按面积 L² 增长"，补上了第三节那个几何鸿沟。
关键数字（视频 + 官方资料）： - Passage 光中介层（interposer）首颗芯片达 114 Tbps； - M1000 光中介层做到 200mm × 200mm 的晶圆级光基底——这是目前世界上最大的光互联芯片； - 把先进制程（如 TSMC N3 及以下）的小芯片 3D 堆叠在光基底上，"像 CoWoS，但用光通信"。
Harris 原话："计算随面积增长，IO 只随周长增长——是 L² 对 L。有了 Passage，两者都随面积增长。我认为这绝对是光子、乃至整个计算的未来。"
我的延伸：这解释了 Lightmatter 的战略转向——把"光计算"放进 R&D 冷宫，先全力啃"光互联"这块硬骨头。因为"今天真正要解决的问题，是把上百万颗芯片连起来"。这非常务实：在一个互联受限的时代，先修路，再造车。
既然重心转向互联，那"光计算"到底行不行？这里需要给光计算一个公允的评价，避免把光互联的成功误读成"光计算无用"。
2025 年，Lightmatter 在《Nature》发表论文，做出了首个能跑通主流 AI 模型的光处理器：它能不加修改地运行 ResNet（卷积分类）、BERT（Transformer）和 DeepMind 的 Atari 深度强化学习算法，精度逼近传统 32 位浮点。指标相当惊人：
但 Lightmatter 自己很清醒——它把这块成就定位为"look-ahead（前瞻）"，而非当下主力。原因有两层：
我的判断：光计算不是伪命题，而是"超前一步的好棋"。它的舞台，要等互联和内存这两座大山被搬平之后才会真正亮起。这种"先路后车"的节奏感，比单纯吹"光计算多神"清醒得多。
这一节是 2026 年最新、也最少被大众讨论的部分。光互联要用光，光从哪来？激光器。Harris 的比喻很妙：在光学系统里，激光器就相当于电子系统里的电源（power supply）。
但今天的激光器，还停留在"手工焊接"的原始阶段：
"现在的激光器基本就是一个分立二极管（discrete diode）。人们用镊子和胶水，把它一颗颗粘到基板上。这就好比 1960 年代，把单个晶体管当产品卖，再焊到 PCB 上。"
问题在于数量爆炸：一个 100T 的 CPO（共封装光学）交换机需要 18 个激光模块、每个 8 颗激光器；到 200T 就要 36 个，每代翻倍。当成千上万颗激光器塞进数据中心，FIT 率（每十亿小时失效数） 会失控——"一百万块 GPU 的数据中心里，东西一直在坏"。
Lightmatter 的解法极具工程美学：像 VLSI（超大规模集成）一样重做激光。他们在一颗 2cm × 2cm 的 CMOS 晶圆 上集成多达 512 颗激光器。具体产品： - GuideOne：128 颗激光器，驱动 50T 带宽，面向多色 DWDM 系统； - GuideDR：面向 224G 单色系统； - 新的 LNIC（激光网卡） 形态 + 液冷，把前面板占用砍掉 4 倍。
我的延伸：液冷在这里不只是散热，更是"靠稳定的低温环境降低失效率"——Harris 还引了微软把服务器沉入苏格兰海底的实验，证明温度波动越小、可靠性越高。用复杂度换简单度（leverage complexity to make the system simpler），这是整个硅光路线的工程哲学。
演讲和后续资料给出了清晰的产业时间表，这对你判断"光互联什么时候真正落地"非常关键：
| 形态 | 含义 | 落地节奏（Lightmatter 判断） |
|---|---|---|
| NPO 近封装光 | 光引擎放在处理器/交换机旁约 6 英寸，把电信号转光 | 2027 年成为行业平均 |
| CPO 共封装光 | 光收发器直接做进 GPU/交换机封装内 | 2028–2029 主流，NVIDIA 已在推 |
| Interposer 光中介层 | IO 遍布整片芯片，3D 堆叠，用光通信 | 之后的长远未来 |
2026 年的几个里程碑，让这条路线从"图纸"走向"基础设施"： - 2026 年 3 月 11 日：Lightmatter 发布 Passage L20 统一光引擎，预计 2026 年底开始送样； - 2026 年 6 月 3 日（台北 Computex）：Lightmatter 加入 NVIDIA NVLink Fusion，光互联正式接入英伟达生态； - Photonics West / OFC 2026：行业普遍认为"光互联已成为基础设施（became infrastructure）"，而非前沿实验。
最实在的一句结论来自 Harris：在同样数量的 GPU 上，用 Passage 互联，训练速度快 3 倍。 也就是说，不动算力、只换"路"，数据中心就能多干 3 倍的活。
把整场演讲浓缩成一句认知，Harris 自己说得很透：
"一个数据中心，就是一堆 GPU 加上它们之间的连接。当数据中心变大，连接数的增长，远远快于 GPU 数量的增长。所以计算的未来，本质上是一个关于互联（interconnect）的故事。"
这是图论（graph theory）的视角，也是这篇解读最值得你带走的一个心智模型：在规模化的系统里，"节点"从来不是瓶颈，"节点之间的关系（连接）"才是。 这个道理不仅适用于数据中心，也适用于组织、交通、神经网络、乃至社会网络。
flowchart TD
A["AI 三大缩放定律全停<br/>Moore / Dennard / 内存缩放"] --> B{"瓶颈在哪里?"}
B -->|"Transformer 前: ResNet 时代"| C["算力受限 compute-bound<br/>= 谁算得快谁赢"]
B -->|"Transformer 后: LLM 时代"| D["数据搬运受限<br/>memory & interconnect-bound"]
D --> E["铜线物理天花板<br/>≈1米 / 上千磅铜 / L² vs L"]
E --> F["光互联登场: Passage<br/>用光搬数据, IO 按面积缩放"]
F --> G1["NPO 近封装光<br/>2027 主流"]
F --> G2["CPO 共封装光<br/>2028-29, NVIDIA 主推"]
F --> G3["光中介层 Interposer<br/>114Tbps, 200mm 晶圆级"]
F --> H["光源: 激光 = 光的电源<br/>512 激光器 / 2×2cm CMOS die"]
C -.被搁置R&D.-> I["光计算 photonic compute<br/>能跑 BERT 但先得喂饱<br/>65.5 TOPS @ 78W"]
I --> J["等互联/内存归零后<br/>光计算才有真正舞台"]
F --> K["结果: 同样 GPU 数<br/>训练快 3 倍"]
给硬件/芯片从业者： 这篇解读给出的是一个明确的赛道信号。如果你在做 AI 芯片，不要再只盯着"把算力堆高"——那已经是红海。真正的增量在两个地方：一是 互联（interconnect），尤其是共封装光学（CPO）和光中介层；二是 激光器与光器件的集成（Lightmatter 自己都说激光占整个 CPO 市场收入的一半）。封装（packaging）、先进基板、晶圆级测试、可插拔光纤（V-Click/E-Click）这些"脏活累活"，恰恰是 2026–2029 最稀缺的工程能力。
给 AI 基础设施/采购决策者： 别只比 GPU 型号和 FLOPS。下一代数据中心的 TCO（总拥有成本）将由互联效率决定。Harris 给出的"同样 GPU、训练快 3 倍"意味着：在不增加电力和 GPU 投入的前提下，光互联能把单位算力成本压到原来的三分之一。在下一次扩容预算里，给"互联"单独立项，可能比多买几张卡更划算。同时关注 PUE 与液冷——光互联 + 液冷正在成为新数据中心的标配组合。
给技术投资者与观察者： 要警惕一个常见误判——把"光计算"和"光互联"混为一谈。光计算目前是 R&D 故事，光互联才是 2026–2029 的营收故事。 判断一家硅光公司值不值得跟，看它是否解决了"连接"而非"计算"，是否进入了 NVIDIA/台积电/ASE 这种主流生态（如 NVLink Fusion、CoWoS 级封装合作），以及它的激光器是否做到了 VLSI 级集成。
给普通读者的认知升级： 记住两个心智模型。第一，瓶颈会迁移——当一个约束被解决，下一个约束会立刻顶上来，今天 AI 的约束已从"算"迁到了"搬"。第二，在规模化系统里，关系（连接）比节点更根本——这是图论的智慧，适用于芯片，也适用于你身边的组织、团队和社交网络。下次当你纠结于"再招一个人/再加一块卡"时，先问问：连接的带宽够吗？
光子芯片真正的革命不是"用光来算"，而是"用光来连"——AI 的墙，从来不在算力，而在那条搬不动数据的一米铜线。
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。