AI推理功耗瓶颈推动光计算复兴,2024年行业估值达22.2亿美元
光计算技术沉寂七十余年,因AI推理对算力与能效的严苛要求重获关注。2022至2024年间,全球光计算企业总估值从4亿美元跃升至22.2亿美元,多家初创公司聚焦芯片级光学矩阵运算与网络内计算等方向寻求突...
光计算并非新概念——其理论构想可追溯至20世纪50年代,但受限于器件工艺与系统集成难度,长期停留在实验室阶段。直到近年,人工智能特别是AI推理任务的爆发式增长,才真正为这一古老技术注入现实驱动力。
据IEEE Spectrum报道,截至2024年,全球从事光计算研发与商业化的公司总估值已达22.2亿美元,相较2022年的4亿美元实现近5.5倍增长。这一跃升背后的核心动因明确:当前大型数据中心中,AI推理环节已实质性受制于功耗天花板。康奈尔大学应用与工程物理系副教授Peter McMahon指出:“绝大多数对光子学的兴趣,正源于AI推理在功耗层面遭遇了显著且严峻的限制。”
传统电子芯片(如GPU)执行矩阵乘法等核心AI运算时,需反复进行电信号的开关、传输与存储,每一步均伴随可观的能量损耗。相比之下,光信号在传播过程中几乎不发热,且可天然并行处理高维数据。理论上,光学系统能在同等算力下将能耗降至电子方案的十分之一甚至更低。这种潜力使其成为突破“功耗墙”的关键候选路径之一。
图中左侧为英国公司Optalysys推出的光计算原型设备,内部集成激光器、调制器与探测器;右侧为其核心芯片局部显微图,可见用于实现傅里叶变换的微纳光波导阵列结构。该公司将光计算单元嵌入数据中心网络路径,在光信号尚未转换为电信号前即完成部分计算,从而减少电-光-电转换环节的能耗开销。
光计算的核心优势在于其物理层天然适配线性代数运算——尤其是矩阵乘法,这正是神经网络前向推理的数学基础。如下图所示,一个3×3权重矩阵W与输入向量V相乘,输出Y的每个分量均为加权求和结果。在电子系统中,该过程需依次调用多个乘法器与加法器;而在光学系统中,可通过空间调制器(如像素化衰减器)对输入光场进行编码,再经透镜完成傅里叶变换,最终由光电探测器直接读出结果,整个过程在纳秒级内以光速并行完成。
该图清晰展示了传统电子矩阵乘法的串行逻辑流程,与光计算中利用透镜系统一次性完成全部加权求和的并行机制差异。后者无需时钟同步,无晶体管开关延迟,也避免了金属互连线的RC延迟问题。
更进一步,光计算的硬件架构可被抽象为一种“模拟计算加速器”:输入光强代表数值,光路中的透镜、调制器与分束器构成固定权重网络,输出端光电二极管阵列则完成模数转换。如下图所示,LED光源发出三束光(对应输入向量V₁, V₂, V₃),经圆柱透镜准直后穿过像素化衰减器(编码权重Wᵢⱼ),再由第二组透镜汇聚至三个光电探测器(输出Y₁, Y₂, Y₃)。整个光路即实现了W·V=Y的映射。
值得注意的是,当前光计算创业公司并未采取“全面替代GPU”的激进路线,而是选择差异化切入场景。除Optalysys聚焦网络内计算外,美国、中国、德国与以色列等地涌现出一批初创企业:有的专注开发硅光集成芯片,将调制器、波导与探测器集成于单一晶圆;有的探索新型材料(如铌酸锂薄膜)提升调制效率;还有的转向科学计算领域,利用光系统高效求解偏微分方程或傅里叶变换密集型任务。
行业共识是:短期内光计算难以取代通用计算,但在特定高吞吐、低延迟、强并行的推理场景中具备独特价值。例如,大语言模型的KV缓存检索、推荐系统的实时向量相似度搜索、以及边缘端低功耗视觉识别等任务,均可能率先部署光加速模块。
技术挑战依然显著。首要问题是精度——光学系统本质为模拟计算,易受噪声、温度漂移与制造公差影响,难以达到电子芯片的16位甚至32位浮点精度;其次,光器件的封装、校准与量产成本仍远高于成熟CMOS工艺;此外,软硬件协同生态缺失:缺乏针对光计算优化的编译器、框架与编程模型,开发者需重新构建工具链。
尽管如此,资本与学术界正持续加注。除估值攀升外,多所高校(如MIT、斯坦福、清华、浙大)设立光子计算实验室,IEEE与OSA期刊近三年相关论文数量增长超200%。康奈尔大学McMahon教授认为:“若多家公司能扎实推进技术落地,对整个领域将是利好——竞争会加速迭代,而非零和博弈。”
光计算的复兴,并非对电子计算的否定,而是算力多元化演进的必然一环。当AI模型参数持续膨胀、单次推理能耗逼近物理极限时,人类不得不回望那些曾被搁置的物理路径。光,作为信息载体最古老也最高效的媒介之一,正借AI之名重返计算舞台中央。其最终能否从“潜力股”蜕变为“主流选项”,取决于未来三年在集成度、精度与成本上的实质性突破。
