光子计算接棒电子，2026年太空算力革命即将爆发

一个领域的繁荣往往伴随着陷阱，而真正的突破需要长期的耐心与积累。最近的例子是英伟达（NVIDIA）的CUDA团队，这个曾被视为"吃闲饭"的边缘部门，在持续亏损三年后，终于等到了Geoffrey Hinton等人发明的卷积神经网络AlexNet。2012年的ImageNet大赛上，AlexNet仅用4颗英伟达GPU就实现了84%的图像识别准确率，远超当时使用16000颗CPU的谷歌猫项目（The Cat Neurons）。这一胜利不仅让GPU从游戏显卡的配角跃升为深度学习时代的算力主角，也让英伟达市值从百亿美元级飙升至近三万亿美元。

如今，同样的剧本正在另一个领域悄然上演——光计算技术。Transformer架构自2017年诞生以来，大模型的参数量从亿级膨胀到万亿级，每个Token生成都需要海量的矩阵乘法运算。而光计算恰好在矩阵乘法和低功耗这两个维度上拥有天然优势：用光子替代电子、用光速替代电子漂移速度、用光场并行替代串行开关，其运算速度可提升8倍、百倍乃至千倍。

2017年，Lightmatter创始人Nicholas Harris在《Nature Photonics》发表的一篇论文，首次将"光子计算"从概念推进到可验证的工程路线。这篇论文的核心贡献在于两个层面：硬件上，光学干涉网络可以承担可编程矩阵运算；算法上，围绕光学硬件特点重构神经网络计算流程，尽量减少不适合光计算的部分。

为什么光计算天生适合AI？深度学习的核心操作矩阵乘法y=Wx，本质是每个输出分量都是输入分量按权重加权后求和。在电子芯片中，这需要一个个开关搬运和累加数字；而在光路中，输入向量被编码成波导中的光场幅度和相位，通过马赫-曾德尔干涉仪（MZI）网络重新分配光场，最后在输出端通过干涉和探测完成"求和"。

一个标准MZI由两个50:50分束器和中间两臂的相位调制器组成，本质上是一个可调的2x2线性变换单元。单个MZI只能实现低维变换，但将多个MZI按特定拓扑级联起来，就能拼成高维矩阵网络。真实光计算运行时，假设有4路输入光信号，目标是做一个4x4线性变换，做法是把4路光分别送入一个由多个MZI构成的网格，每个MZI调成某个耦合比，经过若干级之后，4个输出端口的光强就对应矩阵乘法的结果。

光学网络做的不是逐项数字计算，而是利用波动叠加自然完成线性代数计算过程。这种纯物理方式"模拟"AI大规模矩阵计算，十分有趣且高效。光计算的优势直观且清晰：低延迟（光传播速度极快）、低功耗（不需要大量电荷搬运和开关翻转）、对矩阵乘法天然友好，尤其适合大规模线性运算。

不同公司选择了不同的技术路线。美国的Lightmatter走MZI路线，核心产品Passage是全球首款3D堆叠硅光子引擎，能为XPU（如GPU、TPU）与交换机提供前所未有的带宽密度和能源效率。中国的光本位科技则走光子存内计算路线。

光计算的这一天，可能正在到来。AI时代，电计算并非"AI Native"，当旧的计算范式逼近物理极限时，新的范式就会在边缘处生长，直到需求爆发的那一天，它便成为主流。光计算的这一天，可能正在到来。