---
title: "估值飙至22.2亿美元且瞄准B200的35倍能效！IEEE Spectrum长文深剖光计算重燃AI推理战场：Prefill光学乘法、超材料与硅光路线之争全拆解"
url: "https://paooo.com/aigc-news/42692/"
author: "Prompt 语宙研究院"
published_at: "2026-11-18T17:07:33+08:00"
updated_at: "2026-11-18T17:07:33+08:00"
categories: "AIGC 资讯"
tags: "AI推理能耗, Prefill加速, 光计算, 硅光芯片, 算力基础设施"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 估值飙至22.2亿美元且瞄准B200的35倍能效！IEEE Spectrum长文深剖光计算重燃AI推理战场：Prefill光学乘法、超材料与硅光路线之争全拆解

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/42692/) · 作者：Prompt 语宙研究院 · 发布时间：2026-11-18

## AI 30 秒核心看点 (TL;DR)

- 光计算的核心优势在于VMM可从O(N²)电子开销降为近似O(N)光学缩放。
- Prefill比Decode更适合光学加速，因其计算密集、权重复用高，最可能先商业化。
- 自由空间、硅光、超材料等五路线并进，但真实胜负取决于接口损耗与量产能力。

> **💡 站外导读：**大模型推理正将全球数据中心推向严酷的电力墙，拥有 70 余年历史的光计算技术正借此迎来爆发：领域企业总估值已从 2022 年的 4 亿美元跃升至 22.2 亿美元。然而，从康奈尔大学测得低于单光子的理论能效，到真正在数据中心叫板 NVIDIA Blackwell GPU，光计算必须跨越模数转换损耗、阿姆达尔定律与制造良率三大天堑。IEEE Spectrum 最新长文揭示了五大硬核技术路线的真实胜算。

## 一、 推理功耗墙倒逼算力革命：O(N²) 电子开销与 O(N) 光学缩放的物理本质

在现代生成式 AI 的全生命周期中，**推理（Inference）已取代训练成为数据中心电力消耗的绝对主力**，而推理计算的物理心脏正是每秒执行无数次的**矢量-矩阵乘法（Vector-Matrix Multiplication, VMM）**。康奈尔大学应用与工程物理副教授 Peter McMahon 在接受 IEEE Spectrum 采访时指出，业界对光子学（Photonics）骤然升温的兴趣，核心驱动力在于 AI 推理已肉眼可见地撞上电力天花板。

从第一性原理来看，将一个 N × N 权重矩阵与长度为 N 的输入向量相乘，传统电子芯片必须执行 N2 次晶体管开关乘法运算，每次开关皆伴随焦耳热耗散，导致总能耗随问题规模呈 **O(N2)** 平方级暴涨；而在 1978 年光学计算先驱 Joseph W. Goodman 提出的架构中，只要权重矩阵固定，激光或 LED 穿过像素衰减器的乘法过程几乎是**被动且零功耗的**——真正消耗能量的只有把长度 N 的输入向量编码成光强，以及用探测器读出长度 N 的结果向量，总能耗仅呈 **O(N)** 线性扩展。2022 年 McMahon 团队曾在实验室验证过单次乘法消耗不足一个光子（约 2.5 × 10-19 焦耳）的光学神经网络，较传统电子运算（10-14 至 10-12 焦耳）相差五个数量级。

## 二、 从“十万倍幻觉”回归工程现实：编码门槛、Amdahl 定律与 Prefill 黄金切口

尽管单光子物理极限令人震撼，但 McMahon 对盲目外推“10 万倍节能”提出了严正警告：**电光编码/转换的固定系数损耗（ADC/DAC 开销）与 Amdahl 定律才是决定商业成败的生死线**。打个比方，若电子做一次乘法仅耗能 1 皮焦（pJ），而把一个向量元素编码进光路需要 1000 皮焦，那么向量维度 N 至少必须跨过 **1,000 至 10,000** 的门槛，光计算的 O(N) 缩放红利才能抹平高昂的接口固定成本。此外，AI 推理除了线性矩阵乘法外还包含大量非线性激活函数、Normalization 与路由控制——依据阿姆达尔定律，即便光学将 90% 的线性计算加速到极低功耗，剩余 10% 无法光学化的部分依然锁定了系统整体的能效上限。因此，当前务实的光计算公司普遍将商业化目标锚定在**相比现有 GPU 实现 10 倍至 80 倍综合能效提升**。

在具体的 Transformer 推理负载切分上，光学加速器也找准了最锋利的切口：现代大模型推理分为**Prefill（预填充，一次性并行处理长 Prompt）**与 **Decode（逐 Token 自回归解码）**两阶段。其中 Decode 主要受限于 HBM 显存带宽反复搬运权重矩阵，而 **Prefill 则是纯粹的计算密集型阶段**——反复用同一组权重矩阵对长序列向量执行大尺寸乘法，完美契合光计算“大矩阵高吞吐、低延迟、低单位能耗”的物理禀赋。随着长上下文窗口与 Agentic 智能体工作流推动 Prefill 算力占比持续攀升，光计算在 Prefill 阶段的市场窗口正迅速放大。

## 三、 自由空间光学 vs 片上硅光干涉 vs 超越矩阵计算：五大主流路线横向对比

围绕如何在真实机房中把光算力做大、做稳且可量产，目前全球总估值达 22.2 亿美元的光计算赛道分化出了**自由空间光学（Free-Space Optics）、片上集成光子学（Integrated Photonics）、光学微分/傅里叶原生计算以及网络在途计算（Computing in transit）**等多条技术流派。下表基于 IEEE Spectrum 披露的工程细节，全面汇总了代表企业的架构方案与实测指标：

代表企业与所在地区

核心技术路线

物理实现机制

关键工程指标与商业进展

**Lumai**（英国牛津）

自由空间光学

可编程空间光调制器（SLM）+ 透镜组，光在空气中传播并在单一光学周期完成 VMM

2026 年 4 月推出 Iris Nova 评估服务器；下一代 Iris Aura 目标以 **GPU 约 1/10 能耗**跑通 Prefill

**Neurophos**（美国奥斯汀）

片上超材料光学

5mm×5mm 芯片集成 **1000×1000 微米级超材料调制器**，兼容 CMOS 晶圆产线

调制速度超标准液晶 SLM **10,000 倍**；瞄准 **B200 50 倍速与 35 倍能效**（下代目标 250x/90x），计划 2028 年交付机架

**Q.ANT**（德国斯图加特）

片上集成光子（硅光）

波导脉冲 + 马赫-曾德尔干涉仪（MZI）控相干涉，兼攻光学单透镜傅里叶非线性算子

Native Processing Server 已入驻慕尼黑 LRZ、于利希超算中心并向云商 Ionos 实现商业销售

**Lightelligence（曦智科技）**（中国上海）

片上集成光子（硅光）

基于硅光集成波导干涉阵列加速大矩阵计算

PACE2 处理器支持 **128×128 矩阵**、**1GHz 主频**与 **3 纳秒延迟**（声称较传统 GPU 低两个数量级）

**LightSolver**（以色列）

激光腔微分方程 LPU

空间光调制器 + 腔内增益介质令激光往复振荡至稳态，直接求解微分方程而非硬算矩阵

推出激光处理单元（LPU）原型并研发机架版，正探索面向文生图的全新低能耗非 VMM 推理算法

**Optalysys**（英国利兹）

光纤网络在途计算

硅基平面被动光学组件直接利用傅里叶变换响应，在机柜光传输路径上同步执行数学归约

无需额外重算单元，在多 GPU 通信光线传输途中“零功耗”顺带完成分布式聚合运算

## 四、 量产良率博弈与非传统算子突围：硅光制造力压镜头装配，“在途计算”开辟奇兵路线

在路线交锋中，“算力密度”与“可制造性”正成为最激烈的争论焦点。耶鲁大学助理教授 Logan Wright 指出，自由空间光学能够轻松扩大 3D 光学阵列规模，但缺乏成熟产业链支撑；德国 Q.ANT CEO Michael Förtsch 更是尖锐指出，受制于精密镜头检测与人工装配校准，**自由空间光学设备往往受限于年产 1,000 台左右的产能天花板**，而利用成熟半导体光刻工艺的集成硅光电路才具备真正大规模放量的工业基础。针对传统硅光器件长达 2 毫米、集成密度远逊于台积电晶体管的痛点，Neurophos 选择在 5 毫米芯片上封装百万级微米尺度超材料结构，试图兼顾“自由空间级别的高矩阵维度”与“CMOS 晶圆级代工”。

值得关注的是，最先在商业化上取得突破的未必是“用光硬仿 GPU 矩阵乘法”的正面强攻者。正如 Q.ANT CEO 所坦言，只要高速低功耗的模数转换器（ADC）尚未突破，通用型光学矩阵乘加机就很难全面替代电子芯片；因此，Q.ANT 转而推崇利用光透镜**天然单步完成傅里叶变换（Fourier Transform）与非线性算子**的特性，以更少模型参数和计算周期赋能图像分类与视频生成；LightSolver 依托激光腔内电磁波传播直接演化求解微分方程；而英国 Optalysys 更是巧妙绕开“独立加速卡”红海，瞄准数据中心本来就已经铺满的光纤网络——将多 GPU 之间的结果归约（All-Reduce）直接塞进光纤链路上的被动硅光组件里，让数据在“奔跑途中”就免费把数学算完。这种“顺手借光、不做全盘替代”的异构协同思路，极可能比正面推翻 CUDA 生态更早进入超算与智算中心机柜。

#### 📝 站长洞察 (Editor's Insight)

IEEE Spectrum 这篇长文撕掉了光计算“十万倍功耗碾压”的科幻滤镜，用电光转换损耗、向量维数门槛与 Amdahl 定律划出了清晰的工程边界。短期内光学芯片在 Decode 阶段取代 GPU 并不现实——逐 Token 生成卡在显存带宽，频繁 ADC/DAC 往返只会得不偿失。光计算真正的战略支点在于两条非对称路径：一是切入长上下文与 Agent 时代愈发吃重的 Prefill 大矩阵计算（如 Lumai 与 Neurophos）；二是像 Optalysys 那样把硅光被动计算嵌进数据中心光互联链路，在多卡聚合“在途时间”顺便把算力白嫖掉。光电异构协同才是务实终局。

## 常见问题解答 (FAQ)

### 光计算为什么适合AI推理？
因为推理中的矩阵乘法占比高，而光学VMM在权重固定时可把大量乘法转为被动传播，理论上能把能耗从电子计算的平方级增长压到近似线性扩展，特别适合长序列、大矩阵的推理负载。

### 为什么Prefill比Decode更适合光计算？
Prefill是一次性并行处理长Prompt，属于计算密集型阶段，能反复复用同一组权重矩阵；而Decode更受HBM带宽和逐Token自回归限制。光计算擅长高吞吐、低延迟的大矩阵运算，因此更适合Prefill。

### 光计算能直接替代GPU吗？
不能直接替代。文章指出，ADC/DAC编码损耗、Amdahl定律以及制造良率都会限制系统级收益。当前更现实的目标是先在特定推理环节实现10倍到80倍的综合能效提升，而非全面取代GPU。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
