# 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

- Link: https://paooo.com/aigc-news/42692/
- Published: 2026-11-18T17:07:33+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

![AI 推理能耗瓶颈推动光计算重获产业关注：集成光子微芯片与电路特写](https://paooo.
com/wp-content/uploads/2026/11/paooo-evaoo-1118-1700-1794992824736-8441.avif)

## 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。

阅读目录

 * [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](https://paooo.com/aigc-news/42692/#%e4%b8%80-%e6%8e%a8%e7%90%86%e5%8a%9f%e8%80%97%e5%a2%99%e5%80%92%e9%80%bc%e7%ae%97%e5%8a%9b%e9%9d%a9%e5%91%bdon%c2%b2-%e7%94%b5%e5%ad%90%e5%bc%80%e9%94%80%e4%b8%8e-on-%e5%85%89%e5%ad%a6%e7%bc%a9)
 * [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](https://paooo.com/aigc-news/42692/#%e4%ba%8c-%e4%bb%8e%e5%8d%81%e4%b8%87%e5%80%8d%e5%b9%bb%e8%a7%89%e5%9b%9e%e5%bd%92%e5%b7%a5%e7%a8%8b%e7%8e%b0%e5%ae%9e%e7%bc%96%e7%a0%81%e9%97%a8%e6%a7%9bamdahl-%e5%ae%9a%e5%be%8b%e4%b8%8e-prefill)
 * [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](https://paooo.com/aigc-news/42692/#%e4%b8%89-%e8%87%aa%e7%94%b1%e7%a9%ba%e9%97%b4%e5%85%89%e5%ad%a6-vs-%e7%89%87%e4%b8%8a%e7%a1%85%e5%85%89%e5%b9%b2%e6%b6%89-vs-%e8%b6%85%e8%b6%8a%e7%9f%a9%e9%98%b5%e8%ae%a1%e7%ae%97%e4%ba%94%e5%a4%a7)
 * [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](https://paooo.com/aigc-news/42692/#%e5%9b%9b-%e9%87%8f%e4%ba%a7%e8%89%af%e7%8e%87%e5%8d%9a%e5%bc%88%e4%b8%8e%e9%9d%9e%e4%bc%a0%e7%bb%9f%e7%ae%97%e5%ad%90%e7%aa%81%e5%9b%b4%e7%a1%85%e5%85%89%e5%88%b6%e9%80%a0%e5%8a%9b%e5%8e%8b%e9%95%9c)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/42692/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

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 _N_^(2) 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(N^(2))** 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。

![AI 推理核心算子：权重矩阵 W 与输入向量 V 相乘生成输出向量 Y 示意](https://paooo.
com/wp-content/uploads/2026/11/paooo-evaoo-1118-1700-fig1-1794992833023-5654.avif)

## 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](https://paooo.com/ai-study/)
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](https://paooo.com/trends/)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。

![自由空间光学矢量-矩阵乘法架构：光源编码、柱面透镜扩展、空间衰减器阵列与光电探测
器求和](https://paooo.com/wp-content/uploads/2026/11/paooo-evaoo-1118-1700-fig2-
1794992836864-6098.avif)

## 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：

![Neurophos 基于微米级超材料调制器的光计算微芯片显微探针实拍](https://paooo.com/
wp-content/uploads/2026/11/paooo-evaoo-1118-1700-fig3-1794992840988-6053.avif)

  |  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。

![片上集成光子马赫-曾德尔干涉仪（MZI）波导脉冲相移计算原理图](https://paooo.com/
wp-content/uploads/2026/11/paooo-evaoo-1118-1700-fig4-1794992847811-5968.avif)

#### 📝 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。

🔬 语宙深潜追问 · 进阶实操拆解

Prefill光计算最该先优化什么？

优先盯住矩阵乘法吞吐、ADC/DAC开销和数据搬运路径。若只提升光学乘法而忽略电光转换与
缓存调度，整体收益会被阿姆达尔定律迅速稀释，难以形成可量产的系统级优势。

硅光路线落地最大卡点在哪？

核心是制造良率、器件一致性和系统级校准成本。硅光在实验室里可做出很高能效，但一旦
进入大规模推理卡，封装、对准、温漂补偿和测试成本会决定它能否真正替代GPU部分工作负载。

🗳️ 读者观点微投票 · 您的实战立场是？

光计算真能先吃下Prefill推理吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

 * [以全国产算力击穿推理成本底线！科大讯飞重磅发布星火 X2.6：293B-A30B MoE 稀疏底座、四层 KV Cache 协同与端云一体架构全景深度拆解](https://paooo.com/trends/40371/)
 * [单集群算力抵人类全员计算200年！我国首个全国产十万卡超集群“曙光 8000”真机公开：解密“超算+智算”原生融合新架构](https://paooo.com/aigc-news/40174/)
 * [机架延迟降4%且可靠性飙升15倍！Lambda超万卡GB300集群全面部署NVIDIA Photonics CPO交换机：36°C液冷光引擎、去Retimer与可替换光源全景拆解](https://paooo.com/aigc-news/42511/)
 * [10500 张 GB300 跑满 1 亿次 Rollout！Reflection AI 开源 501B 巨兽 Beam：每 Token 仅激活 23B，以 1/4 推理算力战平 GLM-5.2 与百万上下文实测](https://paooo.com/aigc-news/40161/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/42692/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
