夏天的数据中心,最吵的地方不是机房门口,而是每一排机柜的背面。你把手伸进出风口,热风像吹风机一样顶回来;再把耳朵贴近,成千上万台风扇在同时吼。我们总以为 AI 的瓶颈是“算得不够快”,可真正让工程师睡不着觉的,常常是另一件事:电送进去,热拿出来,这门生意越来越像一场没有尽头的搬家。

于是,一个七十多年前的老想法又被翻了出来:既然电子在芯片里跑得又热又累,能不能让光来算?

这不是科幻。用光做矩阵乘法,理论上可以把最耗电的那一步,变成光穿过一块透明板。可问题也在这儿:光算得越快,越要有人把它翻译成电。光计算真正卡住的地方,往往不是光,而是光与电之间那道收费站。

01 一束光,怎么替芯片做乘法?

先把 AI 推理这件事拆小一点。

今天的大模型,不管是回答问题还是生成图片,底层都在反复做一件事:矩阵乘向量。你可以把它想成一张巨大的表格,去乘一列数字。表格有 N 行 N 列,向量有 N 个元素,乘一次要做 N² 次乘法。N 等于一千,就是一百万次;N 等于一万,就是一亿次。GPU 就是把这一亿次乘法拆给几千个核心同时干。

1978 年,光学计算先驱 Joseph W. Goodman 和同事提出过一个很聪明的办法:不用电子开关,让光直接穿过一张“印着矩阵的透明板”。

具体是这样:左边一排发光二极管,把向量的每个数字编码成光的亮度。数字大,灯就亮;数字小,灯就暗。第一片柱面透镜把这一排光点垂直展开,复制成 N 条平行的光带。中间放一块 N×N 的透明掩膜板,板上每个格子的透光率对应矩阵里的一个数。光穿过格子,亮度就被乘了一次。右边第二片柱面透镜再把每一行的光会聚到一起,完成加法。最后一排光电探测器读出来的,就是结果向量。

你可以把它想成一张透明的账本:光每穿过一个格子,就被打一次折;所有折扣走完,账自然就加好了。整个乘法过程没有晶体管在开关,只有光在穿过。

打开网易新闻 查看精彩图片

这就是光计算最诱人的地方。电子做一次乘法,要充放电、要发热;光穿过掩膜,只要掩膜不变,几乎不额外耗能。矩阵越大,这种“白嫖”的乘法越多。理论上,电子芯片的能耗随 N² 涨,光计算只随 N 涨。账面上,光像是来掀桌子的。

02 账一翻开,问题就来了

2022 年,康奈尔大学 Peter McMahon 团队做出过一个光学神经网络,单次乘法能耗低于一个光子,大约 2.5×10⁻¹⁹ 焦耳。作为对比,普通计算机做一次乘法,大约要 10⁻¹⁴ 到 10⁻¹² 焦耳。粗略一算,差了十万倍。

听到这儿,很容易热血上头:那还等什么,赶紧把 GPU 换掉啊。

但 McMahon 自己先泼了一盆冷水:这个数,没算“把数字编码成光”的成本。

这就像你发现一辆卡车拉货几乎不要钱,可每次装货、卸货都要雇一队人。货越多,卡车越划算;货太少,装卸费比运费还贵。光计算也是一样。电子乘法一次可能只要 1 皮焦耳,而把一个数字编码成光,可能要 1000 皮焦耳。只要向量长度 N 小于 1000,电子芯片仍然赢得毫不费力。

所以关键不是“光快不快”,而是“系统要多大,光才开始划算”。McMahon 给过一个很粗的答案:N 大约在 1000 到 10000 之间,才是光计算开始翻盘的区间。

这还只是第一笔账。AI 推理不是只有矩阵乘法。矩阵乘完,还要做非线性激活、归一化、注意力掩码、数据搬运。Amdahl 定律在这里照样适用:你把 90% 的计算加速了,剩下 10% 不快,整体最多也就快 10 倍。光计算公司今天给自己定的目标,大多也只是比现在的 GPU 省 10 到 80 倍,不是一上来就取代英伟达。

光计算不是把电子赶下牌桌,而是想替电子分担最重的那一段。

03 三条路线,各自卡在不同的关口

现在做光计算的公司,大致分三条路。

第一条是自由空间光学。Lumai 把光直接打在空气中,用空间光调制器代替 Goodman 那块固定掩膜。空间光调制器像一块很精密的液晶屏,可以逐像素改变光的强度和相位。Lumai 的说法是,一次完整的矩阵乘向量,可以在一个光学周期里完成;它面向的是 AI 推理里最吃算力的 prefill 阶段,也就是模型先把你输入的那一大段话整体读一遍的阶段。它给出的目标是,下一代 Iris Aura 服务器做 prefill 的能耗,大约是 GPU 的十分之一。

第二条是集成光子学。Lightelligence、Q.ANT 这些公司把光路做进硅芯片里,用波导、分束器、马赫-曾德尔干涉仪来分光、移相、干涉。好处是能借用半导体产线,坏处是光在芯片里跑,最怕损耗、怕热漂、怕封装。Q.ANT 的 CEO 说得很直白:自由空间光学一年能做一千台就不错了,因为镜头要装、要调、要检;集成光子电路才更像能大规模量产的东西。

第三条是 metamaterial 加芯片。Neurophos 在奥斯汀做了一种比波长还小的超材料调制器,把 1000×1000 的调制阵列塞进边长 5 毫米的芯片里。它的说法是,调制速度比普通液晶空间光调制器快一万倍以上,目标是做到 Blackwell B200 的 50 倍速度、35 倍能效,后续再往 250 倍速度、90 倍能效走。它强调自己的工艺和 CMOS 兼容,计划 2028 年给客户交付机架。

还有一条更“务实”的路:不去正面替代 GPU,而是把光计算塞进数据中心本来就有的光网络里。Optalysys 就在做这件事,让数据在光模块里传输的时候,顺手把傅里叶变换这类运算做掉。它的思路很像在高速公路边上开一个服务区:车不用下高速,货已经卸了一半。

你看,三条路线听起来都很美,但卡点完全不同:自由空间卡在组装和对准,集成光子卡在损耗和封装,超材料卡在产能和良率,光网络卡在生态和软件。光计算不是一个“材料一换就赢”的故事,而是一整套系统工程。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

04 它真正要救的,不是速度,是电费

2022 年,全球光计算公司的市场估值大约 4 亿美元;到 2026 年,这个数字已经到了 22.2 亿美元。四年翻五倍多,背后推手只有一个:AI 推理的功耗,已经把数据中心逼到了墙角。

但我不觉得光计算会像很多人想象的那样,把 GPU 一把推下桌子。更可能的画面是:以后的数据中心里,电和光分工。光负责大矩阵乘法这种“又重又规整”的活,电子负责非线性、缓存、控制、调度。就像一家工厂,光是大吨位的传送带,电是灵活的机械手。传送带再快,也得有人上料、下料、质检。

这也解释了为什么光计算公司都在盯着 prefill。prefill 阶段要把用户输入的一大段上下文,反复乘过同一组矩阵,矩阵大、规整、可预测,正好是光的舒适区。到了 decode 阶段,每生成一个 token 都要把巨大的权重矩阵从内存里搬出来,瓶颈变成内存带宽,光再快也只能干瞪眼。

所以光计算的第一场胜仗,大概率不是“取代 GPU”,而是“把 GPU 从最耗电的那一段里解放出来”。

打开网易新闻 查看精彩图片

七十多年来,光计算一直被当成“下一代计算”的候选,却总在离量产只差一步的地方停下。今天这波 AI 算力潮,确实又把它推到了牌桌中央。

但真正被救回来的,可能不是光,而是我们对算力账本的理解:不是每一次乘法都值得用晶体管去做,也不是每一束光都必须马上变成电。当光的归光,电的归电,数据中心那排滚烫的风扇,或许才有机会喘一口气。

至于光计算什么时候能真正普及,我的判断很朴素:等它不再被问“能不能取代 GPU”,而是被问“这块光模块插哪一槽”的时候,它就真的成了。