光子计算
未来技术用光计算：光子架构以光学方式执行矩阵运算，为 MAC 密集型 AI 与 HPC 负载带来数量级的效率提升。
概览
光子计算在光域执行乘加（MAC）运算——神经网络和许多 HPC 内核的核心——数据以光速移动，每次运算能耗极低。这直接针对电子芯片的能耗与带宽限制。
该技术的成熟度低于电子加速器：它面向特定运算类别而非通用计算，与标准服务器的集成仍在演进。此处将其列为未来技术路线图项目。
关键痛点
能耗墙
电子 MAC 能耗限制了 AI 与 HPC 在功率预算内的扩展程度。
互连延迟
电子数据搬移增加了光学可减少的延迟与能耗。
带宽密度
光链路每物理通道承载的带宽远高于电链路。
扩展限制
晶体管缩放正在放缓；不同的物理基底提供了新的改进维度。
方法与适配
该架构如何应对上述痛点：
光学 MAC
在光中执行矩阵乘加，大幅降低每次运算能耗。
光速传输
数据以光学方式传输，电阻损耗极小，降低互连能耗。
混合集成
光子架构通过 PCIe/CXL 作为协处理器与电子主机集成。
典型工作负载类别：
神经网络推理
矩阵密集型 HPC
光互连
信号处理
边缘 AI
科学计算
路线图
| 阶段 | 战略举措 | 成果 |
|---|---|---|
| 1. 光子审计 | 针对光学架构分析 I/O 延迟与 MAC 瓶颈。 | 识别 MAC 瓶颈。 |
| 2. 内核映射 | 将合适的矩阵内核映射到光子协处理器。 | 候选内核集。 |
| 3. 混合试点 | 在代表性负载上运行电子加光子混合试点。 | 效率测量。 |
| 4. 百亿亿级部署 | 最终 PCIe/CXL 集成到生产 HPC 环境。 | AI 原生研究环境。 |
指标
最高 100 倍
相对电子芯片的潜在效率（厂商目标）
光速
在光域中的数据传输
未来技术
作为前瞻性路线图项目跟踪
限制
- 特定运算类别：光子加速矩阵/MAC 运算，而非通用的控制密集型代码。
- 成熟度早期：相较电子加速器，集成、精度与工具链仍在演进。
- 未来技术视野：数据为厂商目标；生产适配需项目专用评估。
本页评估技术适配性，而非采购决策。