为什么用光

一、带宽高。 光的不同波长可以并行传输而互不干扰（波分复用），信息承载能力极高。

二、延迟低。 光在介质中的传播速度快，且没有 RC 延迟——电信号在金属互连线中传播会受电阻电容影响，产生延迟和信号完整性问题。

三、功耗低。 光子器件在某些运算中，特别是长距离数据传输，能耗远低于电子器件。

四、无电磁干扰。

光计算的原理

光有一些天然的数学特性，可以用来做计算：

干涉与衍射：光波的叠加天然实现了加减运算。两束光相遇，振幅相加（相长干涉）或相消（相消干涉）。

透镜的傅里叶变换：一个凸透镜对光场的作用，在数学上等价于傅里叶变换——而且是"免费"的，光通过透镜的瞬间就完成了，不消耗能量（除了极小的吸收）。

这在信号处理中非常有价值：傅里叶变换是数字信号处理的基础运算，用电子方式计算需要大量乘加操作，而光学方式几乎零成本。

马赫—曾德尔干涉仪（MZI）：通过调节光在两条臂中的相位差，可以实现任意的 2×2 酉矩阵变换。多个 MZI 级联，理论上可以实现任意矩阵运算——这正是神经网络计算的核心。

两种应用形态

一、光互连（更成熟）

不做计算，只做数据传输：用光来连接芯片之间、板卡之间、机架之间的通信。

这是目前最接近大规模商用的方向。前文提到的"8 英寸光芯片晶圆规模化量产验证"，就属于这个范畴。

数据中心内部大量的能耗和延迟，来自芯片间的数据搬运。用光互连替代电互连，能显著降低这部分开销。

二、光计算（更前沿）

用光直接完成矩阵运算等计算任务。

优势：在特定的线性运算上，速度和能效可能远超电子芯片。

挑战：

  • 非线性运算难实现。神经网络需要激活函数（ReLU、Sigmoid 等非线性变换），而光学器件天然是线性的。实现非线性要么转回电域（损失优势），要么用复杂的非线性光学效应（效率低）；
  • 集成度。光子器件的尺寸受衍射极限限制——光的波长是几百纳米，器件尺寸难以做到电子器件那样小；
  • 光源与探测器。需要高效的光源、调制器和光电探测器，且要与 CMOS 工艺兼容；
  • 精度。模拟光学计算的精度受噪声和器件误差限制。

一个务实的判断

短期内，光子技术最现实的价值是互连而非计算。

随着 AI 集群规模扩大，芯片间通信的能耗和延迟占比越来越高——光互连在这一点上的优势是实打实的。

说明：本文为光电子技术的公开知识整理。