光计算如何走向实际部署？清华、上交提出光计算走向实用化的技术路线图

当晶体管微缩带来的性能收益逐渐放缓，传统电子计算在能耗与数据处理效率上的压力也逐步显现，持续增长的算力需求也开始推动研究者们寻找新的计算路径。

光计算提供了一种全新的思路。通过调控光的振幅、相位、偏振和波长等自由度，可以将信息编码进光场。预先设计的光学结构能够利用干涉、衍射等物理效应，对编码后的光场进行特定变换，从而在光的传播过程中完成相应的计算。

近日，清华大学自动化系戴琼海院士、吴嘉敏副教授团队联合上海交通大学集成电路学院陈一彤助理教授课题组，在实用化光计算领域完成一项研究。相关文章《纳米光子学如何推动光计算走向实际应用》发表于《Nature Nanotechnology》。其中，助理教授陈一彤与博士生杨国强为共同第一作者，戴琼海院士、吴嘉敏副教授为共同通讯作者。

这项研究构建了国际首个以实际应用为主线、贯通光计算主要架构、应用需求与商业化进展的统一评价框架。

面向大规模人工智能模型、边缘计算、逻辑与科学计算等多个应用场景，本项研究全面比较了不同技术路线在计算规模、精度、能效及可编程性方面的优势与局限，并结合代表性商业化系统进展，系统回答了光计算“适合解决哪些问题、如何选择技术架构、走向实用还需要达到什么样的目标”，为光计算从实验室走向实际部署提供了指导。

要使光计算走出实验室演示，成为可制造、可编程、可扩展的可靠计算系统，需要先明确其实用化所需的条件。

为此，研究团队以实际应用场景为参照，将算力、带宽、能效、计算密度和精度等指标纳入统一框架，为光计算成为“即插即用”的算力资源提出量化标准，同时构建了贯通技术工艺与应用需求的双向分析框架。

此前，研究团队已在光计算领域积累了丰富的研究成果。2025 年，团队在《Science》发表研究，提出大规模全光生成式人工智能芯片 LightGen，Nature 专题评述为国际首个全光大规模生成式 AI 芯片，同时实测系统级算力与能效均较国际顶尖芯片提升两个数量级以上。

2023 年，团队在《Nature》发表研究，提出全模拟光电融合计算芯片 ACCEL，国际首次在单芯片上协同突破大规模集成、高效非线性计算和高速光电接口三项关键系统瓶颈。

沿着从图像处理到内容生成的路径，此次工作又将问题推进至如何评价并构建能够实际部署的光计算系统。

图｜论文发表页（来源：Nature Nanotechnology）

要理解这套量化标尺为何必要，首先要了解光计算如何工作。以人工智能中常见的矩阵运算为例，输入信息被编码到光场中，光学器件通过调制光场来输出承载结果信息的光信号。光走过相应路径的同时，便完成了一次矩阵运算。

光计算的优势不仅在于光信号的高速传播，也来自其多维并行处理能力。不同波长和空间通道可同时承载信息并参与运算，从而提升计算吞吐量，支持大规模数据的高速处理，并降低单位运算的能耗。

然而，当前光计算领域的多项突出指标仍分散在不同原型系统中。有的系统强调算力，有的侧重带宽、能效或计算密度，单项性能突破难以直接说明一套系统能否支撑完整应用。

研究指出，造成这一问题的原因在于不同原型面向的任务和评价维度并不相同。即使两套系统都实现了较高算力，它们采用的计算精度、占用的芯片面积和消耗的能量也可能存在明显差异，因而难以仅凭一个数字直接比较。

基于此，团队以实际应用场景为基准，并参照现有电子计算平台的系统水平，将光计算的优势转化为算力、带宽、能效、计算密度和计算精度等具体指标。

相比只关注某个器件或某项峰值性能，这一框架更重视完整系统能否满足真实任务的要求。

表｜面向多场景的实用光计算系统级评价标准（来源：论文数据）

其中，算力表示系统在单位时间内能够完成多少运算，带宽反映其传输和处理数据的能力，能效则用于衡量单位能耗可以支持多少计算。计算密度进一步考察有限芯片面积能够提供的算力，计算精度则关系到运算结果能否满足相应任务需求。

研究团队将这些芯片指标纳入统一框架进行综合检验，并针对数据中心级服务器、消费级处理器和边缘计算处理器划定实用化门槛。

除了将笼统的性能提升诉求转化为明确的工程任务，如何实现这些目标同样关键。为此，团队构建了贯通技术工艺和应用需求的双向分析框架，从现有技术能力与真实应用要求两端展开分析。

首先，由于材料特性、器件损耗和制造能力共同决定了系统可达到的性能边界，因此需要从生产端的技术条件出发，自下而上评估现有工艺可以将光计算推进到何种水平。换句话说，这一路径要回答的是，依靠目前的技术条件，光计算“能够实现什么”。

另一条路径则从大规模 AI 模型、边缘计算和科学计算等应用需求出发，自上而下倒推系统“须具备什么”。即从应用端的需求出发，明确不同场景对规模、精度、能效和数据处理能力的差异化要求，并将这些需求进一步传导至计算架构和器件设计。

图｜纳米技术赋能光计算（来源：论文配图）

两条路径最终在计算架构层面交汇。技术工艺决定系统当前可以达到的能力，应用需求则明确系统需要完成的任务，计算架构在两者之间进行衔接，使光计算的研发目标从宽泛的性能提升转向更具体的系统实现。

例如，研究指出，当器件消光比高于 22 dB，定向耦合器与交叉结构的损耗分别控制在 0.1 dB 和 0.028 dB 以下时，光学矩阵运算规模有望超过 64×64，并进一步扩展。

其中，消光比用于衡量器件区分不同光信号状态的能力。其数值越高，光计算系统的计算精度越高。定向耦合器主要用于光信号的耦合与功率分配，波导交叉结构则使不同光路能够交叉通过。降低这些器件的额外损耗，有助于减轻光信号经过多级器件后的衰减，从而在给定的光功率预算和计算精度要求下，为片上矩阵运算规模的进一步扩展提供支持。

此外，面向大规模 AI 模型，论文指出计算系统还需具备十亿参数级扩展能力，并达到支持图像块处理所需的空间分辨率。这些要求进一步明确了光计算系统在规模和信息处理能力上的发展目标。

这些具体的性能目标意味着，上述框架正在将“提高器件性能”的宽泛要求拆解为可以实践并验证的具体工程任务，为比较不同技术路线及评估实际部署条件提供参考。

未来，光计算需从追求单项性能，转向对可扩展规模、计算精度与系统代价的协同优化，以推动光计算系统真正落地为可部署的、即插即用的下一代算力资源。

参考资料：

1.https://www.nature.com/articles/s41565-026-02264-4

2.https://mp.weixin.qq.com/s/TQKtQ0-kKaPVD1qNQ1MdUg?scene=1&click_id=331850584

3.https://mp.weixin.qq.com/s/9uHyKJ3965nGTrjsVeGKww

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成