光子芯片迎来新突破，有望打破AI“能源魔咒”？

本文来自微信公众号： 环球零碳 ，编辑：小澜，作者：环球零碳研究中心，原文标题：《光子芯片迎来新突破！有望打破AI“能源魔咒”？》

刚进入2026年，硅光技术就迎来多个高光时刻。

3月初，英伟达豪掷40亿美元，向Lumentum、Coherent两大全球光通信巨头分别投资20亿美元，直接锁定两家公司未来3年的高端光芯片、光组件全部产能。

与此同时，光计算芯片与光神经网络相关科研成果正在全球各地实现多点开花，为更高速、更高能效的生成式智能计算提供新的研究方向。

在AI爆发式增长、功耗以前所未有速度攀升的背景下，光子芯片被认为正是破解AI能耗墙的希望所在。

光子芯片用“光”代替“电”作为信息载体，有望从根本上重塑数据中心的能耗格局。

要理解光子芯片为何能降低功耗，首先要看传统芯片的问题出在哪。

传统计算机芯片通过推动带电粒子（电子）来处理信息。这个过程本身就会产生电阻，从而产生大量热量。

为了确保芯片稳定运行，数据中心需要投入巨额的电力用于散热，建设风扇、空调、液冷系统。

当数据以“光速”增长，电子芯片却因物理瓶颈难以提速，且产生的巨大热量让电力消耗和冷却成本水涨船高。

而光子芯片则是利用光子来进行计算或数据传输。光子以光速运动，没有静止质量，因此在介质中运动时几乎不产生热量。

目前，光子技术在数据中心的应用主要体现在两个层面：互联与计算。

在传输互联方面，数据中心内部服务器之间的短距离互联传统上依赖铜缆。但随着传输速率的持续迈进，铜缆的能耗急剧攀升。

因此，产业链正在加速转向光互连替代方案，据集邦咨询最新调查，MicroLED（微发光二极管）硅光子技术传输能耗仅为铜缆方案的5%，降幅接近95%。

而在计算方面，光子芯片在光子神经网络中的应用则是最前沿的突破。

悉尼大学的研究人员最近开发出一种超紧凑型人工智能芯片，该芯片使用光子而不是电子进行计算——这使得计算能够以光速进行，同时可能比传统硬件消耗更少的能量。

据报道，这种超小型光子芯片，其计算密度高达每平方毫米约4亿个参数。

构成芯片神经网络的纳米结构直径仅为几十微米——大约相当于一根头发丝的宽度。在这微小的空间内，光子结构模拟了机器学习系统中使用的人工神经元的行为。

来源：https://doi.org/10.1038/s41467-026-68648-1

传统的AI加速卡（如GPU）在进行矩阵乘法运算时，需要调动海量的晶体管开关，这是功耗的主要来源。

而光子神经网络则提供了一种颠覆性的思路：利用光的干涉来完成计算。

当光线穿过芯片上错综复杂的纳米结构时，芯片的物理几何结构会自动执行机器学习所需的运算。

由于整个计算过程依赖于光子的物理运动，计算以万亿分之一秒的速度完成，且核心部分不消耗能量。

实验表明，这种基于电光非线性的光子神经网络，能够在对生物医学图像进行精确分类，模拟和实际测试的准确率分别达到90%与99%，同时保证了低功耗和低延迟。

欧盟资助的新型光子计算平台项目“HAETAE”的研究人员指出，通过使用光代替电进行计算，有望实现能效提高十倍的目标。

几乎在同一时间，中国科学家也取得了革命性创新。

西安电子科技大学的研究团队在国际顶级光学期刊《Optica》上发表成果，制造出一套双芯片光子神经形态计算系统，首次在纯光学域内完整实现了强化学习。

过去的光子AI系统，其非线性学习和决策步骤仍需将光信号转换回电信号处理，严重拖累了光计算的速度和能效优势。

而新开发的光子计算芯片克服了光子神经网络的关键局限性，利用纯光过程实现快速学习和决策，无需任何电子参与计算。

该系统由两块芯片协同工作：一块是处理线性计算的光子神经形态处理器；另一块是专门产生非线性光学脉冲的芯片。两者共同构成了一个完整的“光学大脑”。

该研究成果构建了高速、低时延、高能效的光子脉冲强化学习解决方案。

来源：DOI：10.1364/OPTICA.578687

这些突破并非孤立事件，它们处于一个快速发展的产业背景中。

光子芯片不仅可用于计算，在高速光通信、激光雷达、生物传感等领域也有广泛应用。

2026年被业界公认为硅光技术大规模商用的关键转折点。据野村证券研报测算，2026年全球先进光芯片产能同比增长超80%。

或许很快，我们就能实现用光来驱动AI学习，改写人工智能硬件的未来。。

[1]https://interestingengineering.com/energy/photonic-ai-chip-university-sydney

[2]https://www.nature.com/articles/s41467-026-68648-1

[3]https://interestingengineering.com/ai-robotics/light-powered-photonic-chips-ai-learning

[4]https://wallstreetcn.com/articles/3766825

[5]https://isn.xidian.edu.cn/info/1068/12652.htm