今天几乎所有AI算力都建立在电子芯片之上：电子在晶体管里流动、开关、传递0和1。摩尔定律放缓的底层根源，是电子本身的局限——电子移动会发热、有延迟、存在RC损耗，晶体管越做越小，漏电、散热、信号串扰的问题就越难压制。当大模型对算力需求指数上涨，一部分研究者开始换底层介质：不用电子，改用光子做计算，也就是光子计算（光计算）。
光子计算不是光纤通信。光纤只是用光传递信号，计算依旧交给后端电子芯片；光子计算的核心，是直接利用光的干涉、衍射、相位叠加完成矩阵运算。光子没有质量，在介质中传播速度接近光速，互不干扰，天然具备并行运算能力。 在光芯片上，通过微环谐振器、马赫-曾德尔干涉仪（MZI）调整光束相位。输入一组光信号，经过干涉网络之后，输出的光强分布，就等价于完成了一次矩阵乘法。而Transformer、卷积网络里占绝大多数工作量的，恰恰就是矩阵乘。这也是光子计算和大模型天然契合的地方。
对比电子芯片，它的优势非常鲜明。 第一是极低的计算功耗。光子传播本身不产生焦耳热，只有调制、光电转换环节才会消耗少量电能。对于海量矩阵乘任务，理论能效可以比GPU高出几个数量级，直击当下算力中心电费高、散热压力大的痛点。 第二是超高并行度。不同波长、不同偏振、不同路径的光束可以同时在同一个光波导里传输、运算，不会像电子线路那样互相串扰，空间和波长维度都可以扩容。 第三是延迟极低。光信号传播几乎没有渡越延迟，适合对推理时延要求苛刻的场景，比如实时机器视觉、自动驾驶感知、高速信号处理。
很多人会产生一个误解：光子计算会全面取代GPU。事实上，它是专用加速器，不是通用CPU/GPU。它擅长大规模线性运算（矩阵乘法、傅里叶变换），也就是AI推理这类负载；但非常不擅长分支跳转、复杂逻辑判断、循环控制这类非线性、离散控制任务。 一套实用的光子算力系统，一定是“光+电混合架构”：光子负责吃算力大头的矩阵计算，电子芯片负责调度、控制、非线性激活、存储、纠错。光电协同，而不是纯光替代电子。
但光子计算距离大规模商用，还横亘着几个很难短期突破的硬瓶颈，也是它热度一直局限在实验室和早期原型的原因。 第一个难点：光源、调制器、探测器的噪声与精度问题。光强、相位容易受温度、振动影响而漂移。光子芯片的计算精度很难做到电子芯片那样稳定，现在大多只能做低精度运算。而大模型对数值精度有要求，低精度方案只能适配特定量化后的模型，通用性受限。 第二个难点：光存储很难做。电子可以存在寄存器、缓存里；光子很难长时间留住，光信号一停止传播就消失。光子计算本质上更偏向流式计算，很难实现大容量、随机访问的片上存储，这极大限制了模型加载、权重复用的方式。 第三个难点：封装、耦合良率和成本。光纤、光源和硅光芯片之间的光耦合十分精密，工艺容错窗口很小，良率偏低。硅光代工产线成熟度远不如成熟CMOS产线，量产成本居高不下。
目前产业落地的方向，集中在推理侧加速，而不是训练。训练需要反复回传梯度，对精度、存储的要求更高；推理是前向计算，更适配光子计算的特性。一些初创团队和实验室原型，已经可以跑小型神经网络、图像处理任务；但百亿、千亿参数大模型的光子加速方案，还停留在验证阶段。 除了AI，光子计算还有别的赛道：雷达信号处理、量子计算的光量子线路、高速加密、光学传感。其中硅基光子集成是主流路线，依托成熟的硅晶圆工艺，在硅片上刻光波导，也就是硅光。
它和我们前面聊的神经形态计算、氧化镓一样，属于一条“安静的备选路线”。 现在大家比拼的，是GPU堆卡、显存、FP8算力；光子计算探索另一条底层范式：计算载体从电子切换成光子。它不是马上就能颠覆算力格局的黑科技，但它回答了一个长远问题：当电子走到物理极限之后，我们还能用什么来计算。
算力的进化，不只有把晶体管做更小这一条路。换一种承载信息的粒子，就是光子计算给出的答案。
