（本文作者为 X 研究媛，钛媒体经授权发布）
文 | X 研究媛
一个热闹非凡的领域，聪明人扎堆的地方，往往意味着陷阱。保持耐心持续耕耘，从不被重视、蛰伏等待时机，再取得惊人的回报，最近的例子是英伟达。
早年在英伟达内部视为“ 吃闲饭” 的边缘团队 CUDA，被黄仁勋默许“ 三年又三年” 不赚钱，持续受压，终于等到了 Geoffrey Hinton、Ilya Sutskever 和 Alex Krizhevsky 发明卷积神经网络 AlexNet，在 2012 年 ImageNet 图像识别大赛上一战封神。
在那一年，“ 谷歌猫”（The Cat Neurons 项目） 团队动用了 16000 颗 CPU，却仅获得 74.8% 的识别准确率。与之形成鲜明对比，AlexNet 只用了 4 颗英伟达 GPU，就达到了惊人的 84% 识别准确率，学术界和产业界彻底轰动了。
GPU 从游戏显卡的配角，一跃成为深度学习时代的算力主角。英伟达的市值也从那时起一路狂奔，从百亿美元量级跃升至今天的近三万亿美元。
今天，同样的剧本正在另一个领域悄然上演。
光计算，这个在实验室里沉寂了多年的技术方向，正在大模型推理的算力饥渴中迎来属于自己的“AlexNet 时刻”。2012 年到现在，GPU 接棒 CPU 是深度学习训练阶段的算力革命，接下来光计算接棒 GPU，很可能就是大模型推理阶段的能效革命。
Transformer 架构自 2017 年诞生以来，大模型的参数量从亿级膨胀到万亿级，推理时每个 Token 的生成都需要海量的矩阵乘法运算。而光计算，恰好在矩阵乘法和低功耗这两个维度上拥有天然的优势。它不是电计算的简单升级，而是一种计算范式的根本性重构—— 用光子替代电子，用光速替代电子漂移速度，用光场并行替代串行开关，已被验证在 AI 矩阵计算中速度提升 8 倍、百倍乃至千倍。
技术发展的历史从不重复。当旧的计算范式逼近物理极限时，新的范式就会在边缘处生长，直到需求爆发的那一天，它便成为主流。
光计算的这一天，可能正在到来。
AI 时代，电计算并非 「AI Native」
2017 年，一篇发表在 《Nature Photonics》 上的论文，同样在一个小圈子引发轰动。
Lightmatter 创始人 Nicholas Harris 在这篇后来被广泛引用的论文中，验证了一个关键假设：利用光子进行矩阵计算是可行的。这篇以“ 由纳米光学回路实现的深度学习” 为主题的论文，其核心贡献不在于立刻做出商用品，而在于第一次把“ 光子计算” 从概念推进到可验证的工程路线。
这条路线包含两个层面的验证：一是硬件上，光学干涉网络可以承担可编程矩阵运算；二是算法上，可以围绕光学硬件的特点重构神经网络计算流程，尽量减少不适合光计算的部分。
为什么光计算天生适合 AI？
深度学习的核心操作矩阵乘法 y=Wx，本质是每个输出分量都是输入分量按权重加权后求和。在电子芯片里，这需要一个个开关不断地搬运和累加数字；而在光路里，输入向量被编码成各个波导中的光场幅度和相位，通过马赫-曾德尔干涉仪 （MZI） 网络把这些光场按权重重新分配，最后在输出端通过干涉和探测完成“ 求和”。
一个标准 MZI 由两个 50:50 分束器和中间两臂的相位调制器组成，本质上是一个可调的 2x2 线性变换单元。单个 MZI 只能实现低维变换，但把很多 MZI 按特定拓扑级联起来，就能拼成高维矩阵网络。
真实光计算运行，假设有 4 路输入光信号，目标是做一个 4x4 线性变换，做法是把 4 路光分别送入一个由多个 MZI 构成的网格，每个 MZI 调成某个耦合比，经过若干级之后，4 个输出端口的光强就对应矩阵乘法的结果。
光学网络做的不是逐项数字计算，而是利用波动叠加自然完成线性代数计算过程。
光计算的优势直观且清晰：低延迟，因为光传播速度极快；低功耗，因为不需要像电子芯片那样大量进行电荷搬运和开关翻转；对矩阵乘法天然友好，尤其适合大规模线性运算。
但要把这些优势从实验室带到真实世界，不同的公司选择了不同的技术路线。美国的 Lightmatter 和中国的光本位科技“ 两个代表”—— 其中，Lightmatter 是 MZI 路线代表，光本位科技走光子存内计算路线。
Lightmatter 选择 MZI 路线。MZI 的优势在于可重构—— 通过热光或电光效应精确调控光信号的相位和振幅，级联构成复杂的干涉网络，实现任意酉矩阵的映射。这种架构适合构建可编程、高精度的光学神经网络和线性运算单元。
Lightmatter 的核心产品 Passage 是全球首款 3D 堆叠硅光子引擎，能为 XPU（如 GPU、TPU） 与交换机提供前所未有的带宽密度和能源效率。
2026 年，Lightmatter 推出了 Passage L20 光学引擎，这是一款 6.4 Tb/s 的 3D 堆叠光学引擎，预计 2026 年下半年开始量产。此外，Lightmatter 还计划推出 L200 系列，由 GlobalFoundries 和 Amkor 生产，利用 GF Fotonix 硅光子平台将光子组件与 CMOS 逻辑集成到单一晶粒上。
但 MZI 路线的问题在于：它依赖热调谐、反馈校准和温度补偿来维持光学状态的稳定。这意味着持续的功耗和控制开销。传统硅光波导器件的易失性调谐方式需要持续功率供给维持光学状态，存在静态功耗高、权重单元尺寸大、算力密度低等问题，严重制约了光计算网络的规模提升。
来自中国的光本位科技开辟了另一条路。
2022 年，两个未满 30 岁的年轻人熊胤江和程唐盛，像很多熟悉的故事那样，做了一系列在外人看来近乎疯狂的决定。熊胤江关掉了在美国的公司，程唐盛暂停了牛津大学的博士学业，两人在某个关键时间节点双双回国，创办了“ 光本位” 公司。
熊胤江是芝加哥大学硕士，有多年大模型算法与 AI Agent 的工程化实战经验。程唐盛曾师从全球“ 相变材料光计算” 第一人、英国皇家工程院院士 Harish Bhaskaran。
促使他们创业的动机，是他们共同看到了一个正在逼近的拐点——AI 需求的爆发就在眼前，而光计算芯片，或许能够真正突破摩尔定律，解决算力焦虑。
在最近的公开采访中，熊胤江和程唐盛说了一句耐人寻味的话：“ 特别不喜欢在人扎堆的地方去做一件事情。我们可能会天然地觉得那是一个陷阱。在一个事情最热的时候，我们是不敢去做它的，但相反，当我们有一些可能只有我们自己知道的一些 advantage，在这个领域还没有起来，或者没有完全爆发的时候，才是去耕耘的时机。”
这种对 timing 的判断，贯穿了光本位的整个发展历程。
2017 年，光计算奠基论文的横空出世虽然引发关注，但彼时国内外 Fab 制造、封装工艺等产业链环节尚未成熟，商业化落地难以推进。到 2022 年，AI 爆发加上整体产业链逐渐走向成熟，恰恰需要设计公司下场，主动向前一步，通过需求牵引推动产业链加速迭代。光本位选择在此时入场。
放眼行业，大多数光计算方案与电计算相比，离真正可大规模、可通用、可稳定部署还有一定差距。
其中最突出的问题有两个：一是存储与计算仍然分离，AI 推理时模型参数需要从外部存储频繁搬运到计算单元，存储带宽成为整个系统的瓶颈；二是规模化集成困难，受限于硅光平台在芯片尺寸、翘曲变形和互连密度上的物理约束，传统光计算方案扩展算力规模并不容易。
光本位科技的突破，正是从这两道门槛切入的。
光本位科技是目前全球唯一一家同时实现了光子存内计算和玻璃基光计算的公司。光子存内计算对 AI 推理有极大增益—— 大模型参数可以直接存储在芯片内部，彻底省去了存储与计算之间频繁搬运数据的环节，计算延迟降至传统光计算方案的十分之一。
基于存内计算的技术路线，光本位科技研制出了全球最大算力密度的光计算芯片。该芯片已多次流片验证，并实现“ 开箱即用”，成为真正打通行业链条与计算前后端的产品级应用。光本位在 2025 年已推出第一代光电融合计算卡，第二代计划于 2026 年内推出。
在已有的基础上，光本位同时在推进一条更具颠覆性的技术路径—— 选择用玻璃替代硅作为光计算芯片的衬底，将玻璃同时作为光路载体、封装基底和大尺寸可制造平台。这种模式为大规模光互连和光计算原生设计了一个更适合扩展的基底平台，从根本上突破了硅光平台在尺寸、翘曲和互连上的限制。
与技术公司的常规节奏相比，光本位的产品化进程速度快得惊人。公司成立后，快速完成 16×16、25×25 等矩阵规模的迭代，2023 年做到了 64×64 矩阵规模的流片。2024 年 6 月，光本位实现了全球首颗算力密度和算力精度达到商用标准的光计算芯片流片，矩阵规模为 128×128，打破了行业内维持三年的矩阵规模天花板 64×64。
2025 年，光本位基于 128×128 光计算芯片的第一代光电融合计算卡已获得垂类大模型公司的大额订单，并完成了金融领域大模型部署—— 这是全球同类计算卡在大模型场景的首次落地。
Lightmatter 和光本位，两条光计算路线，两种未来预判。Lightmatter 追求“AI 计算可重构、可编程的灵活通用”，光本位追求“ 更低功耗、AI 推理存算一体的专用性”。而在一个特定的场景中，光本位更强调高效低功耗的 AI 推理计算，优势进一步被放大—— 那就是太空。
AI 算力上天，光计算在太空中“ 接棒”GPU
2026 年 6 月 12 日，SpaceX 正式登陆纳斯达克。发行价 135 美元，募资 750 亿美元，一举刷新了全球 IPO 的历史纪录—— 超过了沙特阿美 2019 年 294 亿美元的募资规模。对应估值约 1.77 万亿美元。
市场正为一个极具扩张性的叙事买单。
SpaceX 计划部署至多 100 万颗 AI 算力卫星，马斯克的预测极具野心：2027 年底前实现每年 1 吉瓦 （GW） 太空 AI 算力的年化部署率，并寻求每年以数量级的速度扩展，最终达到 1 太瓦 （TW） 的算力规模。1 吉瓦约等于一台大型核反应堆机组的容量。而 1 太瓦—— 届时，太空中的 AI 算力将超过地球上的总和。
同样看好“ 算力上天” 还有英伟达。2026 年 GTC 大会，黄仁勋宣布推出 Space-1 Vera Rubin 模组，这是专门为轨道数据中心设计的产品。相较于 H100 GPU，该模块中的 Rubin GPU 在基于太空的推理方面实现了高达 25 倍的 AI 算力提升。黄仁勋在发布会上表示：“ 太空计算，这个最后的疆域，已经到来。任何生成数据的地方必须有智能存在。”
为什么是太空？马斯克算过一笔清醒的账—— 芯片、存储和能源。太空可以高效率、全天候地接收太阳光并转化为电能，意味着接近零电费的“ 无限能源”，太空环境同时本身接近绝对零度，有“ 天然散热” 的优势，自家“ 星舰” 还有超低发射成本。
马斯克明确表态，在太空中建立数据中心并不需要尚未发明的“ 魔法”，其面临的技术挑战甚至低于现有的星链业务。AI1 卫星的设计思路沿用了 Starlink V3 卫星平台，去除相控阵通信天线，加装巨型太阳能板、双面散热器和可互换的 AI 芯片载荷。
但真正大规模发展太空计算，这条道路并不平坦。
真空散热的物理极限、数据延迟的固有缺陷、在轨维护的几乎不可能，都是需要正视的现实。散热问题即便在英伟达看来，也是太空数据中心最大的技术壁垒—— 在地球上主要靠传导和对流散热，在真空中只能依赖辐射，这意味着需要极其庞大的散热表面积，系统设计极为复杂。地面服务器坏了换个硬件就行，太空中的服务器一旦被宇宙射线击穿或硬件老化，几乎只能坐等它报废坠毁。
太空 AI 算力的竞争，美国拥有两条优势线：一是星舰和猎鹰 9 号带来的运力成本优势；二是英伟达等企业的先进制程芯片和抗辐射技术路径。
如果中国按常规路线堆砌传统逻辑电路芯片，在成本和时间上都将极为被动。而如果从更长远的计算范式的重构—— 芯片路线的选择，比如光计算芯片，诸多特性人眼前一亮，它简直专门为太空“ 原生定制” 的 AI 芯片。
对于后发的中国来说，光计算芯片的出现，有直接改写游戏规则的潜力。光计算之所以在太空场景中具备战略意义，不是单纯意义上计算“ 更快”，而是整体更匹配适应太空物理约束。
中国光计算的路已经铺开。2025 年 5 月 14 日，我国在酒泉卫星发射中心使用长征二号丁运载火箭，成功将太空计算卫星星座发射升空。这是“ 星算” 计划首发星座，由国星宇航研制的 12 颗卫星组成，搭载之江实验室以“ 三体计算星座” 标准研制的核心关键载荷。
2025 年 11 月，国星宇航成功将 Qwen3 大模型部署至“ 星算” 计划 01 组太空计算中心。千问大模型在太空中成功执行多次端到端推理任务，问题从地面上传至卫星，由大模型完成在轨推理，并将结果数据回传地面，全流程耗时不到 2 分钟。
2026 年 5 月，上海东方天算科技有限公司与光本位科技宣布联合建设天基光计算创新中心，启动全球首颗天基光计算卫星的联合研制工作。这颗卫星以光子为计算和传输载体，可支撑在轨 AI 推理、星上大模型运行和万亿级硅基智能体协同服务。
光本位科技的光电融合计算卡目前单卡算力可达 300 TOPS，支持多精度推理。东方天算联合上海交通大学、阿里云、光本位科技、沐曦股份等 20 余家单位，聚焦抗辐照计算芯片、空间新型能源、先进载荷、高效热控、太空计算云平台、星间激光组网、在轨智能服务七大核心技术。
目前，光计算芯片的太空先期验证已经完成，东方天算已打通从载荷研制、系统集成、卫星总装到在轨验证的全链条能力。
从地面到太空，再从太空回到地面
表面上，光本位科技与东方天算联合研制的全球首颗天基光计算卫星，是验证一颗光计算芯片能否在太空正常运行，但实操上，需要更加深谋和远虑。
它需要推动光计算载荷与星上能源、热控、通信等各个子系统之间形成完整的系统级验证，把天基计从一条技术路线，真正推进到一条可验证、可迭代的工程路线。
卫星送上天之后，这套技术底座将支撑在轨 AI 推理、星上大模型运行等场景，并通过与星间激光通信的协同，实现星内、星间的高效数据交互，为分布式天基算力网络的构建提供算力支撑。
以及，光计算还需要自己更长远的目标和更庞大的生态配套。与美国同行 Lightmatter 同时发现一个赛道，同时” 起跑”，光本位意识到，从材料、封装到光芯片、电芯片，从计算节点到节点互联、再到完整软件栈的全套光计算系统—— 给客户提供基于实际需求的光算、光联、光传灵活组合的解决方案，这才是关键胜负处。
熊胤江对此有一个清晰的判断：“ 光替代电，在计算、通信、传感等层面将成为必然趋势。芯片与芯片之间的互联，从铜缆走向光互联，我判断大概三年内就会成为主流。而光计算的难度更大，我们力争在三年内实现大规模落地。从整体计算系统来看，我判断不到十年的时间周期，就会完成计算系统方面的‘ 光进铜退’，具备万亿级别规模的市场潜力。”
一旦在太空证明了光计算的高可靠性、高能效比与低成本优势，其成熟版本会回流到地面场景—— 基于大模型推理的各种场景、Token 工厂、Agentic AI，都将受益。
从这个角度看，“ 太空算力” 的角力，不仅关乎谁先建成轨道数据中心，更关乎技术路线的选择和切换。一边是延续电气时代的极致优化，一边是在光子层面重构基础逻辑。
两条路线的碰撞，将深刻影响未来全球科技产业格局。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App