从光子矩阵计算到可部署 AI 加速器

Sluke简版 | 2026 年 8 月
覆盖范围：光计算/光电混合芯片/板卡系统/软件栈/商业化路径

注：企业性能数据无第三方复现时按企业口径记录。市场预测仅供参考，不构成投资建议。

一、执行摘要

一句话投资观点

AI能耗、带宽、延迟挤压创造机会。可投价值=能把光子矩阵计算转化为整机成本优势的团队。胜负手：光电协同芯片、内存系统、封装量产、编译工具链、模型适配、客户共研。

五个必须验证的问题

1. 光核优势能否覆盖读取/调制/探测/模数转换/存储访问/后处理全部开销？
2. 真实模型上能否持续提供更高 tokens/s/W、更低单位Token成本、可接受精度损失？
3. 能否从评估卡/科研设备进入标准化板卡/服务器采购？
4. PyTorch/ONNX/JAX算子能否自动映射到光电混合硬件？
5. 两次流片之间能否维持充足现金？

二、研究边界与定义

研究对象

光电混合算力芯片=光学单元+电子单元同系统配置。

• 光学单元：矩阵乘法/卷积/傅里叶变换等线性运算
• 电子单元：控制/存储/非线性激活/归一化/逻辑分支/误差补偿/高精度运算

四层产品覆盖

相邻赛道关系

核心架构

flowchart TB
    A[模型与算子] --> B[编译器与运行时]
    B --> C[电子控制/内存/非线性计算]
    C --> D[调制器与光子矩阵阵列]
    D --> E[探测/转换/电子后处理]
    E --> C

物理分工决定架构：线性代数用光干涉/衍射/并行传播；存储/分支/高精度逻辑仍用电子。商业产品必须围绕这项分工优化完整数据路径。

三、为什么AI时代重新看重光计算

AI 加速器三类约束

GEMM和矩阵向量乘占训练推理主要算子。光学系统可通过干涉阵列/波分复用/空间并行/非易失权重数组完成。2017年相干纳米光子神经网络奠定路径。2025年《Nature》PACE工作展示16,000+光子器件、1GHz频率、~3ns周期延迟——跨过基础可行性阶段。（Nature 2025）

物理优势需系统折算

单次光学传播时间只是整机延迟的一部分：

$$T_{system}=T_{memory}+T_{encode}+T_{optical}+T_{detect}+T_{convert}+T_{electronic}+T_{communication}$$

整机能耗同样多部分组成：

$$E_{system}=E_{laser}+E_{DAC/modulator}+E_{photonic}+E_{detector/ADC}+E_{memory}+E_{control}$$

$T_{optical}$ 与 $E_{photonic}$ 有显著优势；ADC/DAC/激光器/存储/后处理消耗大部分能量。已有研究指出读入读出限制整体性能。（Nat Commun 2024）

两个折算率决定投资判断

• 光核→芯片：理论算力在封装内能兑现多少？
• 芯片→任务：峰值能力转化为真实吞吐/延迟/成本优势多少？

优势区间判断

四、主要技术路线

路线对比速览

共同工程问题

精度。散粒噪声/器件偏差/相位误差/温漂/串扰影响更大阵列并行度同时扩大误差累积。数字模拟混合方法可用多次低精度组合出更高有效精度，增加时延能耗。2025年研究表明高精度可通过架构设计改善，但需在系统层处理。（Nat Commun 2025）

可编程性。固定权重能效高但市场窄；高度可编程范围广但控制校准成本高。

内存。大模型参数与KV Cache规模远大于单颗光芯片容量。权重进阵列/HBM与光核协同/多个处理器共享状态决定端到端性能。

光电转换。调制器/探测器/TIA/ADC/DAC带宽/位宽/功耗/面积共同决定可实现吞吐。每次矩阵前后都需要高精度转换的话，光核能效优势明显收窄。

封装测试。PIC/EIC/存储/激光器/光纤耦合/电源/热管理同时完成。传统电子测试无法完全覆盖光学器件，晶圆级光电测试/耦合良率/现场可维护性直接影响成本。

五、从光核到产品的技术栈

七层能力分层

护城河形成顺序

器件IP → 光电协同设计 → 封装校准数据 → 编译器算子库 → 客户模型适配 → 量产良率 → 部署运维经验

越靠后越接近客户采购决策，越难通过论文或单次流片复制。

六、大模型场景适配性分析

Prefill vs Decode

曦智科技PACE 3定位于大模型解码，规划256×256光矩阵，支持BF16/FP8/FP4/INT8/INT4，同时配置HBM与片间光网络。目标2027年上半年工程样品。（招股书）

关键问题：Decode阶段主约束常来自内存带宽。光矩阵乘法能否提高整机表现，取决于HBM/参数读取/批处理策略/片间通信。光核延迟不足以单独证明Decode优势。

大模型推理验证指标

优先落地顺序

七、产业发展阶段与商业化信号

三道门槛

四个重要产业信号

1. 曦智公开可审计收入

2025年光计算业务收入2,209.1万元，其中产品销售2,020.4万元。高于2024年，仍低于2023年的3,823.5万元。收入从技术开发服务转向产品销售是积极信号，绝对规模仍是早期水平。（会计师报告）

2. Q.ANT进入真实HPC环境

Native Processing Server已部署于德国LRZ和JSC，并于2026年与IONOS开展商业云合作。企业披露的30倍能效和50倍性能需独立工作负载复现。（官网）

3. 多家早期公司将资源转向互连或交换

Lightmatter当前重点是Passage光互连和Guide光源；Salience Labs聚焦全光交换。这类路线变化说明互连短期客户需求和工程确定性更高，反过来印证通用光计算商业化难度较大。

4. 新架构继续获得大额早期资金

Q.ANT 2025年Series A首轮6,200万欧元，累计约8,000万美元；Neurophos 2026年完成1.1亿美元Series A，计划2028年交付T100 OPU。

八、市场空间与增长节奏

已观察市场

弗若斯特沙利文在曦智招股书中测算：2025年6,370万元，2030年14.616亿元，2031年25.463亿元，2036年347.589亿元。（招股书概要）

使用注意：基期极小导致CAGR虚高；统计口径包含芯片/板卡/系统/服务；来自上市项目引用的顾问数据，独立可复算性有限。

2030年中国情景测算

基于产品化里程碑推演，未将光模块/CPO/OCS计入光计算市场。

一级市场TAM计算方法

对单个项目从可服务工作负载向下测算：

$$SAM = 目标客户数 \times 单客户可部署服务器数 \times ASP \times 渗透率$$

再校正：

$$有效市场 = SAM \times 模型适配率 \times 生产环境通过率 \times 实际利用率$$

早期项目应给出：客户名单、每客户模型、服务器数量、预算归属、采购时间。宏观AI算力规模≠光计算可服务市场。

时间节奏

九、全球竞争格局

主要企业对比

竞争转向系统能力

早期竞争集中在矩阵规模/单次时延/器件数量。进入产品阶段后变量增加：

拥有核心器件技术仍然重要。最终赢家需要在光子/电路/封装/系统/软件/客户应用六个层面形成协同。

十、曦智科技案例：光计算商业化公开样本

产品路线

PACE 2采用PIC与EIC或ASIC的3D封装。招股书披露PACE在特定组合优化核心任务中相对GPU可实现百倍级求解速度，研究系统能效约2.38 TOPS/W，含外部激光器。（招股书业务章节）

注意：2.38 TOPS-W与不同GPU数据精度和测试方法不可直接横比。该数字也说明当前产品价值主要来自特定任务低时延，系统级通用能效仍需提升。

财务与商业化

单位：人民币百万元

数据来源：会计师报告

对早期项目的启示

技术开发服务可以帮助团队接近客户，持续增长需要产品销售占比提升。光计算业务收入可能随产品代际切换出现波动，年度ARR无法完整反映技术进度。

从64×64到128×128再到256×256，需跨越流片/封装/软件/客户验证，资金安排应覆盖至少一个完整产品代际。

曦智同时发展光互连，有助于提供现金收入/客户入口/集群扩展能力。纯光计算创业公司需要设计自己的近期收入来源。

重点关注：客户集中度、长账期和客户供应商重叠。2025年最大客户贡献约40.6%总收入，账期为120至180天。

十一、产业链与中国创业条件

八大环节能力要求

中国的有利条件

AI推理需求大，算力成本与能耗压力明确。硅光/光模块/光通信器件和封装产业链具备较强制造基础。光子器件可使用成熟或特色工艺，部分环节对最先进逻辑制程依赖较低。国产GPU/服务器/智算中心正在寻找差异化系统方案，为联合验证创造场景。多地建设硅光工艺与公共服务平台。政策支持有利于首轮流片和中试，长期竞争还是取决于产品和客户。

中国的约束

高速ADC/DAC/驱动器/TIA/HBM和先进封装仍可能成为系统瓶颈。光子设计自动化/PDK和标准化测试生态成熟度低于电子芯片。早期客户容易以科研/联合开发或一次性项目方式采购，标准产品复购仍需验证。国产算力生态自身分散，适配多个GPU/框架和服务器平台会增加创业公司负担。

十二、商业模式与增长路径

可选商业模式

推荐增长路径

近期收入与长期平台价值的平衡

光计算团队需要保留客户共研能力，同时控制定制化比例。理想结构：以评估设备和技术服务完成早期导入，将重复需求沉淀为编译器/算子库/标准卡和系统SKU。如果每个客户都需要重新设计光路/封装或算法，商业模式会长期停留在项目制。

十三、投资逻辑

支持投资的理由

优先关注的项目画像

创始团队同时具备光子器件/模拟混合信号/芯片架构/AI系统经验。已完成至少两次流片，能够展示跨晶圆/跨温度/长时间运行的一致性。自研能力覆盖关键EIC或拥有稳定协同设计伙伴。已经在整卡或服务器层运行客户模型，性能数据包含全部功耗。软件团队能够完成自动算子映射/量化/校准/运行时调度。客户合作围绕明确预算和生产需求，付费试点能够转化为复购。供应链设计支持量产，封装/测试和激光器有第二来源计划。融资规模与下一代产品里程碑匹配，现金能够覆盖流片失败和验证延迟。

谨慎对待的项目特征

• 主要材料只有光核TOPS/单次传播时延/理论能效
• 性能比较使用不同精度/不同任务/只比较GPU某一局部算子
• 将光互连市场规模全部计入光计算芯片TAM
• 将支持ResNet或LLaMA等同于具备生产级模型能力
• 量产计划缺少封装厂/测试方案/良率目标/成本曲线
• 软件仅提供底层API，客户需要自行完成大量模型拆分与误差处理
• 研发投入高度依赖单次融资，下一次流片失败会导致项目停滞

推荐投资阶段

十四、估值框架与交易参照

可参考交易

早期项目估值方法

光计算早期项目收入波动较大，建议使用里程碑加权法：

$$项目价值 = 核心IP价值 + 产品化概率 \times 可实现退出价值 - 后续资本需求折现$$

里程碑权重可按以下顺序提高：

交易条款中应设置与工程样品/性能/客户验证/量产良率相关的分期交割或估值调整机制。单纯以峰值算力承诺设置对赌，容易诱导不可比的性能口径。

十五、主要风险

十六、投资尽调清单

技术与产品

客户与商业

1. 付费收入中，产品/技术服务/科研采购和政府项目分别占多少？
2. 客户使用的是演示模型/内部测试模型或生产模型？
3. 客户性能比较由谁设计，GPU基线是否充分优化？
4. 客户采购预算属于科研/资本开支/云基础设施或生产运营？
5. 试点转订单的性能阈值/采购数量/时间节点是什么？
6. 复购来自新增卡量/软件续费或新的定制开发？
7. 前五大客户/账期/应收款和客户供应商重叠情况如何？
8. 标准SKU占收入比例是否逐步提高？

团队与组织

财务与融资

1. 下一次流片/封装/验证/量产分别需要多少资金？
2. 当前现金能够覆盖多少个月，是否覆盖一次流片失败？
3. 研发费用中流片/设备/人员和股权激励分别占多少？
4. 一台评估服务器和量产服务器的BOM/毛利和交付周期如何变化？
5. 量产良率从当前水平提升到目标水平需要多少批次？
6. 客户回款周期是否明显长于供应商付款周期？

十七、项目评分卡

建议对早期项目采用100分评分，技术上限与工程兑现并重。

建议门槛

一票否决：端到端性能/光电系统架构/制造供应链任一项低于该项满分的50%，建议暂缓进入投资流程。

十八、最终投资结论

赛道结论

光计算已具备真实技术基础，产业仍位于早期产品化阶段。未来五年更可行的形态是光电混合协处理器：通过光学阵列加速特定线性运算，通过电子系统完成内存/控制/高精度和非线性计算。

中国光计算市场当前收入规模较小，增长空间取决于三项突破：

1. 端到端能效和成本优势在客户真实模型上得到复现。
2. 产品从技术服务与评估设备进入标准加速卡和服务器采购。
3. 软件/封装/测试/供应链达到可复制交付水平。

投资优先级

投委会建议

该赛道适合采用"小额前置、里程碑加注、产业方联合验证"的投资方式。首笔资金对应多批次流片和整卡验证，后续资金与真实模型性能/付费客户/量产良率/标准产品收入挂钩。投资机构需要配置外部技术专家/封装与服务器产业资源，并为7至10年退出周期做好准备。

对当前项目的最终判断不应由光速/矩阵规模/理论TOPS决定。可投价值应由以下公式约束：

$$可投价值 = 端到端客户收益 \times 产品化概率 \times 量产可复制性 \times 软件生态杠杆$$

四项成立的前提，光计算的物理优势才会转化为可持续的商业回报。

附录一：关键术语

附录二：主要资料来源

1. 曦智科技招股书业务章节，香港交易所，2026
2. 曦智科技会计师报告，香港交易所，2026
3. An integrated large-scale photonic accelerator with ultralow latency，Nature，2025
4. Optical neural networks: progress and challenges，Light: Science & Applications，2024
5. Low-power scalable multilayer optoelectronic neural networks，Nature Communications，2024
6. Digital-analog hybrid matrix multiplication processor，Nature Communications，2025
7. Q.ANT Native Processing Server
8. Lightmatter Passage M1000
9. Neurophos T100 OPU
10. Lumai 融资与技术公告
11. 光本位产品与技术路线
12. Marvell 收购 Celestial AI 公告

标签：无