电子计算机的进步本质上是把开关越做越小、时钟越提越高、缓存堆得越来越厚。但这条路线在AI时代遇到了一个结构性问题：大模型里七成以上的计算是矩阵乘法，而矩阵乘法恰好是电子开关最不擅长的操作------它需要把数据从内存搬到寄存器、在ALU里一次次乘加、再把结果写回去，整个过程的能耗和时延几乎都花在"搬运"上，真正的计算反而不是瓶颈。光计算想回答的问题是：如果我们不用电子开关来做这个运算，而是让光在传播过程中"顺便"完成矩阵乘法，会怎样？这不是一个工程优化问题，而是一个物理层面的范式选择------光子不带电荷、不同波长的光可以在同一条波导里并行传播、两束光相遇时会自然发生干涉并完成求和，这些特性恰好和矩阵乘法的数学结构一一对应。
要理解这个对应关系，需要从矩阵乘法的本质说起。一个矩阵-向量乘法 y = Wx，做的事情是：把输入向量 x 的每一个分量，乘以权重矩阵 W 的对应元素，再按列求和。在数字电路里，这个操作被拆解成几百万次乘加指令，每次都要经过寄存器、ALU、缓存之间的数据搬运，时延由时钟频率和内存带宽决定。在光路里，这个操作可以被映射到一个完全不同的物理过程：把输入向量 x 编码成一束光的各个波导分量的振幅和相位，让这束光经过一组可编程的马赫-曾德尔干涉仪（MZI）网络------每个MZI由两个50:50分束器和两臂上的相位调制器组成，通过调节两臂的相位差，就能精确控制两束光在输出端是相长还是相消，等效于对输入信号施加一个复数权重。光在这个网络里传播时，不需要时钟、不需要触发器、不需要把数据读出来再写回去------权重乘法是通过光的分束和相位调制在物理层瞬间完成的，最后的求和则是通过不同路径的光在同一个波导里自然叠加实现的。整个矩阵乘法的时延等于光穿过芯片的飞行时间，大约是皮秒量级，和矩阵大小几乎无关。这就是为什么光计算在矩阵乘法这个特定操作上，能效比和算力密度可以比电子芯片高几个数量级。
除了MZI干涉这条路径，光计算还有另外两种物理实现，对应不同的数学操作。一种是衍射光学：把光场当作二维分布，让光穿过一组三维打印或刻蚀的衍射层，光在衍射过程中自然完成卷积运算------这在图像处理和卷积神经网络里特别高效，因为卷积本身就是一个空间积分操作，而衍射就是光的空间积分。华中科技大学2026年提出的通用可重构衍射光子芯片，第一次在同一硬件上同时处理片上导波、自由空间结构光场和电逻辑信号，就是把衍射这条路线从实验室做成了通用计算平台。另一种是波分复用：在同一条波导里同时传输十几个甚至几十个不同波长的光，每个波长携带一路独立的数据，这相当于在一根管道里并行做几十路矩阵乘法------这是电子芯片想都不敢想的并行度，因为电子信号在铜线里会互相干扰，而不同波长的光在光纤里几乎完全独立。上海交大2026年研制的100GHz带宽薄膜PZT电光调制器和可重构光子计算芯片，算力密度达到266 TOPS/mm²，就是靠高带宽调制器配合波分复用实现的。
但光计算真正的理论价值，不在于它能做多快的矩阵乘法，而在于它把"计算"和"数据搬运"合并成了同一个物理过程。电子芯片的能耗大头不是计算本身，而是数据在内存和计算单元之间来回搬运------这就是上一篇存算一体文章讨论的"内存墙"问题。光计算的方案更彻底：它根本不搬运数据，因为数据就是光场本身，计算就是光场在波导里的传播。在AI推理场景里，这意味着大模型的权重矩阵可以一次性"固化"在光路的相位调制器里，输入数据以光信号的形式直接穿过芯片，输出就是计算结果------中间没有任何内存读写。这种架构下，能效比的提升不是百分之几十，而是一到两个数量级。这也是为什么Lightmatter、Ayar Labs这些光子计算公司都把第一个商业化目标瞄准AI推理而不是训练------推理的权重矩阵是固定的，输入是流式的，恰好匹配光路"权重固化、输入流过"的物理特性。
冷静地看，光计算不是万能的，它的边界恰恰来自光子的物理本性。第一个问题是精度。光场是模拟信号------它的振幅和相位是连续量，而数字计算是离散的。MZI网络做矩阵乘法时，输出光强的精度受限于激光器噪声、相位调制器的精度、光电探测器的信噪比，实际能做到的等效数字精度大约是4到8比特。这对AI推理足够（现在大模型推理普遍用量化到4比特甚至更低），但对需要高精度的科学计算、金融交易、密码学操作就不够了。第二个问题是数模转换开销。光计算本身是模拟的，但输入数据要从数字域变成光场（需要高速DAC和激光器），输出要从光场变回数字（需要ADC和探测器）。如果一个芯片里的数模转换成本太高，光域省下来的能耗就会被转换开销吃掉------这就是为什么学术界在做"时空插值零差光子张量核"这类架构，目标是把数模转换的开销从O(n²)降到O(n)，让系统级的能效比真正体现出来。第三个问题是光不能直接存储。光子以光速传播，要"记住"一个计算结果，必须把它转成电信号存到电子存储器里，或者用光环行器把光暂时圈起来。这意味着光计算不可能像CPU那样做通用的指令序列，它更像是一个专用的矩阵乘法加速器，外围还是要靠电子芯片做控制、存储和非线性操作。第四个问题是激活函数。神经网络里的ReLU、Sigmoid这些非线性激活函数，在光域里实现起来很麻烦------光本身是线性传播的，要让光产生非线性响应，需要借助半导体材料的光学克尔效应、或者用光探测器转成电信号再做。这是当前光计算架构里最"电"的部分。
从应用价值看，光计算最先落地的不是替代GPU，而是在三个特定场景里做物理加速。第一个是AI推理的边缘部署。如果一个光子推理芯片的能效比是电子GPU的50到100倍，那么同样的电池容量，AI摄像头、无人机、智能驾驶域控制器里的大模型推理可以跑几十倍的时长------这对端侧AI是决定性的优势。第二个是数据中心内部的光互连。Ayar Labs做的事情不是用光做计算，而是用光把CPU、GPU、内存之间的数据搬得更快更省电------因为电子信号在铜线上的传输距离超过几十厘米就会有严重的信号衰减，而光可以在光纤里传几百米几乎无损。随着GPU集群规模从几千卡扩展到几万卡，互连带宽已经成为比单卡算力更紧的瓶颈，光互连是必由之路。第三个是空间和特殊环境计算。光子器件抗辐射、不发热、不受电磁干扰，这在卫星、深空探测、强辐射工业场景里是天然优势------同样重量下，光计算能提供的算力比电子芯片高几倍。
从产业节奏看，2026年光计算还处在"从实验室样品走向第一批量产芯片"的阶段。上海交大的可重构光子计算芯片做到了266 TOPS/mm²的算力密度，华科的通用衍射芯片实现了多模态计算兼容，Lightmatter等公司已经在和数据中心客户做联合测试。但距离像GPU那样形成一个成熟的生态------有编译器、有框架、有标准化的编程模型------还有很长的路。光计算的软件栈现在基本是空白：你怎么把一个PyTorch模型映射到MZI网络的相位配置上？怎么在光路里做梯度回传？怎么处理模拟精度的随机性？这些问题不是物理问题，而是系统工程问题，但它们决定了光计算能不能从"性能演示"变成"开发者愿意用的工具"。
光计算的深层意义，在于它提醒我们：计算的进步不一定要靠把晶体管越做越小。当电子器件逼近物理极限------量子隧穿、漏电、散热墙------我们可以换一种物理介质来做计算，利用不同物质的天然特性去匹配不同的数学操作。矩阵乘法是光的天然操作，存储是磁性材料的天然操作，逻辑开关是晶体管的天然操作------未来的计算架构可能不是单一技术一统天下，而是不同物理介质协同：光做矩阵乘法，电子做逻辑和控制，磁性材料做存储，量子器件做特定难解问题。这种"异构物理计算"的思路，比继续在CMOS路上挤更有想象力。它的核心价值不是某个数字性能指标，而是它证明了计算的物理基础可以被重新选择------这在AI算力需求指数级增长、电子芯片能效比提升趋缓的今天，是一个具有战略意义的方向。