两年前，与大学室友聊起GPU和半导体先进制程时，谈到摩尔定律已逼近物理极限，除了硅之外是否还有更好的材料。室友毕业后前往加州大学伯克利分校研究固体物理，曾就此请教导师。导师的回复是：综合考虑物理特性、资源可得性和成本等因素，目前尚未找到比硅更合适的材料。
两年过去，AI将力不从心的硅再次推向极限。既然暂时找不到硅的替代品，人们开始尝试在硅的基础上弥补短板，用光替代电来搬运数据，继续在硅上系统化地挖掘计算性能。人类虽不似AI那般时常制造惊喜，但善于迭代。
半导体材料的问题留给物理学家。AI不会让科学家无事可做。
用光解决数据搬运瓶颈
当数万乃至数十万颗GPU协同工作时，算力瓶颈已不仅限于芯片的计算能力，还包括GPU之间以及计算与存储系统之间的数据传输效率和功耗。
电的优势在小尺度范围内，光的优势则在小尺度之外。凭借高带宽、低传输损耗，以及在特定距离和带宽条件下的能效优势，光正深入AI计算系统。
AI计算的下一场硬仗，不仅是让GPU算得更快，还要让数据跑得更快、耗电更少。
Scale-up和Scale-out路径示意图，图片来源：Ayar Labs
Scale-up通过高带宽、低延迟互连扩大紧密协同的计算域；Scale-out则通过网络连接更多计算节点，扩展集群规模。光技术正同时进入这两个市场。
从Lightmatter到Celestial再到Salience Labs：光互连与光交换开始上演大戏
上述两条路径已有十多家创业公司分别取得进展。Lightmatter、Celestial AI和Salience Labs是三家代表性公司。
Lightmatter源自MIT，以光计算起家，后转向光互连。公司累计融资超8亿美元，2024年估值达44亿美元。
Celestial AI通过Photonic Fabric切入芯片间及计算与内存间的数据传输，累计融资近6亿美元，2026年2月被Marvell收购。
Lightmatter和Celestial AI主要通过光互连提高芯片间的数据传输带宽和能效，重点瞄准Scale-up市场。
源自牛津大学的Salience Labs则聚焦OCS，通过直接改变光路连接，减少不必要的光电转换。其技术用于Scale-out网络，也有向Scale-up延伸的潜力。
在这一领域，Google已先行一步，在TPU集群中规模应用MEMS光交换，证明了OCS在大型AI计算系统中的实际产业价值。但Google也是模型参与者，产业需要一个Google之外的独立玩家，这为其他公司提供了机会。
过去几年，硅谷已涌现出10多家快速成长的公司。中国的曦智科技也已迈出一步，并在港交所上市。
这些公司普遍在6-8年前成立，很多来自大学实验室，技术从小到大依赖工业界，从无到有仍离不开研究机构。这一轮与其说是产业推动技术进步，不如说是基础研究遇到了产业场景，应用快速起飞。
产业巨头在该领域的参与，印证了其前景。Salience获得了AMD和Intel CEO陈立武主导基金的投资，NVIDIA更是连续投资了Coherent、Lumentum、iPronics、Ayar Labs等公司。
Scale-out：光互连率先兑现商业价值的市场
Scale-out是将大量计算节点连接起来，形成更大的计算集群。随着集群规模扩大，传统电互连在传输距离、带宽密度和功耗方面越来越吃力，光互连自然成为重要选择。
800G光模块已规模商用，1.6T正进入商业化放量阶段。中际旭创、Coherent、Lumentum等中外公司已形成初步规模，潜力巨大。
Scale-out通过光模块和光纤互连，沿着现有产业链逐步升级，率先解决了数据传输瓶颈。OCS有望进一步提高网络效率，同时避开Scale-up在芯片级光电集成方面的部分挑战。
因此，Scale-out率先成为光互连兑现商业价值的市场，光电结合、要求更高的Scale-up则是下一阶段更具挑战性、也更具战略价值的主战场，留待后面讨论。
MEMS与SiPh：光交换的两条技术路线
在Scale-out网络中，光模块和光纤互连已广泛应用，而OCS正成为值得关注的新方向。目前OCS主要存在传统MEMS和集成硅光等技术路径。
传统MEMS利用微型机械结构改变光路，技术成熟、损耗低，适合大规模光交换。Google从TPU v4开始，就将MEMS OCS用于TPU超级计算集群内部的互连。
固态硅光交换基于SiPh，利用热光、电光等效应在芯片上改变光路，具有体积小、集成度高、切换速度快的潜力。一旦克服损耗、串扰和制造复杂度等挑战，将展现出巨大潜力。
MEMS依靠今天的工业成熟度赢得先机，SiPh在高速、高密度集成方面潜力更大，国内这两方面都已有创业公司在探索。
NOEMS：MEMS向高速高集成延伸
NOEMS将微纳机械结构与集成光学结合，试图同时获得传统MEMS的低损耗优势与硅光芯片的高集成度，并改善传统机械光交换的速度限制。
部分NOEMS研究已在器件级展示微秒级甚至更快的切换能力。
三条光交换技术路线对照
传统MEMS强在成熟，SiPh强在集成，NOEMS试图兼得两者优势，技术原理已获得突破，虽仍待大规模验证，但机理巧妙，前景可期。
Scale-up：长期战略硬道理
Scale-up通过超高带宽、低延迟互连，让大量GPU像一台计算机一样协同工作。NVIDIA新近推出的Vera Rubin在这方面做足了功夫。
目前主流的Scale-up仍依赖铜互连和电子交换。随着GPU从数十颗扩展至数百、数千颗，高速电信号的传输损耗、SerDes功耗、布线密度和交换芯片I/O带宽将成为越来越突出的瓶颈。
CPO是突破高速电互连限制的重要技术路径。通过将光引擎靠近GPU或交换芯片，缩短高速电通道，以光纤实现更远距离、更高带宽密度的连接。但GPU级CPO仍面临激光光源的效率与寿命、光纤耦合、散热与封装良率等挑战。
谁能率先实现高带宽、低功耗、高可靠且可规模制造的GPU光互连，谁就有机会掌握下一代AI计算系统的关键技术入口。
赢在网络计算的最小单元，这是Scale-up长期战略价值所在。
结语
从电到光，不仅是计算和通信技术的升级，更是AI推动的计算架构重构。
令人欣喜的是，这几年做天使投资过程中，结识的国际一线年轻研究人员，比以往多年加起来还多。他们兼备国内外求学和科研经历，研究和产业视野开阔。虽比那些耳熟能详的大家差了些年资，但敢做产业敢闯是他们的优势，跃跃欲试，令人鼓舞。
本文作者：阿尔法公社创始合伙人 许四清。
本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：阿尔法公社许四清，36氪经授权发布。
评论 4