作者：Nick New  英国Optalysys 公司 CEO

光子学并非要推翻现有计算体系，而是在网络层面开辟新的计算能力，从而对现代计算架构进行增强和补充。

自2022年ChatGPT等生成式AI语言模型问世以来，人工智能基础设施投资一路飙升。随着超大规模企业在2025年将AI基础设施投资推至历史新高，国际数据公司（IDC）统计的全球投资总额已达惊人的3180亿美元，且似乎有望逐年持续增长。

在资本注入急剧攀升的背景下，行业正接近物理层面的“扩展墙”。传统基础设施在数据中心容量限制和激增的能源需求重压下，已开始不堪重负。

为AI供电所需的能源日益增长，这种趋势不可持续，同时人们对由此带来的环境损害也日益担忧。

我们现在正处于一个拐点。传统的电学数据传输方式正接近其极限，英伟达（NVIDIA）近期向两家光子学公司—Coherent Corp.和Lumentum—投资40亿美元，便是一个明确的信号。英伟达押注的是一个通过光（光子）而非电来传输数据的未来。

AI能耗

电力研究协会（Electric Power Research Institute）估计，到2030年，数据中心的年耗电量可能占美国总发电量的9%，而2023年这一比例为4%。随着AI模型面临不断增长的消费需求并需要更多算力，全球能源需求将随之上升。考虑到近期能源价格的波动性，这对AI服务扩展的成本构成了严峻挑战。我们已看到这一问题正在显现—OpenAI将能源账单上涨列为缩减其英国扩张计划的原因之一。

处理器正逼近物理极限。晶体管—构成电子电路基础的电子开关—如今宽度仅有几个原子，在这样的尺度下，量子效应和发热成为重大制约因素。

隧道尽头的光芒

除了处理和传输数据所消耗的巨大能量之外，处理单元与存储单元之间的物理距离（无论是片内还是系统级）现在也限制了AI模型的运行和训练速度。将数据中心建立在光子学基础之上，是顺理成章的下一步。

很快，在光数据路径内进行计算将成为可能，这为降低延迟、扩展基础设施提供了机会，而无需按比例增加功耗。

光子学可直接集成到硅芯片上，从而实现相对于电学方案的可扩展性和效率提升。光子学效率提升的核心原理很简单：光比电子传输速度更快、承载信息更多，同时产生的热量更少。这带来了显著更高的计算密度、更低的功耗和更优的热性能，从而克服了传统芯片上“暗硅”问题所施加的限制。

在芯片层面提升效率的收益，在能耗节约的复利效应中体现得尤为明显。芯片节省一瓦电能，同时也会减少用于供电和散热的能源浪费。光子学为AI基础设施的发展开辟了一个以更快、更清洁、且具备根本可扩展性为基础的未来。

图：Optalysys波导  图片来源：Optalysys

光子学数据中心实施

大规模AI的根本瓶颈不再是原始算力，而是以现代AI工作负载所需的速度和体量传输数据所带来的惊人能源成本。前沿模型的快速演进意味着系统在同时协调数千颗芯片时始终承受着巨大压力。传统数据中心基础设施根本无法跟上持续、高强度数据交换的需求。

光子学提供了一个从战略层面解决这一问题的机会，而不仅仅是缓解日益紧张的电学架构所带来的散热需求螺旋式上升。早期行业估算表明，使用光传输数据相比传统电子方案，可提供约5倍的能效和10倍的网络韧性。

硅光子的收益不仅限于即时的效率和可持续性提升。通过消除显著的数据传输瓶颈，光子学还解锁了此前因能源成本过高而被认为不切实际的计算类型，例如全同态加密（在不解密的前提下处理加密数据）。

通过消除传统计算架构的局限，光子学对国防、金融和医疗保健等行业具有深远影响—这些行业对性能和数据隐私的要求是刚性的。

迄今为止，AI行业对其不断升级的能源需求反应迟缓，且未能解决传统硅架构的结构性缺陷。英伟达近期数十亿美元的投资是一个明确信号，表明超大规模企业现已认识到这本质上是一个基础设施问题。

我们现在必须自问：是继续走老路—将巨额资金持续投入到数据中心的建设和冷却基础设施中—还是投资于光子学等创新解决方案，从源头上解决关键限制？

光子学代表了一片新的机遇疆域。光子学并非取代现有系统，而是通过在网络内部释放新的计算能力，来增强现代计算架构。光子学正推动芯片行业迎来自冯·诺依曼架构问世以来最大的架构变革，它为释放无限算力提供了机遇。