把存储与计算放进同一条光路：光本位 256x256 光计算芯片冲向千 TOPS

先进制程逼近物理极限之后，传统 AI 算力芯片靠缩小晶体管换取性能增益的路径正在放缓：功耗、散热与数据搬运成本持续上升，性能提升却越来越少。与此同时，大模型推理需求还在扩张，算力缺口越拉越大。光本位科技给出的解法是用光子替代电子，构建高能效、大规模的全栈式光计算系统。

问题的根源被认为出在架构上。在传统冯诺依曼结构里，数据要在存储与计算单元之间往返搬运，这部分开销正是数据搬运成本居高不下的来源。每一次模型迭代，参数规模都在变大，矩阵运算更密集，数据吞吐量也更高，底层电计算芯片在功耗、散热与搬运效率上同时承压。光本位科技的思路是把存储与计算融合在同一条光学通路中，让大模型参数直接存放在光计算芯片内部，减少外部存储与计算单元之间的频繁传输，从而提升效率并压低功耗。

硬件进度上有几个可查的节点。2026 年 7 月，公司在世界人工智能大会上全球首发 256x256 光计算芯片，实现在单颗晶粒上集成六万五千多个光计算单元，在研方案计划在单片上集成百万量级单元。按照规划，第二代光电融合计算卡会在年内推出，单卡算力从百 TOPS 级跳到千 TOPS 级，综合性能对标国际主流 AI 推理 GPU，推动算力芯片从纯电计算走向光电融合。

软件侧的布局补的是光计算长期缺失的一环。硬件能力初步具备，但开发工具与软件基础设施仍不成熟。2025 年 7 月，光本位研究院完成光计算仿真平台 LumenSim 的首个版本，算法研发人员能在其中跑模型、改网络结构与参数，还能查看光学损耗、器件误差和计算噪声会怎样作用于最终结果。2026 年 2 月，研究院又与百度云共同研发了面向硅光领域的 AI 智能体 Lightmate，目前已在内部投入使用，接入了硅光仿真、设计与优化能力。

仿真平台加上智能体，构成了硬件突破与软件就位的组合。业内常把这一路径与当年 GPU 借 CUDA 完成跃迁的过程相比，光计算正在等待属于自己的那一步。当制程红利逐渐消退，算力下一程需要的可能不是更小的晶体管，而是新的计算范式。

文章与图片内容转载网络，如有侵权请联系平台删除