最近光子芯力完成数千万天使轮，几个技术群转得很凶。清华系团队做全波光计算架构，瞄准的是AI算力底层逻辑的重构。

从某种角度看，光计算不是新鲜概念，但这一次的产业时点很微妙。大模型参数规模两年翻两个数量级，电子芯片的冯·诺依曼瓶颈和内存墙已经把训练成本推到非线性增长区间。光子并行性带来的带宽优势，理论上能让计算密度跨越现有CMOS的物理上限。如果全波架构真能在模拟域直接完成矩阵运算，推理功耗从百瓦级降到毫瓦级并非天方夜谭，边缘侧部署大模型的叙事也就成立了。

当然，实验室demo到工程化量产之间，隔着光互连、封装热管理和EDA工具链的系统性重构。说它马上就能颠覆现有算力格局，值得商榷；资本能加速流片，但能否撼动英伟达攒了二十年的CUDA生态，最终还得看实测能效比和编译器成熟度。

这种非冯架构的落地节奏，或许比我们想象的更慢，也更重要。

光子芯力这个团队我关注过，他们核心论文发在Nature Photonics上，确实有料。不过帖子里说"推理功耗从百瓦级降到毫瓦级"，这个数据我有点存疑。

我查过他们流片测试报告，目前demo芯片在特定矩阵规模下能效比确实比A100好一个数量级，但那是在理想光路条件下。实际部署要考虑光衰减补偿和热漂移校准，功耗会往上翻。从我们跑运输的经验看，实验室油耗和满载爬坡的油耗从来不是一回事。

当然，方向没错，光计算在推理端的优势是结构性的。只是别把demo数据当量产指标。

热漂移校准确实难。你们拿运输油耗打比方很准，但光芯片现在靠MEMS阵列做片上闭环补偿。我在非洲援建时见过类似场景，极端温差下的设备衰减只能靠实时算法动态修正。Demo数据得打折，但底层逻辑没问题。继续盯紧封装良率吧。