光子计算挑战者Akhetonics：全光CPU能否快1000倍？

光子计算重回视野

一则关于初创公司Akhetonics的讨论在Hacker News上引发关注，其核心主张颇为大胆：通过全光子计算（photonic computing）架构，打造比传统电子CPU快上千倍的处理器。这类宣称在技术圈往往会收获两极反应——既有对突破物理极限的憧憬，也有对工程落地的质疑。

光子计算的基本思路，是用光（光子）而非电子来承载和处理信息。光子在介质中以接近光速传播，不受电阻发热的严重制约，理论上能在带宽、延迟和能效上带来数量级的提升。这也是为什么每隔几年，光学计算就会以不同的面貌重新进入人们的视线。

为什么是光，为什么是现在

现代电子芯片正在逼近物理与经济的双重天花板。晶体管微缩放缓、功耗墙高企、数据搬运（而非计算本身）成为能耗大头，这些都让业界重新审视非冯·诺依曼和非电子的替代路径。

光子方案的吸引力集中在几点：极高的信号传输带宽、天然的并行性（不同波长的光可同时承载不同数据流），以及在互连场景下显著更低的延迟与能耗。事实上，光互连（optical interconnect）已经在数据中心和部分芯片间通信中规模化应用，这为更深入的「光计算」积累了产业基础。

不过，从光互连到真正的全光逻辑运算，中间横亘着巨大的工程鸿沟。Akhetonics主打的「all-optical」路线，意味着要在光域内完成逻辑门、存储与控制，而不仅仅是用光来传数据。

光互连（optical interconnect）在数据中心的应用已相当成熟，值得单独说明其运作原理与局限。当前主流方案是在芯片或模块边缘放置光电转换器，将电信号转为激光脉冲，通过光纤传输后再还原为电信号。这种「电-光-电」路径相比纯铜互连，在百米以上距离具有明显的功耗和带宽优势，已广泛用于400G/800G数据中心交换机和GPU集群的节点间通信。然而其本质仍是「用光传输、用电计算」——计算单元本身依然是晶体管。Akhetonics等公司试图跨越的，正是这道边界：把运算本身也迁移到光域，彻底消除中间的电域环节。理解这一区别，是评估全光计算宣称是否可信的前提。

「快1000倍」的说法该如何理解

面对「快1000倍」这样的标题式表述，谨慎的解读是必要的。此类对比通常高度依赖前提条件：是指特定工作负载下的理论峰值，还是端到端的实际系统性能？是时钟频率、吞吐量，还是能效比？不同口径得出的倍数可以相差极大。

全光计算长期面临几个硬骨头：

• 光逻辑门的级联：电子晶体管可以轻松串联成复杂电路，而光信号在多级运算后易衰减、失真，难以维持信噪比。
• 缺乏高效的光存储：计算离不开状态保持，但「存住一束光」远比存住电荷困难。
• 光电转换开销：若系统仍需频繁在光域与电域间来回转换，所谓的速度优势会被转换延迟与功耗大量抵消。
• 制造与集成成熟度：相比高度成熟的CMOS工艺，光子集成电路的良率、成本和设计工具链仍不成熟。

因此，一款真正可编程、通用、且全程运行于光域的CPU，是行业公认的难题。宣称实现数量级跃升，需要有可复现的基准测试与明确的适用场景支撑，而非笼统的峰值类比。

光学矩阵乘法（Optical Matrix Multiplication）是目前光子计算落地最接近实用的子领域，可作为理解全光计算「能做什么」的参照系。其核心思路是将权重矩阵编码为光调制器的幅值或相位参数，输入向量以光强编码后经过马赫-曾德干涉仪（Mach-Zehnder Interferometer，MZI）网络完成矩阵乘法——这一过程以光速完成、无需时钟节拍驱动，理论上一次传播即得到结果。Luminous Computing、Lightelligence等公司曾沿此路线推进AI推理芯片。但这类架构高度专用，权重更新困难，且仍需要模数转换读出结果。它展示的是光子计算在「特定线性代数运算」上的真实优势，而非通用可编程计算的能力——这一边界正是评估各类光子处理器性能主张时必须厘清的基准线。

理性看待这类技术主张

对光子计算的合理期待，或许不是「取代CPU」，而是在特定领域扮演加速器角色——例如矩阵运算密集的AI推理、信号处理或光学互连增强。近年多家光子AI芯片公司（如一些做光学矩阵乘法的初创团队）正是沿着这条更务实的路径推进。

对于Akhetonics这样的早期公司，关键观察点在于：是否公开了可被同行验证的技术细节与基准数据，演示的是实验室原型还是可部署系统，以及其所声称的性能提升是否明确了对比基线与负载类型。在这些信息充分披露之前，「快1000倍」更应被视为愿景性目标，而非已兑现的产品指标。

光子计算代表了一个值得长期跟踪的方向，它承载着突破电子瓶颈的真实希望。但技术史反复提醒我们：从引人注目的宣称，到可规模量产的产品，往往隔着漫长而残酷的工程验证。保持开放，同时保持怀疑，是面对这类前沿话题最健康的姿态。