当前大模型训练、自动驾驶、实时视觉检测等业务高速扩张，算力供需缺口持续扩大。行业普遍通过扩容GPU集群、升级液冷散热提升算力，但硬件投入与实际算力增益严重不匹配。本质是纯电子信号的传输与计算物理短板，制约了算力升级。而光电融合架构通过电子与光子分工协同，从数据传输、核心计算两大维度，为算力升级开辟了全新路径。

　　1、纯电子芯片，两道跨不过去的算力高墙 

　　电子依靠导体中电荷流动传递信号，天然存在两大物理约束，构成当下算力的核心枷锁： 

　　第一堵墙：互连传输墙，带宽受限、传输功耗激增。 

　　高频电信号在铜线中传输时，会产生趋肤效应、介质损耗与电磁串扰，带来严重发热与信号衰减。上万块 GPU 组成分布式训练集群时，显卡间交换特征矩阵的数据会持续排队，受电互连带宽限制，GPU 算力利用率常被压制。 

　　第二堵墙：访存计算墙，高维矩阵迭代耗时过长。 

　　AI 训练与推理的核心是海量高维矩阵乘加运算；现代 GPU 虽集成数千并行 CUDA 计算核心，但电子存储、电互连带宽的上限，导致数据读写、多卡同步交互速度跟不上计算速度，计算单元频繁等待数据。单纯依靠增加计算核心、拉高主频提升算力的路线已经走到瓶颈。 

　　2、光电融合，两条路线同步拉高算力 

　　光电融合并非用光替代电子，而是扬长避短、分工协作：电子负责高精度逻辑判断、数据存储与非线性计算，光子承担超高速数据传输、大规模并行线性矩阵运算。目前产业已形成两条技术路线，双向突破算力瓶颈。 

　　路线一：CPO 光电共封装 

　　CPO 光电共封装是当前 AI 服务器大规模量产落地的成熟方案，核心解决芯片间电互连短板。 

　　传统架构的铜互连走线长达10至50厘米，而CPO将微型光收发引擎与GPU集成在同一基板，把互连铜线缩短至毫米级。依托光波分复用并行传输特性，该技术可大幅提升传输带宽、降低纳秒级延迟，同时极致压缩传输功耗，有效解决多卡集群数据拥堵问题，盘活现有GPU集群的闲置算力 

　　路线二：光电混合光计算 

　　如果说CPO是升级数据运输通道，光计算则是重构AI核心运算流水线。 

　　其依靠马赫-曾德尔干涉仪（MZI）调控光路相位，将神经网络权重转化为光路参数，通过光束耦合干涉直接完成矩阵乘加运算。光干涉传播延迟可达亚纳秒级，远优于GPU微秒级的处理耗时。剔除电光转换、外围电路等损耗后，光计算整机综合能效较通用GPU提升数倍至十余倍，大幅优化核心计算效率。 

　　3、三个维度 

　　纵观两条技术路线，光电融合本质是从效率、速度、规模三个维度，补齐纯电子计算的短板。 

　　①盘活存量算力，打通传输瓶颈。硅光、CPO技术彻底解决电互连的带宽拥堵、高功耗问题，消除多卡数据等待空转，让GPU标称算力转化为实际有效算力，大幅提升硬件利用率。 

　　②突破运算上限，重构计算底层。借助光子并行、光速传输的物理特性，替代电子完成AI最耗时的矩阵运算，以物理并行替代电路迭代，从底层压低计算延迟。 

　　③破解能耗困境，扩容算力边界。光技术的超低功耗特性，打破了“堆硬件必堆能耗”的死循环，在有限供电、散热条件下，大幅提升算力集群扩容上限，支撑超大模型落地。 

　　4、挑战与未来 

　　目前光电融合仍处于产业迭代期，仍面临三大核心挑战： 

　　技术层面：光电器件制造精密、良品率低，高端器件存在供应链壁垒。 

　　产业层面：光电融合技术横跨多领域，缺乏统一接口标准与适配体系。 

　　生态层面：光计算软件生态远不如电子计算成熟，架构迁移成本偏高。 

　　在不远的未来，手机、电脑和服务器，或许都会换上全新光芯。告别高发热、高功耗的短板，以极速、节能的全新形态，点亮下一代智能算力。 

　　5、结语 

　　过去几十年，我们依靠晶体管微缩、堆叠核心、提升频率，不断挖掘电子计算的算力潜力。而光电融合，为算力发展打开了全新的第二增长曲线。二者深度融合、优势互补，跳出了纯电子体系的物理枷锁。在后摩尔时代，光电融合将成为突破算力瓶颈、降低算力能耗、支撑AI持续进化的核心底座，为人工智能的规模化落地，提供源源不断的光速算力。 

　　作者：赵志成 

　　单位：中国移动杭州研发中心