陈一彤助理教授课题组联合戴琼海院士、吴嘉敏副教授团队提出光计算走向实用化的“技术路线图”

　　

9月9日，上海交通大学集成电路学院（信息与电子工程学院）陈一彤课题组联合清华大学自动化系戴琼海院士、吴嘉敏副教授团队提出光计算走出实验室演示阶段，落地为可制造、可编程、可扩展的可靠计算系统，成为“即插即用”实践算力资源的量化标准。研究成果以“纳米光子学如何推动光计算走向实际应用”（How nanophotonics can drive optical computing toward practical applications）为题发表在《自然·纳米技术》（Nature Nanotechnology）上。

这项研究提出了以实际应用为主线、贯通光计算主要架构、应用需求与商业化进展的统一评价框架。

面向大规模人工智能模型、边缘计算、逻辑与科学计算等多个应用场景，本项研究全面的比较了不同技术路线在计算规模、精度、能效及可编程性方面的优势与局限，并结合代表性商业化系统进展，系统回答了光计算“适合解决哪些问题、如何选择技术架构、走向实用还需要达到什么样的目标”，为光计算从实验室走向实际部署提供了指导。

从性能刷新到系统落地：光计算面临的关键一跃

光可在振幅、相位、偏振、波长等多个自由度上承载信息，借助干涉、衍射等物理过程，在高速传播中同步完成计算，有望以更快速度、更低能耗实现大规模数据处理。近年来，围绕大规模、高速、可重构的光电智能计算，本研究团队持续开展研究，相关工作已从支持高分辨率图像处理的全模拟光电芯片（ACCEL芯片，Nature，2023），延伸至面向复杂视觉任务的大规模全光智能生成芯片（LightGen芯片，Science，2025），推动光计算从“能完成计算”向“承担更大规模、更复杂场景下的真实计算任务”进阶。

行业标尺：定义实用光计算的量化标准

然而当前，光计算领域的多项领先指标分散于不同原型系统，单项性能突破难以直接支撑完整应用。针对这一问题，研究团队以实际应用场景为基准，参照现有电子计算平台的系统水平，将光计算优势具象为算力、带宽、能效等具体量化指标，建立面向实用光计算的系统级评价标准。研究团队将芯片指标纳入统一的系统框架中进行综合检验，文中给出的定量指标为不同应用场景划定了明确的实用化门槛，将笼统的性能提升要求转化为可验证的工程目标，也为不同技术路线的横向比较与部署评估提供了统一依据。基于这一量化标尺，研究团队为实用光计算的发展建立了可落地的行业评价标准。

面向多场景的实用光计算系统级评价标准

双向路径：技术工艺和应用需求协同推进

量化标尺明确了实用光计算的性能目标，而如何实现这些目标亦是关键问题。为此，研究团队进一步构建了贯通技术工艺和应用需求的双向分析框架：一方面从纳米材料、器件结构、制造能力出发，自下而上评估现有技术工艺条件下光计算“能够实现什么”；另一方面从大规模 AI 模型、边缘计算、科学计算等真实应用需求出发，自上而下倒推系统“须具备什么”。两条路径在计算架构层面交汇衔接，共同推动实用化光计算系统的迭代发展和落地部署。更关键的是，研究团队将这些需求进一步转化为量化目标，使问题从“性能还要提升”转向“需要提升到什么程度”。例如，研究团队指出当器件的消光比高于22 dB，定向耦合器与交叉结构损耗分别控制在0.1 dB和0.028 dB以下时，光学矩阵运算规模有望超过64×64并进一步扩展。面向大规模 AI 模型的应用，计算系统需具备十亿参数级扩展能力，以及支持图像块处理的空间分辨率。这些定量约束将笼统的性能提升诉求转化为明确的工程任务。技术工艺扩展性能边界，应用需求定义性能目标，沿着这一双向路径，实用光计算的研发重点将从对单项性能极致表现的追逐，转向对可扩展规模、计算精度与系统代价的协同优化。

纳米技术赋能光计算

为下一代算力搭建桥梁

从量化标准到双向路径，本研究建立了从性能评估到系统实现的完整方法体系，推动光计算完成从“单点性能展示”到“系统能力构建”的范式升级，助力其真正落地为可部署的、即插即用的下一代算力资源。

迄今为止，研究团队在光计算领域已取得一系列关键研究成果。2025年，团队在《Science》发表研究（Science390, 1259-1265, 2025），提出大规模全光生成式人工智能芯片LightGen，Nature专题评述为国际首个全光大规模生成式AI芯片，同时实测系统级算力与能效均较国际顶尖芯片提升两个数量级以上。2023年，团队在《Nature》发表研究（Nature623, 48-57, 2023），提出全模拟光电融合计算芯片ACCEL，国际首次在单芯片上协同突破大规模集成、高效非线性计算和高速光电接口三项光电计算关键系统瓶颈。同年，团队在《Science Advances》发表研究（Science Advances, 9, eadf8437, 2023），提出PED光计算架构，实现了图像光纤传输应用中的全光端到端处理等。

论文信息

本研究工作得到国家自然科学基金、国家重点研发计划、新基石科学基金、脑与认知智能北京实验室（北京市教委）、上海市基础研究计划、上海市自然科学基金、上海启源创新基金、上海交通大学2030项目等支持。上海交大集成电路学院（信息与电子工程学院）陈一彤助理教授、课题组博士生杨国强为共同第一作者，清华大学自动化系戴琼海院士、吴嘉敏副教授为共同通讯作者。

陈一彤，上海交通大学集成电路学院（信息与电子工程学院）助理教授。主要研究方向为高速低功耗光电智能计算芯片及其应用，一作/通讯在Science、Nature等国际顶尖期刊和会议发表多篇研究论文。国际首次实现全光大规模语义生成芯片LightGen，基准任务中算力、能效、算力密度较国际顶尖芯片提升多个数量级，相关成果被新华社、人民日报、光明日报、科技日报等报道。获世界人工智能大会最高奖、青山科技奖、MIT TR35（中国区）、中国人工智能学会潜力清源学者、中国电子学会博士学位论文激励计划、中国光学年度十大进展、中国芯片科学年度十大进展、中国半导体年度十大进展和中国光学年度十大社会影响力事件等多项荣誉和奖项。

杨国强，上海交通大学集成电路学院陈一彤课题组博士研究生。主要研究方向为光学神经网络和深度学习。以共同第一作者身份在《Nature Nanotechnology》《Journal of Semiconductors》等学术期刊发表相关研究成果。曾获小米特等奖学金、本科生国家奖学金等荣誉。

论文链接：https://www.nature.com/articles/s41565-026-02264-4

作者：

集成电路学院（信息与电子工程学院）

供稿单位：

集成电路学院（信息与电子工程学院）