LightelligenceがWAIC 2026で示したのは、光コンピューティングの「計算原理」そのものよりも、現場で使える形にするための製品化の道筋だった。PACE 2ベースの「天枢・光立方（Tianshu Light Cube）」では、入退室管理や視覚認識という具体的な用途を前面に出し、次世代のPACE 3では大規模モデル推論へ拡張する計画を示した。これは、光による行列演算が可能かを示す段階から、光・電子ハイブリッドシステムを導入・運用・AI基盤へ統合できるかを検証する段階への移行を意味する。 192027

重要なのは「チップ発表」ではなく、製品としての導入経路

天枢・光立方は、PACE 2光電融合アクセラレーターを中心に、CPU、メモリー、冷却、外部インターフェースをまとめた計算ボックスである。報道によれば、単体の研究用部品にとどまらず、入退室管理を含む高頻度の画像認識タスクを支える用途を想定している。 1926

AIアクセラレーターは、演算性能だけで実用になるわけではない。推論ソフトウェア、入出力、放熱、監視、信頼性、保守まで含めて機能して初めて導入対象になる。一体型システムなら、利用企業は光チップ、ホスト側電子回路、冷却、ドライバー、アプリケーション処理系を個別に組み上げずに、エンドツーエンドのワークロードを評価できる。

PACE 3はこの製品化ストーリーを大規模モデル推論へ延ばす位置付けだ。Lightelligenceは、PACE 3の光チップが2026年6月に試作から戻ったと説明し、最大256×256の行列規模で、低遅延・高スループットの大規模モデル推論を想定するとしている。その後の報道では、PIC（光集積回路）とEIC（電子集積回路）はともにテープアウト済みで、今後はシステム検証に進む段階とされた。 1927

ここでの留保は重要だ。テープアウトや試作チップの回収は意味のある開発マイルストーンだが、量産規模の大規模モデル推論性能が実運用で独立に実証されたことと同義ではない。

なぜ光・電子ハイブリッドが現実的なのか

光プロセッサーは、多くのAIモデルで計算量の中心となる密な線形演算、特に行列演算に適している。研究レビューでは、光行列計算の複数方式について、非常に低い遅延や低い積和演算当たりのエネルギーが報告されている。ただし、その値はアーキテクチャーや測定範囲に大きく左右される。 33

一方で、実用的なAIシステムの全処理が光だけで完結するわけではない。Lightelligenceの方式は光電融合型であり、光側が高密度の行列演算を担い、電子チップが記憶と制御を担う。 11 推論にはデータ移動、変換、非線形演算、処理の制御、メモリー管理、エラー処理も必要であるため、この役割分担は実装上の現実を反映している。

したがって、商用化で問われるのは光コア単体の理論効率ではなく、システム全体の効率である。2026年の研究では、変換が支配的な光AIの電力予算において、ADC（アナログ・デジタル変換器）とDAC（デジタル・アナログ変換器）が80％超を占め得るとされた。精度と変換回路の設計が、消費電力と精度の重要なトレードオフになる。 45

光立方が取り組む商用化の壁

導入と統合

すぐに使える計算ボックスは、初期導入者の負担を下げる。利用側は自社サーバーに光ハードウェアを組み込むのではなく、補助計算、メモリー、冷却、インターフェースを含む用途限定のシステムとして評価できる。 1926

特にエッジAIや画像認識では、ピーク性能だけでなく、応答性と運用の安定性が重要だ。継続的に使われる入退室管理のような用途は、設置、稼働率、反復利用時の挙動を確認する材料になり得る。

ソフトウェア導入

光ハードウェアを活用するには、量子化、校正、デバイスばらつき、光・電子混在の実行、行列コア間へのワークロード配置を考慮したソフトウェアとモデルが必要になる。Lightelligenceは、光コンピューティング用シミュレーター「LTSimulator」や評価ボード「Gazelle」を大学・研究機関と連携して教育現場や研究室へ提供していると報じられている。 20

これは長期的なエコシステム投資だ。専用ハードウェアが広く普及する前に、開発者がハードウェアを意識したモデル配置やアルゴリズム設計を学べれば、ソフトウェア側の「使い手不足」という初期課題を和らげられる。

供給網と製造可能性

商用の光コンピューティングには、計算チップだけでは足りない。レーザー、変調器、受光器、電子制御回路、パッケージング、試験、校正、システム接続が一体で機能する必要がある。LightelligenceはWAICで光計算に加え、光インターコネクトと光スイッチも示しており、単独アクセラレーターではなく、より広いAIインフラのスタックを視野に入れている。 2327

この戦略が供給網のリスクをなくすわけではない。ただし、再現性のあるシステム構成要素に設計を集約できれば、製品化は進めやすくなる。

精度、校正、保守

光ハードウェアは理想通りには動かない。研究では、損失の不均衡、光学部品の偏差、変換誤差、非線形応答、波長ごとのばらつきが課題として挙げられており、校正や補償は中核機能となる。 323637

このため、商用製品は理想化された行列演算の結果だけでは評価できない。時間経過後も精度を安定させられるか、再校正の負担を管理できるか、製造ロットや個体差をまたいで予測可能に振る舞うかが問われる。

256×256は「大きければ大きいほど良い」ではない

256×256の行列には65,536要素があり、光コアはニューラルネットワーク演算をタイル分割して処理する際に相当の並列性を得られる。ただし、256×256が普遍的な物理的最適値であることを示す証拠はない。これは、競合する設計条件の間で選ばれた、実用的な工学上の地点と捉える方が適切だ。

Lightelligenceの沈亦晨会長も、「行列が大きいほど有用な演算能力が高いとは限らず、重要なのは異なるモデルに柔軟に適応することだ」と説明している。 28

アレイを大きくすると、配線と光パワー分配、挿入損失、アナログ入出力、熱チューニング、校正、実装、歩留まりの難しさも増す。光クロスバーの研究でも、カプラー、分岐器、交差部、導波路にまたがる複数の損失源が報告されている。 38

そのため、極端に巨大な単一行列を作るよりも、扱いやすいコアへモデルをタイル分割して配置する方が、システムとして有利な場合がある。最適な構成は、モデルの形状、必要精度、変換のオーバーヘッド、パッケージング、実用歩留まり、総消費エネルギーによって決まり、行列の寸法だけでは決まらない。

精度も同じトレードオフの一部である。光・電子ハイブリッドの実験研究では、低ビットの光乗算で高い精度を示しつつ、デジタル蓄積などを用いて内積の結果を改善する手法が報告されている。 35 光アレイの価値は、コア単体ではなく、ハイブリッドな処理全体で判断すべきだという点を裏付ける。

GPUを置き換える主張ではなく、エコシステム構築

WAICでのプログラムを最も慎重に読むなら、これはGPUを全面的に置き換える宣言ではなく、役割の特化と補完の提案だ。光エンジンは一部の高密度線形演算や、将来的にはデータ移動負荷の大きいインフラを加速し得る。一方、GPUとCPUは、プログラマビリティ、学習、メモリー、制御フロー、非線形演算、光ハードウェアに適さないワークロードで引き続き重要である。

戦略の各要素は相互に補強する。

• 実導入は、購入検討者にとっての参照ワークロードと運用実績を生む。
• 一体型システムは、初期利用者の統合ハードルを下げる。
• シミュレーターと教育ツールは、ハイブリッドハードウェアに適した開発者とアルゴリズムを育てる。 20
• 光インターコネクトと光スイッチの開発は、機会を単一チップからAIシステム全体のインフラへ広げる。 2327

この組み合わせは、用途が導入を正当化し、導入がソフトウェアと部品への投資を促し、ツールと供給網の成熟が次の導入コストを下げる、という循環を生み得る。

商用化の転換点を確かめるために必要なもの

WAIC 2026は、話題が導入可能な製品、繰り返し発生するワークロード、システム検証、開発者エコシステムへ移っている点で、光コンピューティングがより商用寄りの局面に入ったことを示す材料になった。 192021

ただし、従来型AIアクセラレーターの広範な代替を証明したわけではない。決定的なのは、用途ごとに再現可能なシステムレベルの遅延、消費電力、精度、信頼性、導入コスト、ソフトウェア移植性、保守性の実績である。それが示されるまでは、結論は慎重であるべきだ。Lightelligenceは光コンピューティングを現実の製品として評価しやすくしたが、商業的な優位性は実運用の中で示していく必要がある。

LightelligenceがWAIC 2026で示したのは、光コンピューティングの「計算原理」そのものよりも、現場で使える形にするための製品化の道筋だった。PACE 2ベースの「天枢・光立方（Tianshu Light Cube）」では、入退室管理や視覚認識という具体的な用途を前面に出し、次世代のPACE 3では大規模モデル推論へ拡張する計画を示した。これは、光による行列演算が可能かを示す段階から、光・電子ハイブリッドシステムを導入・運用・AI基盤へ統合できるかを検証する段階への移行を意味する。 192027

重要なのは「チップ発表」ではなく、製品としての導入経路

天枢・光立方は、PACE 2光電融合アクセラレーターを中心に、CPU、メモリー、冷却、外部インターフェースをまとめた計算ボックスである。報道によれば、単体の研究用部品にとどまらず、入退室管理を含む高頻度の画像認識タスクを支える用途を想定している。 1926

AIアクセラレーターは、演算性能だけで実用になるわけではない。推論ソフトウェア、入出力、放熱、監視、信頼性、保守まで含めて機能して初めて導入対象になる。一体型システムなら、利用企業は光チップ、ホスト側電子回路、冷却、ドライバー、アプリケーション処理系を個別に組み上げずに、エンドツーエンドのワークロードを評価できる。

PACE 3はこの製品化ストーリーを大規模モデル推論へ延ばす位置付けだ。Lightelligenceは、PACE 3の光チップが2026年6月に試作から戻ったと説明し、最大256×256の行列規模で、低遅延・高スループットの大規模モデル推論を想定するとしている。その後の報道では、PIC（光集積回路）とEIC（電子集積回路）はともにテープアウト済みで、今後はシステム検証に進む段階とされた。 1927

ここでの留保は重要だ。テープアウトや試作チップの回収は意味のある開発マイルストーンだが、量産規模の大規模モデル推論性能が実運用で独立に実証されたことと同義ではない。

なぜ光・電子ハイブリッドが現実的なのか

光プロセッサーは、多くのAIモデルで計算量の中心となる密な線形演算、特に行列演算に適している。研究レビューでは、光行列計算の複数方式について、非常に低い遅延や低い積和演算当たりのエネルギーが報告されている。ただし、その値はアーキテクチャーや測定範囲に大きく左右される。 33

一方で、実用的なAIシステムの全処理が光だけで完結するわけではない。Lightelligenceの方式は光電融合型であり、光側が高密度の行列演算を担い、電子チップが記憶と制御を担う。 11 推論にはデータ移動、変換、非線形演算、処理の制御、メモリー管理、エラー処理も必要であるため、この役割分担は実装上の現実を反映している。

したがって、商用化で問われるのは光コア単体の理論効率ではなく、システム全体の効率である。2026年の研究では、変換が支配的な光AIの電力予算において、ADC（アナログ・デジタル変換器）とDAC（デジタル・アナログ変換器）が80％超を占め得るとされた。精度と変換回路の設計が、消費電力と精度の重要なトレードオフになる。 45

光立方が取り組む商用化の壁

導入と統合

すぐに使える計算ボックスは、初期導入者の負担を下げる。利用側は自社サーバーに光ハードウェアを組み込むのではなく、補助計算、メモリー、冷却、インターフェースを含む用途限定のシステムとして評価できる。 1926

特にエッジAIや画像認識では、ピーク性能だけでなく、応答性と運用の安定性が重要だ。継続的に使われる入退室管理のような用途は、設置、稼働率、反復利用時の挙動を確認する材料になり得る。

ソフトウェア導入

光ハードウェアを活用するには、量子化、校正、デバイスばらつき、光・電子混在の実行、行列コア間へのワークロード配置を考慮したソフトウェアとモデルが必要になる。Lightelligenceは、光コンピューティング用シミュレーター「LTSimulator」や評価ボード「Gazelle」を大学・研究機関と連携して教育現場や研究室へ提供していると報じられている。 20

これは長期的なエコシステム投資だ。専用ハードウェアが広く普及する前に、開発者がハードウェアを意識したモデル配置やアルゴリズム設計を学べれば、ソフトウェア側の「使い手不足」という初期課題を和らげられる。

供給網と製造可能性

商用の光コンピューティングには、計算チップだけでは足りない。レーザー、変調器、受光器、電子制御回路、パッケージング、試験、校正、システム接続が一体で機能する必要がある。LightelligenceはWAICで光計算に加え、光インターコネクトと光スイッチも示しており、単独アクセラレーターではなく、より広いAIインフラのスタックを視野に入れている。 2327

この戦略が供給網のリスクをなくすわけではない。ただし、再現性のあるシステム構成要素に設計を集約できれば、製品化は進めやすくなる。

精度、校正、保守

光ハードウェアは理想通りには動かない。研究では、損失の不均衡、光学部品の偏差、変換誤差、非線形応答、波長ごとのばらつきが課題として挙げられており、校正や補償は中核機能となる。 323637

このため、商用製品は理想化された行列演算の結果だけでは評価できない。時間経過後も精度を安定させられるか、再校正の負担を管理できるか、製造ロットや個体差をまたいで予測可能に振る舞うかが問われる。

256×256は「大きければ大きいほど良い」ではない

256×256の行列には65,536要素があり、光コアはニューラルネットワーク演算をタイル分割して処理する際に相当の並列性を得られる。ただし、256×256が普遍的な物理的最適値であることを示す証拠はない。これは、競合する設計条件の間で選ばれた、実用的な工学上の地点と捉える方が適切だ。

Lightelligenceの沈亦晨会長も、「行列が大きいほど有用な演算能力が高いとは限らず、重要なのは異なるモデルに柔軟に適応することだ」と説明している。 28

アレイを大きくすると、配線と光パワー分配、挿入損失、アナログ入出力、熱チューニング、校正、実装、歩留まりの難しさも増す。光クロスバーの研究でも、カプラー、分岐器、交差部、導波路にまたがる複数の損失源が報告されている。 38

そのため、極端に巨大な単一行列を作るよりも、扱いやすいコアへモデルをタイル分割して配置する方が、システムとして有利な場合がある。最適な構成は、モデルの形状、必要精度、変換のオーバーヘッド、パッケージング、実用歩留まり、総消費エネルギーによって決まり、行列の寸法だけでは決まらない。

精度も同じトレードオフの一部である。光・電子ハイブリッドの実験研究では、低ビットの光乗算で高い精度を示しつつ、デジタル蓄積などを用いて内積の結果を改善する手法が報告されている。 35 光アレイの価値は、コア単体ではなく、ハイブリッドな処理全体で判断すべきだという点を裏付ける。

GPUを置き換える主張ではなく、エコシステム構築

WAICでのプログラムを最も慎重に読むなら、これはGPUを全面的に置き換える宣言ではなく、役割の特化と補完の提案だ。光エンジンは一部の高密度線形演算や、将来的にはデータ移動負荷の大きいインフラを加速し得る。一方、GPUとCPUは、プログラマビリティ、学習、メモリー、制御フロー、非線形演算、光ハードウェアに適さないワークロードで引き続き重要である。

戦略の各要素は相互に補強する。

• 実導入は、購入検討者にとっての参照ワークロードと運用実績を生む。
• 一体型システムは、初期利用者の統合ハードルを下げる。
• シミュレーターと教育ツールは、ハイブリッドハードウェアに適した開発者とアルゴリズムを育てる。 20
• 光インターコネクトと光スイッチの開発は、機会を単一チップからAIシステム全体のインフラへ広げる。 2327

この組み合わせは、用途が導入を正当化し、導入がソフトウェアと部品への投資を促し、ツールと供給網の成熟が次の導入コストを下げる、という循環を生み得る。

商用化の転換点を確かめるために必要なもの

WAIC 2026は、話題が導入可能な製品、繰り返し発生するワークロード、システム検証、開発者エコシステムへ移っている点で、光コンピューティングがより商用寄りの局面に入ったことを示す材料になった。 192021

ただし、従来型AIアクセラレーターの広範な代替を証明したわけではない。決定的なのは、用途ごとに再現可能なシステムレベルの遅延、消費電力、精度、信頼性、導入コスト、ソフトウェア移植性、保守性の実績である。それが示されるまでは、結論は慎重であるべきだ。Lightelligenceは光コンピューティングを現実の製品として評価しやすくしたが、商業的な優位性は実運用の中で示していく必要がある。