WAIC 2026 上，曦智科技展示的重点不只是“光能做矩阵乘法”，而是试图回答一个更接近采购与运维的问题：一套光电混合计算系统能否被部署、持续运行，并接入现有 AI 基础设施？

基于 PACE 2 的“天枢·光立方”瞄准门禁、视觉识别等真实高频任务；下一代 PACE 3 则指向大模型推理。两者合在一起，释放的信号是光计算正从验证技术可行性，转向验证产品与商业可行性。192027

关键信号：从芯片展示走向产品路径

“天枢·光立方”以 PACE 2 光电混合加速卡为基础，将光计算芯片、CPU、内存、主动散热和外部接口集成进一体化设备，主打开箱即用。公开报道显示，它已用于人脸识别等真实、高频民用场景。1926

这一区别很重要。AI 加速器是否有实际价值，取决于整套系统，而不只是峰值算力：推理软件、接口、散热、监控、可靠性和后续维护都不可或缺。一体机形态让潜在用户可以直接验证端到端工作负载，而不必自行拼装光芯片、主机电子系统、冷却、驱动与应用流程。

PACE 3 则延伸了这一产品路线。曦智科技披露，PACE 3 的光芯片已于 2026 年 6 月回片，面向低时延、高吞吐的大模型推理，最大可支持 256×256 的矩阵规模；后续报道还显示，其 PIC（光子集成电路）与 EIC（电子集成电路）均已流片，系统验证仍待推进。1927

这里需要保持审慎：流片和回片是重要研发节点，但不等同于已经独立验证、规模化部署的大模型推理性能。

为什么必须是“光电混合”而非全光计算

光子处理器特别适合 AI 模型中密集的线性运算。多项光子矩阵计算研究报告了较低的时延和单位乘加能耗，不过具体表现高度取决于架构及测量范围。33

但实用 AI 系统不可能只靠光完成。曦智科技采用的是光电混合路线：光学部分负责密集矩阵运算，电子芯片承担存储与控制。11 这种分工也符合工程现实——推理还需要数据搬运、模数与数模转换、非线性运算、调度、内存管理及错误处理。

因此，商业化真正要比拼的是全系统效率，不能只看光学核心的理论能效。一项 2026 年研究指出，在以转换为主导的光子 AI 功耗预算中，ADC 和 DAC 可能占到 80% 以上；精度设定与转换链路，直接决定能耗和准确率之间的权衡。45

天枢·光立方主要在解决哪些落地障碍？

部署与系统集成

一体化计算盒降低了早期用户的集成门槛。用户无需把光计算硬件自行塞进服务器架构，再逐项解决散热、内存、接口与驱动问题，而是可以从一个边界清晰的应用系统开始评估。1926

对边缘视觉类任务而言，响应速度与长期稳定性往往和吞吐量同样重要。门禁这种持续、高频的应用，有助于观察安装、运行时长和重复使用条件下的实际表现。

软件采用

光计算硬件需要能适应量化、校准、器件差异、光电混合执行，以及如何将模型映射到矩阵核心的软件与算法。报道显示，曦智科技正与高校、科研机构合作，将 LTSimulator 光子计算模拟器和 Gazelle 评估板带入课堂与实验室。20

这是一种长期生态投入。开发者可在专用硬件尚未大规模普及前，先学习面向硬件的模型映射和算法设计，从而缓解光计算的软件“冷启动”问题。

供应链与可制造性

商用光计算依赖的远不止一颗计算芯片。激光器、调制器、探测器、电子控制电路、先进封装、测试、校准及系统接口必须协同工作。曦智科技在 WAIC 同时展示光计算、光互连与光交换，意味着其定位不止于单颗加速器，还覆盖更广的 AI 基础设施层。2327

这并不能消除供应链风险，但围绕可复用的系统模块集中工程化，有助于降低每次部署都像定制光学实验的难度。

精度、校准与维护

光学硬件会受到非理想因素影响。研究指出，损耗不平衡、光器件偏差、转换误差、非线性响应和波长相关变化等都会影响结果，因此校准和补偿是系统的核心功能。323637

所以，评价商用光计算产品不能只看理想条件下的一次矩阵运算。它还必须证明：精度能否长期稳定、再校准是否可控，以及不同批次器件之间的行为是否可预测。

256×256：实用规模，而不是“越大越强”

256×256 矩阵包含 65,536 个元素，可为分块执行的神经网络运算提供相当可观的并行能力。但现有证据并不支持把 256×256 视为普遍适用的物理最优值；更准确地说，它是多种工程约束之下的一个实用平衡点。

曦智科技董事长沈亦晨对此的表述很直接：矩阵更大，并不自动意味着更有用的算力；关键在于能否灵活适配不同模型。28

阵列扩大后，光路布线与光功率分配更复杂，插入损耗、模拟 I/O 数量、热调谐与校准开销、封装难度和良率压力也会同步上升。光学交叉阵列研究同样记录了耦合器、分光器、交叉结构和波导带来的多类损耗。38

因此，把模型拆分到多个可管理的计算核心上，未必逊于打造一个极大的单体矩阵。最佳配置取决于模型形状、目标精度、转换开销、封装、可用良率与总能耗，而不是仅看矩阵边长。

精度也是同一权衡的一部分。光电混合实验研究显示，低比特光子乘法可以取得较高准确率；而数字累加等技术可进一步改善点积结果。35 这再次说明，光子阵列的价值要放到完整的混合计算工作流中衡量。

目标是建立生态，不是立即替代 GPU

对 WAIC 2026 展示更可信的解读，是互补式专业化。光计算引擎可能加速特定的密集线性运算，并有望服务数据搬运压力较大的基础设施场景；GPU 和 CPU 则仍在可编程性、训练、内存、控制流、非线性运算以及不适合映射到光硬件的工作负载中扮演关键角色。

这套策略中的各部分相互支撑：

• 真实部署为采购方提供参考工作负载与运维证据；
• 封装为整机的产品降低早期用户的集成门槛；
• 模拟器和教学工具帮助培养适配混合硬件的软件与算法人才。20
• 光互连与光交换布局将机会从单一计算芯片扩展到 AI 系统基础设施。2327

由此可能形成一个正向循环：应用案例推动部署，部署带动软件和组件投入，更完善的工具与供应链又降低下一次部署成本。

真正的拐点，还需要哪些证据？

WAIC 2026 的确提供了一个积极信号：光计算讨论已开始聚焦可部署产品、重复性工作负载、系统验证和开发者生态。192021

但这尚不足以证明传统 AI 加速器会被广泛替代。决定性证据仍应来自可重复、针对具体工作负载的系统级结果，包括时延、能耗、准确率、可靠性、部署成本、软件可移植性和维护表现。

在这些结果充分出现前，最稳妥的结论是：曦智科技让光计算更接近一个可被实际评估的产品；至于完整的商业价值，仍需要在长期运行中证明。

WAIC 2026 上，曦智科技展示的重点不只是“光能做矩阵乘法”，而是试图回答一个更接近采购与运维的问题：一套光电混合计算系统能否被部署、持续运行，并接入现有 AI 基础设施？

基于 PACE 2 的“天枢·光立方”瞄准门禁、视觉识别等真实高频任务；下一代 PACE 3 则指向大模型推理。两者合在一起，释放的信号是光计算正从验证技术可行性，转向验证产品与商业可行性。192027

关键信号：从芯片展示走向产品路径

“天枢·光立方”以 PACE 2 光电混合加速卡为基础，将光计算芯片、CPU、内存、主动散热和外部接口集成进一体化设备，主打开箱即用。公开报道显示，它已用于人脸识别等真实、高频民用场景。1926

这一区别很重要。AI 加速器是否有实际价值，取决于整套系统，而不只是峰值算力：推理软件、接口、散热、监控、可靠性和后续维护都不可或缺。一体机形态让潜在用户可以直接验证端到端工作负载，而不必自行拼装光芯片、主机电子系统、冷却、驱动与应用流程。

PACE 3 则延伸了这一产品路线。曦智科技披露，PACE 3 的光芯片已于 2026 年 6 月回片，面向低时延、高吞吐的大模型推理，最大可支持 256×256 的矩阵规模；后续报道还显示，其 PIC（光子集成电路）与 EIC（电子集成电路）均已流片，系统验证仍待推进。1927

这里需要保持审慎：流片和回片是重要研发节点，但不等同于已经独立验证、规模化部署的大模型推理性能。

为什么必须是“光电混合”而非全光计算

光子处理器特别适合 AI 模型中密集的线性运算。多项光子矩阵计算研究报告了较低的时延和单位乘加能耗，不过具体表现高度取决于架构及测量范围。33

但实用 AI 系统不可能只靠光完成。曦智科技采用的是光电混合路线：光学部分负责密集矩阵运算，电子芯片承担存储与控制。11 这种分工也符合工程现实——推理还需要数据搬运、模数与数模转换、非线性运算、调度、内存管理及错误处理。

因此，商业化真正要比拼的是全系统效率，不能只看光学核心的理论能效。一项 2026 年研究指出，在以转换为主导的光子 AI 功耗预算中，ADC 和 DAC 可能占到 80% 以上；精度设定与转换链路，直接决定能耗和准确率之间的权衡。45

天枢·光立方主要在解决哪些落地障碍？

部署与系统集成

一体化计算盒降低了早期用户的集成门槛。用户无需把光计算硬件自行塞进服务器架构，再逐项解决散热、内存、接口与驱动问题，而是可以从一个边界清晰的应用系统开始评估。1926

对边缘视觉类任务而言，响应速度与长期稳定性往往和吞吐量同样重要。门禁这种持续、高频的应用，有助于观察安装、运行时长和重复使用条件下的实际表现。

软件采用

光计算硬件需要能适应量化、校准、器件差异、光电混合执行，以及如何将模型映射到矩阵核心的软件与算法。报道显示，曦智科技正与高校、科研机构合作，将 LTSimulator 光子计算模拟器和 Gazelle 评估板带入课堂与实验室。20

这是一种长期生态投入。开发者可在专用硬件尚未大规模普及前，先学习面向硬件的模型映射和算法设计，从而缓解光计算的软件“冷启动”问题。

供应链与可制造性

商用光计算依赖的远不止一颗计算芯片。激光器、调制器、探测器、电子控制电路、先进封装、测试、校准及系统接口必须协同工作。曦智科技在 WAIC 同时展示光计算、光互连与光交换，意味着其定位不止于单颗加速器，还覆盖更广的 AI 基础设施层。2327

这并不能消除供应链风险，但围绕可复用的系统模块集中工程化，有助于降低每次部署都像定制光学实验的难度。

精度、校准与维护

光学硬件会受到非理想因素影响。研究指出，损耗不平衡、光器件偏差、转换误差、非线性响应和波长相关变化等都会影响结果，因此校准和补偿是系统的核心功能。323637

所以，评价商用光计算产品不能只看理想条件下的一次矩阵运算。它还必须证明：精度能否长期稳定、再校准是否可控，以及不同批次器件之间的行为是否可预测。

256×256：实用规模，而不是“越大越强”

256×256 矩阵包含 65,536 个元素，可为分块执行的神经网络运算提供相当可观的并行能力。但现有证据并不支持把 256×256 视为普遍适用的物理最优值；更准确地说，它是多种工程约束之下的一个实用平衡点。

曦智科技董事长沈亦晨对此的表述很直接：矩阵更大，并不自动意味着更有用的算力；关键在于能否灵活适配不同模型。28

阵列扩大后，光路布线与光功率分配更复杂，插入损耗、模拟 I/O 数量、热调谐与校准开销、封装难度和良率压力也会同步上升。光学交叉阵列研究同样记录了耦合器、分光器、交叉结构和波导带来的多类损耗。38

因此，把模型拆分到多个可管理的计算核心上，未必逊于打造一个极大的单体矩阵。最佳配置取决于模型形状、目标精度、转换开销、封装、可用良率与总能耗，而不是仅看矩阵边长。

精度也是同一权衡的一部分。光电混合实验研究显示，低比特光子乘法可以取得较高准确率；而数字累加等技术可进一步改善点积结果。35 这再次说明，光子阵列的价值要放到完整的混合计算工作流中衡量。

目标是建立生态，不是立即替代 GPU

对 WAIC 2026 展示更可信的解读，是互补式专业化。光计算引擎可能加速特定的密集线性运算，并有望服务数据搬运压力较大的基础设施场景；GPU 和 CPU 则仍在可编程性、训练、内存、控制流、非线性运算以及不适合映射到光硬件的工作负载中扮演关键角色。

这套策略中的各部分相互支撑：

• 真实部署为采购方提供参考工作负载与运维证据；
• 封装为整机的产品降低早期用户的集成门槛；
• 模拟器和教学工具帮助培养适配混合硬件的软件与算法人才。20
• 光互连与光交换布局将机会从单一计算芯片扩展到 AI 系统基础设施。2327

由此可能形成一个正向循环：应用案例推动部署，部署带动软件和组件投入，更完善的工具与供应链又降低下一次部署成本。

真正的拐点，还需要哪些证据？

WAIC 2026 的确提供了一个积极信号：光计算讨论已开始聚焦可部署产品、重复性工作负载、系统验证和开发者生态。192021

但这尚不足以证明传统 AI 加速器会被广泛替代。决定性证据仍应来自可重复、针对具体工作负载的系统级结果，包括时延、能耗、准确率、可靠性、部署成本、软件可移植性和维护表现。

在这些结果充分出现前，最稳妥的结论是：曦智科技让光计算更接近一个可被实际评估的产品；至于完整的商业价值，仍需要在长期运行中证明。