曦智科技 WAIC 2026 示範：光子運算由實驗室走向商用系統

曦智科技喺 2026 世界人工智能大會（WAIC）嘅訊息，重點唔係宣稱光子芯片已經可以全面取代 GPU，而係將光子運算由「做得到矩陣乘法」推進到「客戶可唔可以買返去部署、管理同維護」嘅商用測試。

天樞・光立方用實時視覺感知同門禁辨識做示範；另一邊，PACE 3 指向較大模型嘅推理需要。兩者合埋睇，反映曦智科技正嘗試證明嘅係一套光電混合 AI 系統，而唔只係一粒實驗室芯片。192027

關鍵轉變：由講芯片，變成講完整產品

天樞・光立方以 PACE 2 光電混合加速卡為核心，整合咗 CPU、記憶體、主動散熱同外部介面，做成近似一部即開即用嘅運算盒。報道指，產品已用喺包括門禁、人臉辨識在內嘅真實高頻視覺任務。1926

呢個分別好實際。一個 AI 加速器值唔值得用，唔單止睇峰值運算量，仲要睇推理軟件、連接介面、散熱、監控、穩定性同維修。將呢啲組件包成一個系統，早期用家就唔使自己砌光子芯片、主機電子零件、冷卻、驅動程式同應用流程，部署門檻自然低好多。

至於下一代 PACE 3，曦智科技表示其光子芯片已於 2026 年 6 月回片，目標係低延遲、高吞吐量嘅大模型推理，最高可支援 256×256 矩陣規模。其後披露顯示，PIC（光芯片）與 EIC（電芯片）都已流片，而系統驗證仍然係下一步。1927

呢點要分清楚：流片同回片係重要研發里程碑，但唔等同已經獨立證明可量產、可長期部署嘅大模型推理效能。

點解要做「光電混合」，而唔係全光運算？

光子處理器特別適合 AI 裏面大量而密集嘅線性運算，例如矩陣乘法。研究綜述顯示，多種光子矩陣運算方案有潛力做到極低延遲同低每次乘加運算能耗，但實際數字會隨架構同量度範圍而有好大差異。33

不過，真正可用嘅 AI 系統並唔係由光學部件單獨完成。曦智科技採用嘅係光電混合架構：光學部分處理密集矩陣運算；電子芯片則負責儲存同控制。11 呢種分工亦反映現實：推理仲涉及資料搬運、數碼與模擬訊號轉換、非線性運算、排程、記憶體管理同錯誤處理。

所以，商業成敗睇嘅係整個系統嘅效率，唔係光學核心理論上有幾慳電。有 2026 年研究指出，喺以轉換為主嘅光子 AI 功耗預算中，ADC 同 DAC 可佔超過八成；精度設定同轉換設計，會直接牽動耗電與準確度之間嘅取捨。45

天樞・光立方嘗試解決咩商用障礙？

1. 部署與系統整合

將運算、記憶體、散熱同介面預先整合，等用家可以由一個受控嘅端到端應用開始驗證，而唔需要先自行改裝伺服器。對邊緣運算同視覺辨識而言，反應速度、安裝便利同運作穩定性，往往同吞吐量一樣重要。1926

以門禁做高頻使用案例亦有其意義：長期反覆運行可以累積有關安裝、運作時間、可靠性同實際表現嘅證據，而唔止係一場展會示範。

2. 軟件採用

光子硬件需要軟件及模型配合量化、校準、器件差異，以及光電混合執行。據報道，曦智科技正同大學及科研機構合作，將 LTSimulator 光子運算模擬器同 Gazelle 評估板帶入課堂同實驗室。20

呢個係長線生態投資。開發者可以喺專用硬件未普及之前，先學習點樣按硬件特性去映射模型、設計演算法，減低日後軟件生態由零開始嘅問題。

3. 供應鏈與可製造性

商用光子運算絕對唔係得一粒計算芯片：雷射器、調制器、探測器、電子控制電路、封裝、測試、校準同系統介面，全部都要夾得準。曦智科技喺 WAIC 同時展示光計算、光互連同光交換，意味公司想切入更廣闊嘅 AI 基礎設施，而非只賣一款獨立加速器。2327

呢個策略唔會消除供應鏈風險，但可以將工程工作集中到可重複使用嘅系統模組，較有利產品化。

4. 準確度、校準與維護

光學硬件對非理想狀況相當敏感。研究指出，損耗不平衡、光學元件偏差、模數轉換誤差、非線性反應及不同波長嘅差異，都會影響結果；校準同補償因而係系統基本功能，唔係可有可無嘅附加項目。323637

因此，評估商用光子產品唔可以只睇理想化矩陣運算結果，仲要睇準確度能否隨時間維持、重新校準係咪易做，以及不同批次芯片係咪有可預期嘅表現。

256×256 點解係實際尺度，而唔係愈大愈好？

一個 256×256 矩陣包含 65,536 個元素，令光子核心有相當高嘅並行處理能力，可用於將神經網絡層分塊運算。不過，現有證據並無證明 256×256 係放諸四海皆準嘅物理最佳值；更合理嘅理解係，佢係多項工程因素之間嘅取捨點。

曦智科技董事長沈亦晨講得直接：矩陣愈大，唔代表有用算力一定愈高；重點係能否靈活適應唔同模型。28

陣列規模擴大，工程師亦要面對更多路由及光功率分配難題、插入損耗、模擬 I/O、熱調校、校準開銷、封裝複雜度同良率風險。光學交叉陣列研究亦記錄咗耦合器、分光器、交叉位與波導等多個環節嘅損耗來源。38

換句話講，將模型分拆到多個較易控制嘅核心上運算，有時可能比砌一個極巨型單片矩陣更實際。最佳設計取決於模型形狀、所需精度、轉換開銷、封裝、可用良率及總能耗，唔係只睇矩陣尺寸。

精度亦係同一條數。實驗性光電研究顯示，低位元光子乘法可達不錯準確度，而數碼累加等技術可改善點積結果。35 反過來正好說明：光子陣列有冇價值，要放返入完整嘅混合運算流程先判斷到。

目標係建立生態，唔係一句「取代 GPU」

最可信嘅解讀，係光子引擎將成為一種專門分工：加速部分密集線性運算，並可能協助資料搬運密集嘅基礎設施；GPU 同 CPU 仍然對可編程性、訓練、記憶體、控制流程、非線性運算，以及未必適合映射到光子硬件嘅工作負載十分重要。

曦智科技幾條線其實互相配合：

• 真實部署提供參考工作負載同營運證據；
• 整合式系統降低早期用家嘅接入門檻；
• 模擬器與教學工具培養適合光電混合硬件嘅開發者及演算法。20
• 光互連與光交換則將機會由單一計算芯片，擴展至 AI 系統基建。2327

理想情況下，呢個策略會形成循環：應用證明有價值，帶動部署；部署帶動軟件、零件同供應鏈投資；工具同供應鏈成熟後，再降低下一次部署成本。

真正嘅分水嶺，仲要睇咩？

WAIC 2026 提供嘅訊號係，光子運算開始進入較商業化嘅階段：討論焦點已經包括可部署產品、重複性工作負載、系統驗證同開發者生態。192021

但呢個仲未足以證明傳統 AI 加速器會被廣泛取代。真正決定性嘅證據，會係可重複、針對具體工作負載嘅系統級數據：延遲、耗電、準確度、可靠性、部署成本、軟件可攜性同維護表現。

目前最穩妥嘅結論係：曦智科技令市場更容易用「真實產品」而唔係「技術概念」去評估光子運算；至於全面商業價值，仍要靠長時間實際運作去證明。