曦智科技在 2026 世界人工智慧大會（WAIC）釋出的訊號，核心不是「光子晶片已經贏過 GPU」，而是光電混合計算開始接受更嚴格的商業檢驗：能不能安裝、穩定運行、接入既有系統、由軟體調度，並在真實工作負載下維護。

天樞・光立方以門禁與即時視覺辨識為展示場景；下一代 PACE 3 則把目標延伸至低延遲、高吞吐量的大模型推理。兩者放在一起看，代表光計算的敘事正從「矩陣乘法在光學上可行」轉向「混合式 AI 系統是否能商品化」。192027

真正值得注意的是產品路徑，而不只是一顆晶片

天樞・光立方以 PACE 2 光電混合加速卡為基礎，將運算、CPU、記憶體、主動散熱與外部介面整合在盒式系統中。相關報導指出，產品可支援人臉辨識等真實、高頻率的視覺任務，而非僅是實驗室裡獨立運作的元件。1926

這一點很關鍵。AI 加速器能否落地，並不只取決於峰值算力；推理軟體、介面、散熱、監控、可靠度與維護成本，同樣決定使用者是否願意導入。把晶片做成可直接部署的一體化設備，讓潛在客戶能評估端到端應用，而不必自行拼湊光子晶片、主機電子元件、冷卻系統、驅動程式與應用流程。

PACE 3 則延續這條路徑。曦智科技表示，PACE 3 的光子積體電路（PIC）已於 2026 年 6 月回片，最大支援 256×256 的矩陣規模，鎖定低延遲、高吞吐量的大模型推理；後續資訊顯示，其 PIC 與電子積體電路（EIC）均已完成流片，但仍須進行系統驗證。1927

這裡必須保留界線：流片與回片是重要研發里程碑，卻不等於已在已部署的大模型推理中，獨立證明量產等級的系統效能與可靠度。

為何光電混合架構更貼近現實

光子處理器特別適合 AI 模型中的密集線性運算。研究回顧顯示，多種光子矩陣運算途徑可達到極低延遲與低乘加能耗，但實際結果高度取決於架構，以及測量是否納入完整系統範圍。33

不過，可用的 AI 系統不可能完全依靠光學。曦智科技採用的是光電混合架構：光學部分處理密集矩陣運算，電子晶片則負責儲存與控制。11 這種分工反映了工程現實：推理還需要資料搬移、數位／類比轉換、非線性運算、排程、記憶體管理與錯誤處理。

因此，商業化真正要比較的是整個系統的效率，而非僅比較光學核心的理論效率。一項 2026 年研究指出，在以轉換器為主的光子 AI 功耗預算中，ADC 與 DAC 可能合計占逾 80%；精度設定與轉換器設計，會成為能耗與準確度之間的關鍵取捨。45

天樞・光立方回應了哪些商用障礙？

1. 部署與整合門檻

一體化設備降低早期採用者的整合負擔。企業不必先把光子硬體裝進自家伺服器，再自行處理散熱、介面與軟體鏈路；曦智科技可以提供包含支援運算、記憶體、冷卻及介面的完整應用系統。1926

對邊緣端與視覺工作負載而言，反應速度與營運穩定性往往和峰值吞吐量同等重要。持續運作的門禁場景，可用來累積安裝、可用性與重複使用條件下的行為證據。

2. 軟體採用門檻

光子硬體需要能因應量化、校準、元件差異、光電混合執行，以及工作負載如何映射到矩陣核心的軟體與模型。據報導，曦智科技正與大學及科研機構合作，將 LTSimulator 光子計算模擬器與 Gazelle 評估板導入課堂與實驗室。20

這是長期的生態布局：在專用硬體尚未大規模普及前，開發者可先學習硬體感知的模型映射與演算法設計，減少光計算的軟體「冷啟動」問題。

3. 供應鏈與可製造性

商用光計算遠不只是一顆運算晶片。雷射、調變器、探測器、電子控制電路、封裝、測試、校準及系統介面，都必須協同運作。曦智科技在 WAIC 也展示光計算、光互連與光交換，將自身定位在更廣泛的 AI 基礎設施堆疊，而非單一加速器。2327

這種策略不會消除供應鏈風險，卻有助於把工程重心集中於可重複使用的系統模組，讓技術較容易產品化。

4. 準確度、校準與維護

光學硬體對非理想特性相當敏感。已發表研究指出，不平衡損耗、光學元件偏差、轉換誤差、非線性響應與波長相關差異，都可能影響結果；校準與補償因而是系統核心功能，而不是可有可無的附加項目。323637

所以，商用光子產品不能只看理想條件下的一次矩陣運算結果；更應檢驗它是否能長時間維持準確度、是否容易重新校準，以及不同批次製造元件間是否具備可預期的表現。

256×256 為何是實用尺度，而非單純追求更大？

256×256 矩陣包含 65,536 個元素，能為分塊執行的神經網路運算提供可觀的平行能力。但現有證據並未證明 256×256 是放諸四海皆準的物理最優解；更合理的理解是，它是在多項工程限制間取得的實務平衡點。

曦智科技董事長沈亦晨的說法相當直接：矩陣更大，並不必然代表更有用的算力；真正重要的是能否靈活適配不同模型。28

陣列變大時，訊號路由與光功率分配會更複雜，插入損耗、類比 I/O 數量、熱調校、校準負擔、封裝難度與良率風險也會增加。光學交叉陣列研究同樣記錄了耦合器、分光器、交叉結構與波導等多處的損耗來源。38

因此，與其打造一個極大的單體矩陣，系統有時更適合把模型切分到多個可控核心上執行。最佳組態取決於模型形狀、目標精度、轉換開銷、封裝方式、可用良率與總能耗，而不是只看矩陣邊長。

精度也屬於同一組取捨。實驗性光電混合研究顯示，低位元光子乘法可取得高準確度，而數位累加等技術可改善點積結果。35 這再次說明，光子陣列的價值要放在完整的混合式工作流程中衡量。

目標是生態系，不是宣告取代 GPU

對曦智科技 WAIC 布局最可信的解讀，是互補式專業分工。光子引擎可望加速特定的密集線性運算，以及可能高度受資料搬移限制的基礎設施工作；GPU 與 CPU 仍對可程式性、訓練、記憶體、控制流程、非線性運算及不適合映射至光子硬體的工作負載十分重要。

這項策略的各個環節彼此強化：

• 真實部署可為買方帶來參考工作負載與營運證據。
• 封裝好的系統降低早期使用者的整合門檻。
• 模擬器與教學工具有助培養適合混合式硬體的開發者與演算法。20
• 光互連與光交換則把機會從單一運算晶片擴展至 AI 系統基礎設施。2327

若進展順利，這可形成正向循環：可信的應用促成部署；部署帶動軟體與零組件投資；更成熟的工具與供應鏈，再降低下一次部署的成本。

還需要哪些證據，才能稱得上真正的轉折點？

WAIC 2026 的確提供了光計算進入更商業化階段的跡象，因為討論焦點已轉向可部署產品、重複性工作負載、系統驗證與開發者生態。192021

但這還不足以證明傳統 AI 加速器將被廣泛取代。真正具決定性的證據，會是可重複驗證、針對具體工作負載的系統級數據：延遲、能耗、準確度、可靠度、部署成本、軟體可攜性與維護表現。

在那之前，較審慎而有力的結論是：曦智科技已讓光計算更容易被當成一項真實產品來評估；至於完整的商業價值，仍須在長期運行中證明。

曦智科技在 2026 世界人工智慧大會（WAIC）釋出的訊號，核心不是「光子晶片已經贏過 GPU」，而是光電混合計算開始接受更嚴格的商業檢驗：能不能安裝、穩定運行、接入既有系統、由軟體調度，並在真實工作負載下維護。

天樞・光立方以門禁與即時視覺辨識為展示場景；下一代 PACE 3 則把目標延伸至低延遲、高吞吐量的大模型推理。兩者放在一起看，代表光計算的敘事正從「矩陣乘法在光學上可行」轉向「混合式 AI 系統是否能商品化」。192027

真正值得注意的是產品路徑，而不只是一顆晶片

天樞・光立方以 PACE 2 光電混合加速卡為基礎，將運算、CPU、記憶體、主動散熱與外部介面整合在盒式系統中。相關報導指出，產品可支援人臉辨識等真實、高頻率的視覺任務，而非僅是實驗室裡獨立運作的元件。1926

這一點很關鍵。AI 加速器能否落地，並不只取決於峰值算力；推理軟體、介面、散熱、監控、可靠度與維護成本，同樣決定使用者是否願意導入。把晶片做成可直接部署的一體化設備，讓潛在客戶能評估端到端應用，而不必自行拼湊光子晶片、主機電子元件、冷卻系統、驅動程式與應用流程。

PACE 3 則延續這條路徑。曦智科技表示，PACE 3 的光子積體電路（PIC）已於 2026 年 6 月回片，最大支援 256×256 的矩陣規模，鎖定低延遲、高吞吐量的大模型推理；後續資訊顯示，其 PIC 與電子積體電路（EIC）均已完成流片，但仍須進行系統驗證。1927

這裡必須保留界線：流片與回片是重要研發里程碑，卻不等於已在已部署的大模型推理中，獨立證明量產等級的系統效能與可靠度。

為何光電混合架構更貼近現實

光子處理器特別適合 AI 模型中的密集線性運算。研究回顧顯示，多種光子矩陣運算途徑可達到極低延遲與低乘加能耗，但實際結果高度取決於架構，以及測量是否納入完整系統範圍。33

不過，可用的 AI 系統不可能完全依靠光學。曦智科技採用的是光電混合架構：光學部分處理密集矩陣運算，電子晶片則負責儲存與控制。11 這種分工反映了工程現實：推理還需要資料搬移、數位／類比轉換、非線性運算、排程、記憶體管理與錯誤處理。

因此，商業化真正要比較的是整個系統的效率，而非僅比較光學核心的理論效率。一項 2026 年研究指出，在以轉換器為主的光子 AI 功耗預算中，ADC 與 DAC 可能合計占逾 80%；精度設定與轉換器設計，會成為能耗與準確度之間的關鍵取捨。45

天樞・光立方回應了哪些商用障礙？

1. 部署與整合門檻

一體化設備降低早期採用者的整合負擔。企業不必先把光子硬體裝進自家伺服器，再自行處理散熱、介面與軟體鏈路；曦智科技可以提供包含支援運算、記憶體、冷卻及介面的完整應用系統。1926

對邊緣端與視覺工作負載而言，反應速度與營運穩定性往往和峰值吞吐量同等重要。持續運作的門禁場景，可用來累積安裝、可用性與重複使用條件下的行為證據。

2. 軟體採用門檻

光子硬體需要能因應量化、校準、元件差異、光電混合執行，以及工作負載如何映射到矩陣核心的軟體與模型。據報導，曦智科技正與大學及科研機構合作，將 LTSimulator 光子計算模擬器與 Gazelle 評估板導入課堂與實驗室。20

這是長期的生態布局：在專用硬體尚未大規模普及前，開發者可先學習硬體感知的模型映射與演算法設計，減少光計算的軟體「冷啟動」問題。

3. 供應鏈與可製造性

商用光計算遠不只是一顆運算晶片。雷射、調變器、探測器、電子控制電路、封裝、測試、校準及系統介面，都必須協同運作。曦智科技在 WAIC 也展示光計算、光互連與光交換，將自身定位在更廣泛的 AI 基礎設施堆疊，而非單一加速器。2327

這種策略不會消除供應鏈風險，卻有助於把工程重心集中於可重複使用的系統模組，讓技術較容易產品化。

4. 準確度、校準與維護

光學硬體對非理想特性相當敏感。已發表研究指出，不平衡損耗、光學元件偏差、轉換誤差、非線性響應與波長相關差異，都可能影響結果；校準與補償因而是系統核心功能，而不是可有可無的附加項目。323637

所以，商用光子產品不能只看理想條件下的一次矩陣運算結果；更應檢驗它是否能長時間維持準確度、是否容易重新校準，以及不同批次製造元件間是否具備可預期的表現。

256×256 為何是實用尺度，而非單純追求更大？

256×256 矩陣包含 65,536 個元素，能為分塊執行的神經網路運算提供可觀的平行能力。但現有證據並未證明 256×256 是放諸四海皆準的物理最優解；更合理的理解是，它是在多項工程限制間取得的實務平衡點。

曦智科技董事長沈亦晨的說法相當直接：矩陣更大，並不必然代表更有用的算力；真正重要的是能否靈活適配不同模型。28

陣列變大時，訊號路由與光功率分配會更複雜，插入損耗、類比 I/O 數量、熱調校、校準負擔、封裝難度與良率風險也會增加。光學交叉陣列研究同樣記錄了耦合器、分光器、交叉結構與波導等多處的損耗來源。38

因此，與其打造一個極大的單體矩陣，系統有時更適合把模型切分到多個可控核心上執行。最佳組態取決於模型形狀、目標精度、轉換開銷、封裝方式、可用良率與總能耗，而不是只看矩陣邊長。

精度也屬於同一組取捨。實驗性光電混合研究顯示，低位元光子乘法可取得高準確度，而數位累加等技術可改善點積結果。35 這再次說明，光子陣列的價值要放在完整的混合式工作流程中衡量。

目標是生態系，不是宣告取代 GPU

對曦智科技 WAIC 布局最可信的解讀，是互補式專業分工。光子引擎可望加速特定的密集線性運算，以及可能高度受資料搬移限制的基礎設施工作；GPU 與 CPU 仍對可程式性、訓練、記憶體、控制流程、非線性運算及不適合映射至光子硬體的工作負載十分重要。

這項策略的各個環節彼此強化：

• 真實部署可為買方帶來參考工作負載與營運證據。
• 封裝好的系統降低早期使用者的整合門檻。
• 模擬器與教學工具有助培養適合混合式硬體的開發者與演算法。20
• 光互連與光交換則把機會從單一運算晶片擴展至 AI 系統基礎設施。2327

若進展順利，這可形成正向循環：可信的應用促成部署；部署帶動軟體與零組件投資；更成熟的工具與供應鏈，再降低下一次部署的成本。

還需要哪些證據，才能稱得上真正的轉折點？

WAIC 2026 的確提供了光計算進入更商業化階段的跡象，因為討論焦點已轉向可部署產品、重複性工作負載、系統驗證與開發者生態。192021

但這還不足以證明傳統 AI 加速器將被廣泛取代。真正具決定性的證據，會是可重複驗證、針對具體工作負載的系統級數據：延遲、能耗、準確度、可靠度、部署成本、軟體可攜性與維護表現。

在那之前，較審慎而有力的結論是：曦智科技已讓光計算更容易被當成一項真實產品來評估；至於完整的商業價值，仍須在長期運行中證明。