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。
