分享一份Nature Communications發表的觀點文章，聚焦矽光子學的發展歷程與未來方向，探討如何提升產業規模、下一代技術形態和挑戰、應用中的技術瓶頸等問題，並展望了未來十年的關鍵發展里程碑，比如包括整合技術共存、雷射器效率提升、應用場景多元化等。報告主要內容矽光子發展歷程和代際路線技術核心：材料整合、晶片尺寸、電光調製、雷射器整合等光電子系統及整合應用及各自挑戰未來十年里程碑關鍵資訊摘錄1矽光子基本結構及發展代際矽光子整合回路（PIC）從1985 年首次出現到 2025 年，元件數量（元件是元件定義為構成電路的基礎單元，如波導、定向耦合器、加熱器、光柵耦合器等）持續提升，尤其是Si單片整合光子學已發展到LSI（500-10,000 個元件）、VLSI（>10,000 個元件）。矽光子學已發展為資料中心互連的主導技術，並將成為核心技術。大規模整合（LSI）矽光子系統包含三個關鍵子系統：WDM 收發器（光源、核心元件、電子配套、監控機制），相干檢測與訊號處理模組，雷射雷達。2調製材料與機制對比報告系統對比了不同調製材料的核心性能與應用潛力，共10類核心材料的5種關鍵指標，體現了調製器技術瓶頸與研發方向。泡克爾斯效應材料（BTO、LNOI、聚合物）是高速調製的潛力方向，但面臨 CMOS 整合或尺寸侷限；傳統 p-n 摻雜劑仍主導商用市場，但插入損耗問題需通過材料最佳化或整合技術解決；MEMS/NOEMS、液晶材料適合低功耗場景，但頻寬與封裝問題制約規模化應用。3矽光子核心瓶頸：雷射整合矽的間接帶隙無法產生高效光學增益，需通過混合、異質、單片等整合技術引入外部光源，關鍵難點包括降低雷射與矽光子晶片的耦合損耗、控制反射干擾、最佳化熱管理與可靠性、適配大規模整合需求等。雷射與矽 PIC 的整合有六種主流方案，從傳統到先進。異質整合和單片整合的耦合損耗最小，是核心優勢，但是技術成熟度低；混合2.5D成本效益好、輸出功率高、熱管理容易，是當前量產最優解。其他頁面展示(銳芯聞)

2025年1月，國產大模型DeepSeek-R1橫空出世，以28nm晶片+光子互聯實現千億參數訓練，被外媒稱為“中國AI最深度突圍”。一年之後，ICIS今日發佈長文對比中美AI競賽最新態勢：中國在論文高被引、開源模型數量上已反超美國；但在尖端算力、EDA/IP和2nm以下晶片仍落後約半代，整體技術差距從2024年的12個月壓縮至約6個月，進入“貼身肉搏”階段。史丹佛HAI資料顯示，2025年全球AI高被引論文前1%中，中國機構佔比29.8%，首次超過美國（29.4%）。DeepSeek、阿里、百度、華為、字節跳動五家合計開源67個十億級以上模型，同期美國Meta、OpenAI、Google僅開源43個。DeepSeek-R1在數學推理榜單AIME2025上得分與GPT-4.5持平，訓練成本僅為後者1/18。美國BIS自2024年10月將HBM3E、CoWo-S納入對華管制，中國被迫轉向成熟工藝+Chiplet+光子互聯。DeepSeek團隊披露，其最新兆模型使用國產14nm+28nm混合Chiplet，HBM2E國產替代率60%，訓練算力成本下降40%，但單卡性能仍比H100低35%。ICIS援引分析師指出，若2026年國產HBM3E順利量產，中美算力硬體差距有望從1.5代縮小至半代。2025年中國AI領域股權融資達260億美元，佔全球37%，僅次於美國。清華、北大、浙大AI專業本科招生人數三年翻倍，2026屆畢業生預計超4萬人。DeepSeek母公司幻方量化設立10億元“算力獎學金”，被業內稱為“中國版OpenAI Grants”。ICIS測算，2026年國產HBM將拉動中國高純硫酸、銅電鍍液需求增長22%，光刻膠消費量突破1.2萬噸，年復合增速18%。美國限制ArF光刻膠對華出口，促使南大光電、上海新陽加速研發，2025年國產ArF光刻膠驗證線已通過28nm工藝考核，目標2027年匯入14nm。報告認為，中國在AI工程化、資料規模和政府集聚度上具備優勢，但2nm以下GPU、EDA/IP、先進封裝仍受制；美國則依靠CUDA生態、2nm GAA和High-NA EUV保持半代領先。若2027年中國仍無法量產EUV級GPU，技術差可能重新被拉大至12個月。DeepSeek一周年表明，封鎖並未阻止中國AI崛起，反而加速“非EUV路線”創新。6個月的技術差已進入“同一世代”競爭，誰能率先在下一代2nm GAA、光子計算和開源生態上突破，誰就能定義2027年後的AI新格局。對於仍在擴產中的國產HBM、光刻膠與裝置企業而言，DeepSeek打開的窗口期，只爭朝夕。 (晶片行業)

近年來，生成式人工智慧的迅猛發展導致全球範圍內超大規模人工智慧叢集的部署速度空前加快。隨著摩爾定律的放緩，只有通過平行計算才能實現更高的性能，因此，資料處理和/或傳輸性能的提升必然導致能耗的增加。也就是說，人工智慧基礎設施的快速增長帶來了嚴重的能源危機。如圖 1 所示，隨著資料量的指數級增長，所需的能源供應量也將呈指數級增長。從這個意義上講，解決這一能源問題的唯一有效途徑是開發一種能夠將能源增長與資料增長分離的技術。光子學具有巨大的潛力，因為光波的傳播和干涉無需消耗能量，因此可以通過工程設計來實現可擴展的功能，而無需增加能耗。矽光子學在過去二十年中得到了廣泛的發展，如今已完全具備提供近乎理想的平台的能力，從而釋放其巨大的潛力。事實上，矽光子學能夠提供高效的高密度互連，實現高頻寬和長距離鏈路；能夠實現低能耗的光路切換，且不受訊號頻寬的限制；以及能夠進行光速計算的光子神經網路，從而加速人工智慧計算。在本文中，我們將回顧這些光子技術的發展趨勢和進展，我們將論證，為了使這些光子技術成為人工智慧時代可持續基礎設施的重要組成部分，硬體和軟體以及電子和光子學需要以互補的方式進行開發。光收發器和交換機A. 能耗擴展圖 2 繪製了光收發器和超大規模資料中心常用的電交換機專用積體電路 (ASIC) 的能效（單位為 pJ/bit）隨時間的變化曲線。通過與光收發器的趨勢進行比較，發現交換機 ASIC 的可擴展性不如光收發器，這表明瓶頸在於交換機而非收發器。令人驚訝的是，光收發器的能效已經趕上了摩爾定律的步伐，基於矽光子學的近封裝/共封裝光學器件的能效已經超過了 5 pJ/bit，而交換機 ASIC 的能效提升卻明顯緩慢。事實上，ASIC交換機的功耗會隨著吞吐量的增加而增加，在100Tbps吞吐量下，每個晶片的功耗會超過1000W；而光交換機的功耗則極低且在吞吐量增加的情況下保持穩定（圖3）。因此，使用光交換機替代電交換機越多，系統效率就越高。以下將討論一些實際問題。B. 光交換機的系統應用案例光交換機的一個關鍵缺點是無法進行封包處理，而封包處理正是ASIC交換機的核心功能。光交換機僅作為“光路交換機（OCS：optical circuit switches）”運行，因此不能簡單地替代ASIC交換機。為了控制OCS，需要一個控制平面，而編排器或作業系統需要瞭解OCS的狀態，並根據系統需求，通過控制平面傳送相應的命令來控制光交換機。這種系統與依賴專用積體電路交換機 (ASIC) 的傳統分組系統截然不同，因此，使用光通訊系統 (OCS) 需要從零開始重建整個系統，並對架構進行全面最佳化。顯然，目前世界上除了Google之外，沒有其他公司能夠做到這一點。在Google宣佈已在其資料中心和人工智慧基礎設施中大規模使用 OCS 之後，光交換機開始得到廣泛發展。早在Google推出 OCS 系統之前，日本產業技術綜合研究所 (AIST) 就已經開始研發大規模矽光子交換機。圖 4 展示了 AIST 開發的矽光子交換機刀片。該交換機提供 32 x 32 個嚴格無阻塞連接，並帶有數字控制介面，通過配置 9 級 Clos 網路，可擴展至 131,072 x 131,072 個連接。實驗證明，在可組合的解耦基礎設施中，這些交換機可以將網路功耗降低 75%。用於製造這些大規模矽光子開關的製造裝置是日本產業技術綜合研究所（AIST）基於標準CMOS技術的內部試驗生產線，該技術採用45奈米工藝規則，實現了足夠高的均勻性和良率，可以大規模生產包含數千個器件（例如馬赫-曾德爾干涉儀（MZI： Mach-Zehnder interferometers））的大規模光子積體電路。光子神經網路基於標準CMOS製造技術的矽光子器件具有高均勻性和高良率，這對於實現光子神經網路（PNN：photonic neural networks ）至關重要。在PNN中，整合了大量的馬赫-曾德爾干涉儀（MZI），形成網狀拓撲結構，並在光域中執行矩陣-向量乘法（MVM：matrix-vector multiplications）。PNN上的MVM過程本身速度極快，且不消耗能量，可以顯著提升人工智慧（AI）的計算能力。因此，人們期望PNN能夠分擔GPU等高能耗數字處理器的計算任務。然而，PNN缺乏良好的非線性啟動函數，而非線性啟動函數是AI計算中另一個重要的功能。為瞭解決這個問題，我們提出利用電光（EO：electro-optic）非線性效應，僅通過傳播即可完成AI計算過程，而無需中間階段的數字處理。利用馬赫-曾德爾干涉儀（MZI）器件可以輕鬆實現這一點，該器件以電訊號作為輸入，以調製後的光訊號作為輸出。電光非線性具有正弦傳遞函數，這與傳統的啟動函數（例如 ReLU、Sigmoid 和雙曲正切函數）截然不同。因此，需要尋找適用於機率神經網路（PNN）的全新人工智慧模型。A. 基於光電非線性的機率神經網路目前，我們已提出並演示了幾個基於光電非線性的AI模型，如下所示：第一個模型包含一個從輸入參數空間到更高維空間的非線性投影對應。通過調整馬赫-曾德爾干涉儀（MZI）的工作點來訓練其光電傳遞函數。轉換後的光學復空間中的非線性對應資料可以通過尋找超平面進行分離，類似於支援向量機。圖5(a)和5(b)分別展示了我們開發的矽光子晶片和實驗裝置。我們使用BFO（bacteria foraging optimization）和前向差分兩種演算法在晶片上進行了訓練，並在圖5(c)中展示了它們對多個布林邏輯進行分類的有效性，並在圖5(d)中展示了它們對鳶尾花資料集的高精度分類。該PNN僅通過無源光子電路中訊號的物理傳播即可完成計算，從而保證了低功耗和低延遲計算。我們在此討論的第二個模型是上述模型的級聯版本，即“垂直分層光電機率神經網路”（，如圖 6 所示）。在該模型中，所有光路的長度不會隨著層數的增加而增加，從而能夠實現更深度學習模型。圖 7 顯示了 MNIST、Fashion 和 KMNIST 資料集的測試精準率。三層模型的精準率優於兩層模型。我們在此介紹的最後一個（但同樣重要）模型是光電霍普菲爾德網路。圖 8(a) 顯示了我們提出的架構，其中馬赫-曾德爾干涉儀 (MZI) 作為非線性神經元，將輸入資料和反饋訊號編碼到輸入的單頻連續波 (CW) 光（記為 λ）上。圖 8(b) 顯示，經過訓練後，即使對於半損壞的輸入模式，也能回憶起儲存的模式，這表明了霍普菲爾德網路特有的聯想記憶效應。B. 流式 PNN 的通用方案由於運行 PNN 需要不可忽略的開銷，因此必須對整個系統進行徹底評估和整體最佳化。另一方面，PNN 的固有優勢是低延遲、高速度、低能耗等。為了充分發揮這些優勢，PNN 作為流式處理器，同時具備電域和光域 I/O 時，運行效果最佳。流式 PNN 的概念如圖 9 所示。通過該方案，PNN 可以同時在電域和光域中流式處理資料，從而無縫整合到數字基礎設施中。結論矽光子技術取得了顯著進步，如今在諸多方面展現出巨大的潛力，能夠從高密度I/O、頻寬無關的電路開關以及光速AI加速器等多個方面提升人工智慧基礎設施的可持續性。然而，將光子功能器件（例如OCS和PNN）引入傳統數字基礎設施並非易事，因此，未來需要對整體系統設計和實現進行更深入的研究。 (半導體行業觀察)