1. 这家靠光做算力的公司凭什么值78亿刚看到曦智科技启动港股上市进程的消息时我第一反应是去翻了翻三个数字年营收大概1亿人民币估值78亿人民币左右背后股东名单里躺着腾讯。说实话1亿营收对应78亿估值市销率接近80倍放到大多数行业都算离谱。但在光计算这个赛道里资本看的是另一套逻辑。做技术的人看这家公司重点应该放在光电混合计算这六个字上。它不是那种PPT造芯的公司2017年从MIT实验室孵化出来创始团队做的是光子芯片方向2019年在《Nature》上发表过用光子芯片跑神经网络加速的成果。这几年陆续发布过光计算原型芯片、光互连产品现在年营收能过亿说明已经有一部分客户愿意真金白银为光电技术买单而不是停留在demo阶段。光计算为什么会被资本重视直接原因是AI算力需求涨得太快电子芯片的功耗墙和带宽墙越来越明显。就算GPU迭代到下一代数据中心也没那么多电可以烧。而光信号天然具备低延迟、高并行、低互连功耗的优势光电混合计算等于在电子计算的老路上开了一条岔道资本下注的是这条岔道未来能长出多大的路网。当然78亿估值不是终点是市场给的一个阶段性定价。这个价格里大部分是愿景小部分是现实。作为关注这个方向的人我更关心的是光电混合计算到底解决了什么问题、产品做到什么程度、还有哪些坑没填完。这篇文章把我的理解拆开讲。2. 光电混合计算到底在算什么从光子特性说起2.1 光子算乘法有什么天生优势先聊一个物理层面的基础问题为什么光可以用来计算而且快。电计算最大的瓶颈不在晶体管的开关速度而在数据传输。芯片里的数据要从内存搬到计算单元再搬回去这个过程中导线有电阻、有电容频率一高发热量和延迟都上来了。大模型训练和推理恰恰是搬运密集型任务动辄几千亿参数数据搬运消耗的能量远超计算本身。光子不一样。光子不带电荷相互之间几乎不干扰多个波长的光可以在同一根光纤里并行传输而互不干扰。这意味着光天然适合做大规模并行运算尤其是矩阵向量乘法。你可以把输入数据编码成不同强度的光信号穿过一个精心设计的干涉仪阵列或者波导网络光信号在传播过程中就完成了乘加运算输出端直接得到结果。这个运算过程有多快光在介质里走一厘米大概只要几十皮秒。在AI推理这类以矩阵乘法和卷积为主的负载上光子芯片的运算延迟可以做到极低同时功耗远低于电子芯片。但要注意光计算并不是万能的。光擅长做线性运算比如矩阵乘法、傅里叶变换这些恰好是深度学习的核心算子。但遇到非线性激活函数、数据存储、复杂逻辑控制光就不擅长了——光信号很难做高精度的逻辑判断也很难直接在光域里存储。这也是纯光子计算这么多年没能落地的根因。2.2 电子做控制光做运算混合架构的分工逻辑光电混合计算的基本思路就是用人所短的地方继续用电用人所长的地方换成光。一个典型的系统长这样数据进来之后先把电子信号转换成光信号光的强度跟着信号变化光信号进入光计算芯片在波导网络里完成大规模矩阵运算运算结果再通过光电探测器变回电信号交给传统芯片做非线性处理、控制逻辑和存储。这就像把一整个团队分成两组一组是电子工程师负责统筹、调度、复杂判断一组是光传输和光计算团队只做最擅长的大规模并行乘法。分工清晰各干各的。这套架构的好处有三点。第一不用等纯光子计算的所有技术都成熟先把最容易商业化的矩阵运算部分光子化马上就能看到功耗和延迟的改善。第二和现有电子芯片生态兼容不需要用户把整个软件栈推翻重来通过混合方案先接入一部分场景。第三研发风险可控不需要在芯片层面上完全另起炉灶。2.3 一个类比高速路网加收费站的调度模型光电混合计算这类东西对不熟硬件的人有点抽象。我一般用高速路网来打比方。传统电子计算像城市老城区里的小路路口多、红绿灯密、车一多就堵这个堵就是信号传输延迟。光计算通道则是新建的封闭高速路车在上面跑得快、跑得多、不会互相干扰。但高速路不是哪里都能开口得有出入匝道和收费站这些收费站就是模数转换和调制解调器。光电混合架构相当于在关键主干道上建高速连接老城区的地方保留收费站和红绿灯。这个类比能说明一个关键点高速路的收益取决于匝道效率。如果光电信号转换的代价太大高速公路跑得再快也没用。所以看光电混合计算能不能商用不能只盯着光芯片本身快不快还要看整个链路里的转换开销是不是可控。光芯片只有在数据量足够大、转换开销摊薄之后才能真正体现出优势。3. 从原理到产品曦智科技怎么把光变成营收3.1 从MIT实验室走出的技术脉络曦智科技的起点是MIT的一个研究项目。创始团队的核心方向是光子计算2019年的那篇Nature论文展示了一个关键突破口把光子芯片用于深度学习任务的加速当时跑了简单的手写数字识别但整个业界看到的是光可以算这个可能性。从实验室到产品的路没那么好走。我见过不少搞光计算的团队原型验证很漂亮一到工程化就卡住光芯片的封装要跟激光器、调制器、探测器集成在一起精度要求高封装一致性难做环境温度一变光的相位就飘信号就失真。可以说光计算从论文走到设备中间横着的不是技术鸿沟是工程悬崖。曦智科技这几年的布局基本就是沿着先在光计算上证明自己再拓展光互连业务的路径。光互连相对成熟一些对应的是数据中心里越来越急迫的带宽需求商业落地速度更快。光计算则是中长期的大故事是支撑高估值的关键想象空间。3.2 产品线拆解光计算芯片和光互连两条腿走路从公开信息看曦智科技大致有两条产品线。第一条是光计算芯片瞄准AI推理加速场景。它的思路是在处理器内部用光信号完成矩阵乘法等核心操作芯片用在服务器或加速卡上和现有CUDA生态不完全竞争而是做典型算子的加速。这类芯片的优势场景包括图像识别、自然语言处理的推理阶段、科学计算里的矩阵运算等。推理任务通常不需要训练那么高的精度对光子模拟计算的误差容忍度相对更高落地更容易。第二条是光互连产品。数据中心内部的数据交换量越来越大传统的可插拔光模块在功耗、密度上逐渐到顶。光互连可以理解为用光技术把机柜和机柜、GPU和GPU之间的通道做得更宽、更快。别小看这条线AI集群的规模越大数据传输就越拖后腿英伟达下一代GPU都在推光互连方案这侧面说明方向是对的。年营收能到1亿左右大概率是光互连和光计算产品都开始有订单了客户买了真东西回去跑不是放在展厅当模型。3.3 年营收1亿到底意味着什么1亿营收在半导体行业里是个很微妙的数字。对于一家消费级芯片公司来说1亿连起步都算不上但对于一家做前沿硬件方案的公司来说说明它完成了从0到1的跨越。什么样的情况才能产生1亿营收要么是几个大客户签了几千万级别的订单要么是几十个中小客户试单。不管哪种都说明产品不是空中楼阁。我特别关注的是营收结构是硬件销售为主还是包含了定制化服务是头部云厂商的试点项目还是行业客户的真实长期需求这些信息在招股书里通常会有披露值得细看。不过也要清醒1亿营收和几十亿估值之间的落差本质上反映的是市场对技术愿景的定价而不是对公司现有盈利的定价。这种情况在硬科技公司里很常见关键在于能不能在计划时间内把营收做到10亿级别否则高估值就会变成持续融资的负担。4. 光计算落地卡在哪我看到的三个核心难题4.1 第一座山封装集成难光路比电路难伺候光芯片的封装集成是光电混合计算行业最容易被低估的挑战。电子芯片封装虽然也难但毕竟有几十年的成熟供应链TSV、2.5D封装这些工艺已经有大量代工厂支持。光芯片不一样它需要把激光器、调制器、波导、探测器、放大器等多个不同材料体系的器件封装在同一个模块里。如果做成硅光方案激光器通常还需要外挂靠光纤耦合把光引入芯片耦合效率稍有偏差整个链路的损耗就上来了。更要命的是稳定性。电子芯片对温度也敏感但不会因为温度变化几个摄氏度就逻辑出错。光子器件对温度非常敏感温度一变波导的折射率就变干涉结果就偏计算精度直接受影响了。工程上通常的做法是给光芯片加温控模块但温控本身要耗电会抵消一部分低功耗优势。我看到行业里的应对路径包括改进封装工艺、开发更宽温范围的光子设计、把温控集成到系统里做精细校准。但这些都是慢功夫每一代产品的迭代周期明显比电子芯片长。4.2 第二座山软件工具链和生态程序员看不到光光电混合计算能不能起来一半看硬件一半看软件生态。芯片最终是要给框架用的。一个做算法的人不希望自己的代码要关心底层是光还是电。理想状态是PyTorch、TensorFlow里的模型能无缝跑到光计算加速器上。但现实是光计算芯片的编程模型和传统架构差异很大尤其是光路里的误差校准、模拟计算精度控制需要有专门的中间层和编译工具来承接。我了解到光计算公司基本都在做自己的编译器和运行时相当于在框架和硬件之间搭一座桥。差的桥是简单地做算子映射好的桥会考虑光路的物理特性自动做误差补偿拆分、任务调度。从0开始搭这套东西人力成本很高这大概是很多光计算团队烧钱快的原因之一。用户习惯又加重了难度。芯片客户通常在采购前会问两个问题能不能跑我现有模型跑出来的精度能不能达到要求如果不能直接回答能就需要大量售前工程力量去适配销售周期会变得很长。4.3 第三座山良率、成本和供应链成熟度光芯片在实验室里做出一片好的不难难的是量产一万片里个个都达标。电子芯片良率的问题集中在制程工艺光芯片的良率问题更多元化波导刻蚀的均匀性、薄膜沉积的厚度一致性、测试校准的耗时都会影响最终良率。光芯片的测试环节通常比电子芯片慢因为要逐一做光学校准这个时间和人工成本会直接反映到芯片价格上。现在一片光计算芯片的成本大概率还明显高于同等算力的电子芯片一旦算总账很多客户会犹豫。供应链的问题更宏观。光计算涉及的材料、器件、封测产线还没有形成像CMOS那样庞大的生态。上游供应商少、议价空间小、生产周期长这些现实问题让光计算产品很难快速迭代。所以现在买光计算产品的客户买的不是便宜是两种东西一种是极致能效比在断电功耗受限的场景下用光计算换取更多算力另一种是前沿技术卡位宁可多花钱也要在未来光计算标准成熟时占据先发优势。5. 腾讯下注的账怎么算资本视角下的光电混合计算5.1 腾讯的投资逻辑算力需求大爆炸下的卡位腾讯之所以出现在股东名单里大概率和业务痛点有关。腾讯云、微信、游戏这些业务背后 AI 推理需求一直在涨尤其是大模型铺开之后GPU 集群的成本和功耗越来越高。作为大厂它不能只盯着英伟达必须在新技术方向上做组合投资确保未来算力供给有备用方案。光计算公司如果能解决推理场景的功耗问题对大厂来说就是直接的成本节省。我判断腾讯看中的不只是财务回报更是战略卡位——通过股权投资锁定未来光计算产能和合作优先权这在大厂投资硬科技公司里是很常见的打法。反过来曦智科技也需要腾讯这种级别的股东。光计算公司早期最大的难题不是技术是客户从哪里来。大厂股东至少带来两个正面效应一是背书变成国内头部互联网公司都认可的技术路线二是试点机会技术可以在真实的大规模场景里验证。这也是为什么这类公司融资时都喜欢引入产业资本只有纯财务VC是不够的。5.2 估值78亿怎么读市销率高企背后的技术溢价年营收1亿的大前提下78亿估值需要拆开看。按市销率算差不多78倍。消费品公司做到这个倍数是不可能的软件SaaS公司做到这个倍数都算高。硬科技公司不一样市场通常采用管线估值法或者赛道估值法管线估的是你未来5年能拿下多少市场份额赛道估值则建立在光电混合计算一定会在AI算力市场里占一席之地这个假设上。如果拿光模块行业的龙头做参照比如中际旭创、新易盛它们几百亿市值背后有几十亿上百亿营收支撑那是成熟期公司的估值逻辑。曦智科技78亿对应1亿营收市场赌的是它未来几年能走上光模块龙头当年的高增长路径而不是今天的利润。这个估值听起来高但在前沿计算赛道里不算极端。同赛道其他拿到融资的创业公司普遍也是十亿级人民币估值起步。资本愿意用高估值换取对技术方向的投票权毕竟这类公司一旦趟通工程化道路技术壁垒和先发优势都极难复制。5.3 光模块、硅光与光计算资本市场要区分清楚讨论光电混合计算时很容易把光模块、硅光、光计算三个概念混在一起。我在这里做一个简单区分因为投资逻辑完全不同。光模块是典型的成熟产品解决的是数据传输问题已经在数据中心大规模部署商业模式成熟竞争格局清晰。硅光是一大类技术平台用半导体工艺做光子器件它的整个工艺路线跟光计算和光模块都有交集更多是底层技术的定位。光计算则是用光子来做运算而非单纯传输属于更前沿的方向难度最高落地最远一旦突破也最值钱。一个常见误区是看到硅光就以为和光计算是一家。硅光可以做光模块里的光引擎也可以做光电混合计算的底层平台但做光模块的公司不等同于做光计算的公司。投资者有必要区分光互连带来的营收和光计算带来的想象空间曦智科技目前的营收大头很可能来自光互连类产品光计算还处在从样品到量产的爬坡阶段。6. 光计算会不会取代电计算我的几点观察6.1 取代论站不住脚混合演进才是主线很多人问我光计算会不会取代电子计算。我的判断是短中期内不会长期也不会是简单的取代关系而是混合共存。电子计算在逻辑控制、存储、非线性运算上有不可替代的优势晶体管工艺也还在按部就班演进。光计算的优势集中在特定的算子类型和高并行场景。未来的计算系统不会是全光或者全电更大概率是光电混合异构——光负责大规模线性运算和长距离传输电负责存储、控制、复杂逻辑和终端交互。看一个行业是不是在按这个方向发展就看头部算力公司怎么做。大厂不仅投光计算公司还在做光互连与电芯片的协同设计比如把光引擎和GPU封装在一起。生态在往光电子协同的方向靠拢而不是谁消灭谁。6.2 三个观察指标功耗、成本、生态成熟度判断光电混合计算是否真的进入黄金期我有三个标准。第一个指标是每瓦算力。大模型推理场景里光电混合芯片每瓦能完成多少次推理这个数字只要显著优于GPU就不愁订单。光电混合计算的核心卖点就是能耗比这个指标不上台阶故事就讲不圆。第二个指标是单位算力成本。功耗再低如果每块芯片贵到客户买不起也白搭。这个成本取决于良率、封装工艺和上游供应链重点关注它什么时候能降到主流服务器可以批量采购的区间。第三个指标是开发门槛。一家普通算法公司能不能在两周内把一个模型无缝搬到光计算芯片上如果能生态会快速繁荣如果只能靠定制开发和专人来维护市场规模就很难做大。目前来看这三个指标都在改善但离真正爆发还有距离。曦智科技要达到更高的资本市场位置大概率要在这三个维度上拿出更有说服力的数据。6.3 我的体会与建议看过不少技术方向从实验室到产业化的过程光计算是我个人觉得技术确定性较高、工程难度也相当高的一类。它的方向几乎所以人都会认同但能坚持到规模商用那一天的公司注定不会太多。对这个主题感兴趣的朋友我建议按几个层次去跟踪一是关注产品发布和客户应用案例判断技术是否落地二是关注招股书里的营收结构、毛利率和研发投入判断商业化含金量三是关注同赛道公司的动态光计算这个领域没有哪家公司能独吞市场最终会是生态级竞争。如果未来几年里光电混合计算能持续证明自己在真实业务负载下的价值今天78亿的估值也许只是一个起点。反过来如果商业化节奏不及预期这个估值也会面临反复修正。技术的故事终究要靠工程化、产品化和规模化来讲完。