2026年，全球AI芯片市场规模上升到1200亿美元以上，可是，可算力供应却碰到明显阻碍。

当英伟达H100单卡价格涨到3万美元，交付周期还得好几个月的时候，科技巨头们就开始找新的出路，1月26号，比尔·盖茨投资的Neurophos公司发布了光处理芯片TulkasT100，还说这芯片的性能是英伟达旗舰GPU的10倍。

这不是孤例——贝索斯押注LuminousComputing，扎克伯格投资AyarLabs，一场关于"用光取代电"的算力革命正在硅谷悄然打响。

这场豪赌背后，藏着AI时代的生死命门，TulkasT100拆解：470petaOPS意味着什么？

Neurophos发布的TulkasT100光芯片，核心参数挺震撼的，算力达到470petaOPS，光互连速度是56GHz。

作为对比，英伟达现在最强的H100GPU算力大概是60petaOPS，马上要发布的B200预计在100petaOPS左右这就是说单颗TulkasT100理论上相当于4到8块顶级GPU的算力。

更关键的是功耗比方面的优势，传统GPU在高负载时，功耗能达到700瓦，而光芯片借助光子来传输数据，理论上能够把能耗降低80%以上。

用通俗的话说，如果把AI训练比作"烧钱"，光芯片就是把"烧煤炭"升级成"用太阳能"——速度更快，成本更低。

光芯片为什么能突破GPU的性能天花板，答案在于硅光子技术——在芯片上用激光器、波导、调制器构建"光学高速公路"。

传统GPU靠电子在铜导线中移动传输数据，受限于电阻和发热，信号传输速度最高只能达到光速的十分之一。

而光芯片直接用光子来承载信息，在硅基波导里差不多以光速传播，延迟降到纳秒级，

更巧妙的是，就像一条公路能同时跑不同颜色的车互不影响一样，光波能通过不同波长同时传输多路数据。

这种降维打击式的架构创新，让光芯片在处理大模型训练要用的海量矩阵运算的时候，体现出比较碾压的优势。

虽然数据看起来还不错，但是光芯片要代替GPU还有很长的路要走。

首先是应用场景有局限，光芯片比较擅长大规模并行计算，挺适合GPT、DALL-E这类大模型的训练和推理加速，不过在通用计算、游戏渲染、边缘设备这类场景里可没什么优势。

产业化门槛其次，硅光子芯片的制造工艺比传统半导体复杂好多，良品率比较低，成本一直处在高位，Neurophos现阶段仅仅有原型机，预计到2027年才可以实现小批量交付。

最麻烦的就是生态适配的问题英伟达花了15年构建起CUDA软件生态的护城河，全球有数百万开发者的代码都是基于这个来编写的，光靠芯片要撬动这座大山，得重新去适配PyTorch、TensorFlow这些主流框架。

刚开始只是技术上有了突破，而能不能在商业上得以应用才是真正的考验。

光芯片赛道已成为中美科技博弈的新战场。

美国阵营中，除了Neurophos，还有贝索斯投资的LuminousComputing（主攻光电混合架构）、获微软支持的Lightmatter（专注光子AI加速器）。

中国玩家也不落后，曦智科技在2025年推出了国产光芯片PACE，已经和华为、阿里云开展合作测试，鲲云科技、光格科技则把宝押在相变存储和光计算结合的路线上。

技术路线上，全球玩家分成三大流派，波导型、相变型、光电混合型。目前尚无统一标准，这场竞赛才刚刚开始。

要是谁可以先解决量产的难题，并且建立起生态方面的保护，这样，谁就很有可能复制英伟达那个万亿帝国的神话。

2026年可能成为光芯片商用元年的起点。

短期来看（1-2年），GPU仍将占据主导地位，光芯片更多以"加速卡"形式辅助大模型训练。

中期（3-5年），光电混合架构有希望成为数据中心的标配，就跟当初CPU加GPU的组合颠覆超算市场一样。

长期来看（5年以后），要是硅光子工艺突破了成本的关键转折点，全光计算的时代也许就真的来了到那时候人工智能训练的速度和能效，有可能又能大幅提高一个数量级。

英伟达的垄断会被打破吗？至少现在，光芯片已经点燃了火种