光子计算初创公司 Lightmatter 正全力进军快速增长的 AI 计算市场。其软硬件结合方案旨在助力行业实现跃升，同时大幅降低能耗。
Lightmatter 芯片利用光流解决矩阵向量乘积等核心 AI 运算。目前，此类任务主要由基于传统硅门和晶体管的 GPU、TPU 执行，但这些方法正逼近功耗与尺寸下的密度及速度极限。尽管仍有进展，但代价高昂且已触及经典物理学边界。训练 GPT-4 等大型模型的超级计算机体积庞大、耗电巨大且废热严重。
Lightmatter CEO Nick Harris 指出：“全球最大企业正面临能源瓶颈及 AI 可扩展性挑战。传统芯片散热能力已达极限，数据中心能耗足迹日益庞大。若不部署新解决方案，AI 进展将显著放缓。”他补充道，训练单个大语言模型耗能或超百个美国家庭年用电总量；若不开创计算新范式，本世纪末全球 10%-20% 电力或将用于 AI 推理。
Lightmatter 致力于成为这一新范式。其理论更快更高效，通过微观光波导阵列让光线在传输中直接执行逻辑运算（模拟 - 数字混合模式）。因波导无源，主要功耗仅来自光源产生及输出读取处理。
该光学计算的独特之处在于可通过多色光提升性能：不同波长（如 800nm 与 820nm）并行执行不同操作。这些“虚拟芯片”可大幅增加阵列计算量，颜色加倍即性能加倍。
Harris 基于 MIT 光学计算研究创立该公司（获专利授权），并于 2018 年获 1100 万美元种子轮融资。虽早期被质疑非纯科学项目，且技术落地仍需大量工作，但公司已获投资者追加 8000 万美元投资。
如今，Lightmatter 完成 1.54 亿美元 C 轮融资并准备正式亮相。公司正与 Envise（计算硬件）、Passage（互连技术）及 Idiom（软件平台）开展全栈产品试点合作。
Harris 解释称：“我们构建了与 PyTorch 和 TensorFlow 无缝集成的软件栈。ML 开发者工作流程保持不变，从行业标准应用导入的神经网络均可在 Envise 上运行。”
鉴于架构差异，公司未透露具体加速或效率数据，但性能提升幅度预计达一个数量级，而非微不足道的 10%-15%。互连技术也相应升级，以确保处理能力大幅提升后不致孤立。
该芯片高度专用，并非通用笔记本芯片。当前 AI 发展虽快，但缺乏大规模任务特异性导致成本高昂且笨重，这正是 Lightmatter 试图解决的痛点。
试点项目处于测试阶段，计划于 2024 年投入大规模生产，届时将在数据中心部署。
本轮融资由 SIP Global、Fidelity Management & Research Company、Viking Global Investors、GV、HPE Pathfinder 及现有投资者共同出资。