当下，AI大模型的算力竞赛，正在从单卡算力比拼转向集群互连效率的较量。随着MoE架构成为大模型主流，使得计算资源、通信对象和流量热点随任务和Token路由持续变化——AI网络正从相对稳定的连接关系，走向更加灵活的动态组织。
在这场变革中，光路交换（OCS）的价值被重新审视，从传统的汇聚层加速下沉至机柜级，OCS正成为提升AI集群有效算力的核心变量。然而，不同层级的AI网络对交换速度的要求并不相同：慢速OCS可用于跨机柜、跨集群的流量调度；但当OCS进一步下沉至近计算侧，面对更短的通信周期和更频繁的流量变化，纳秒级光交换的价值真正凸显出来。
成立于2021年的光引科技，正站在这一趋势的交汇点上。这家由剑桥大学博士、副教授程祺翔创立的硅基光电子集成芯片公司，将研发重心全面转向纳秒级硅光OCS，瞄准AI算力集群Scale-up（机柜级/近计算侧）的互联痛点，试图以硅基电光交换技术重构近计算侧的光互联底座。
近日，半导体行业观察专访了光引科技创始人程祺翔与CTO严亭，围绕光交换在AI算力集群中的应用边界、纳秒级OCS的技术壁垒，以及公司“三箭齐发”的战略布局进行了深度交流，分享了对硅光OCS商业化路径的判断与思考。
OCS下沉：从Scale-out到Scale-up的必然逻辑
在光交换领域，MEMS OCS是最早被业界大规模讨论的方案。谷歌在MEMS OCS上布局超过10年，2021年推出Jupiter系统，将其用于数据中心汇聚层（Spine层），即Scale-out场景，用来连接不同的机柜集群。
但随着AI算力架构的演进，OCS正在发生深刻的场景迁移。程祺翔指出，一个明显的信号正在浮现：光正在往下沉。
“英伟达在引领这个趋势——从去年下半年到今年，英伟达在不同场合反复强调把OCS用于Rack层（机柜层），即Scale-up，目的是推高有效算力。”程祺翔说。
最直接的信号来自今年9月2日：西班牙瓦伦西亚大学的衍生公司iPronics宣布完成1.25亿美金B轮融资，英伟达是投资方之一。据悉，iPronics一直在给英伟达送测Scale-up OCS方案。
“这一事件标志着英伟达开始大力押注Scale-up OCS，硅光光波导式OCS将成为一种主流方向。”程祺翔判断。
为什么OCS必须往下沉？程祺翔从第一性原则出发，拆解了Scale-up与Scale-out的本质差异：
端口数需求不同：Scale-up不是Scale-out，不需要连接数百个机柜，可以脱离MEMS的端口数竞赛，以集成度为核心。
速度要求更高：汇聚层的数据比较平稳，更多承担通讯功能。越往下沉、越靠近计算侧，数据颗粒度越小——面对的是服务器甚至单个GPU，切换频率和动态化趋势更明显。尤其是AI模型从单一前馈神经网络向MoE演进，MoE会极大推动拓扑和通讯的动态化。
体积必须更小：近计算侧希望OCS的尺寸能与现有数据中心机柜直接匹配，MEMS体积太大。
能看到，Scale-out与Scale-up是完全不同的两类需求。Scale-out数据流量相对稳定、颗粒度大，核心需求是大端口数，MEMS方案毫秒级的交换速度足以满足，体积大、端口多的特点也适配汇聚层部署；Scale-up更靠近GPU与服务器，数据颗粒度小、切换频率高、动态性强，对端口数要求不高，但对交换速度、设备体积、功耗的要求极为苛刻。
越往下沉、越靠近计算侧，数据颗粒度越小，切换频率和动态化趋势越明显。尤其是MoE混合专家模型的普及，极大推动了网络拓扑和通讯的动态化。
基于行业趋势判断，程祺翔认为初创公司切入OCS的最佳切入点应该是Scale-up OCS，以硅光集成为代表。
确定了Scale-up的方向后，下一个问题随之而来：多快的交换速度才够用？
目前业界绝大部分集成OCS做的是微秒级交换——热光或集成MEMS驱动基本在1到10微秒。而Scale-up里用的电交换，端到端交换时间也基本处于微秒级。程祺翔指出，全光微秒级交换在Scale-up端的优势并不突出——“无非是降低一些延迟和功耗”。
真正的颠覆性机会，在于纳秒级。
光引科技团队的测算显示：以400G链路为例，端到端交换时间的性能分水岭约为200纳秒；当链路速率提升到800G、1.6T，对交换速度的要求会进一步收紧。突破200纳秒门槛，就能直接提升集群有效算力。
这正是光引科技切入的核心位置——纳秒级电光交换。
“我们主推纳秒级电光交换，直接切入交换机最核心的维度——时间；同时用集成技术覆盖热光/微秒级交换作为补充。”程祺翔介绍，光引科技短期电光产品规划到32端口，64端口也在推进中——“32端口是整个机柜级/Scale-up级OCS系统最核心的产品矩阵”。
十六年技术积累：从实验室到产业化的漫长等待
纳秒级OCS的技术难度，远超外界的想象。
程祺翔解释了其中的关键差异：硅本身没有电光效应，需要通过掺杂（doping）来引入，工艺难度远高于传统热光方案。热光只需要加热波导，不需要改变波导本身的结构，但热响应速度受热传导系数限制，基本在微秒级；而电光需要通过掺杂改变载流子浓度来调制折射率，才能实现纳秒级切换。
据了解，全球真正能做到纳秒级集成OCS且端口数在8×8以上的厂商凤毛麟角。但光引科技在这个方向上的积累，比大多数人想象的要早得多。
“我2010年在剑桥大学的博士课题就是OCS，2011年剑桥团队就做出了世界首个16×16纳秒级OCS集成芯片。”程祺翔回忆道。
然而，此后的十几年间，这项技术始终没有找到合适的商业化场景。
“当时行业想用光交换完全替代电交换，这几乎不可能——电交换机的存储转发是整个网络的基石，光没有存储能力。”程祺翔坦言，“替代不了电交换，还要增加新设备、增加网络复杂度，必须有一个足够强的场景才能撕开口子。”
这个口子，直到AI算力需求爆发才真正打开。
“技术端我们走得很早，但商业化环境的成熟也就是近一年的事。”程祺翔表示，在技术路径上，光引科技采用了硅+氮化硅+InP多材料混合集成的方案。硅通过掺杂实现纳秒级电光效应，实现纳秒级高速切换；氮化硅降低大规模芯片的整体损耗；三五族材料（InP）作为半导体光放大器（SOA）对链路损耗进行补偿，三种材料各司其职，补齐单一平台的性能短板。
没有任何一种单一材料平台是完美的，混合集成是性能优化的必然路径。更重要的是，只有走集成化路线，才能享受类似摩尔定律的成本下降曲线，通过晶圆级制造持续降低成本。iPronics现在走的也是同一条路——混合集成加SOA构造零损耗交换器件。”
值得一提的是，光引科技在光交换领域的技术积累正在持续产出成果。在OFC 2026上，光引科技联合剑桥大学、根特大学-imec展示了基于曲线可调定向耦合器（CTDC）构建的4×4硅光交换芯片，实现了低于-50dB的超低串扰与低于1.5dB的片上损耗；更早的研究中，团队已实现8×8规格纳秒级电光开关，切换速度低于100ns，并完成50Gb/s信号传输验证。
光引科技近年来在光交换赛道的代表性芯片成果
图源：光引科技
据透露，在产品矩阵上，光引科技采取“主打高端性能、覆盖高端口需求”的策略：32端口是Scale-up级OCS的核心规格，主打电光纳秒级性能；64-128端口则通过热光方案覆盖，兼顾端口密度与成本。
光引科技的目标是将单端口成本控制在100美元以下，32端口整机约3000美元，让OCS像光模块一样成为算力集群的标配器件。据测算，纳秒级OCS可使AI网络的成本效率提升达2.3倍。
光传感、光交换、光计算，光引科技三箭齐发
光交换是当前的重心，但并非光引科技的全部。
在光传感领域，光引科技的光学卷积光谱仪是全球首个基于卷积定理的片上光谱系统，相关成果发表于《自然·光子学》。
据光引科技CTO严亭介绍，该技术彻底摒弃了传统光谱仪依赖物理分光或干涉扫描的硬件逻辑，将卷积运算直接融入光学器件，通过芯片在波长维度的调制与积分，结合傅里叶变换反演光谱信息。
图源：光引科技
这一方案的优势在于：不分光的技术路线保证了高信噪比；硅基芯片内通过折射率调节实现波长扫描，完全不需要机械运动部件，实现芯片级微型化；采用硅基无源工艺，制造成本远低于数通领域的光收发器芯片。天然破解了微型光谱仪“性能、体积、成本”的不可能三角
“我们的定位是PPG（光电脉搏波）的上位替代，不是一对一替代。” 严亭强调，PPG本质上是时域传感器，仅靠2-3个波段的光强变化推算心率、血氧，可检测指标非常有限；而全光谱传感器能提供连续、高精细的波长信息，可检测胶原蛋白、皮肤水分、血酒精、血乳酸、血糖趋势等多种生理标志物，相当于给终端产品带来功能维度的升级。
目前，光引科技的光传感产品已在医美手持场景实现量产，可穿戴嵌入式产品仍在优化集成度与功耗。针对特殊波段光源不成熟的产业链现状，光引科技采取“高端场景先行、逐步摊薄成本”的策略，通过医美、工业检测等高价值场景分摊研发与供应链成本，再逐步向消费级渗透。
光计算则是光引科技的“第三极”。光引科技联合剑桥、清华、微软研究院等推出的“时变可塑光子处理器（TPPP）”，在单步计算延迟上相较NVIDIA A100降低100倍，单次运算能效提升16倍。
图源：光引科技
但程祺翔对光计算的商业化保持了清醒的判断：“光计算确实非常有市场想象力，是颠覆性方向，但产业化周期一定最长，对生态要求最高——接口、标准、光电传输、数模转换、存储、电光协同、编译器等全产业链配套，缺一不可。”
光引科技在光计算领域的策略相对克制：技术上不掉队，在计算效率、矩阵规模、端口数量上咬住第一梯队，但不把光计算作为当前核心的产品矩阵去推。未来不排除和国产算力公司合作，我们提供光方案，对方提供电方案，各取所长落地产品。“除非看到明确的市场机会，否则我们不会贸然投入巨额资金。”程祺翔补充道。
整体来看，从消费级健康监测、工业检测，到数据中心光互联，再到AI光计算，光引科技布局的三大赛道看似跨度极大，实则共享同一个底层技术底座——可编程光子芯片，
“只是面向不同应用时，器件架构存在较大差异。”严亭解释道，基于统一的硅基光电子技术平台，公司采取“先传感、后交换、再计算”的分步商业化策略，按照市场成熟度和资源投入需求错峰推进。
其中，光传感是当前基本盘，光学卷积光谱仪已转入量产阶段，在医美手持、工业检测等场景落地；光交换是当前重心，也是公司的第二增长曲线，全面切入AI算力互联市场；光计算则作为长期技术储备，依托剑桥团队保持技术跟进，暂不进行大规模商业化投入。
在光引科技看来，这样的节奏并非偶然：“2022年公司启动产品化时，AI算力对OCS的需求还不突出，光计算的投入规模和生态成熟度也远未到位，因此我们优先落地光传感。到2025年之后，AI大模型爆发直接拉动了光交换的需求，硅光OCS的产品化窗口已经打开。”
严亭表示，目前研发资源重心已从光传感全面切换到光交换领域，光传感方向的投入主要用于匹配量产需求，包括产线建设、良率提升等；光计算方向则仍以剑桥团队的前沿探索为主，国内团队提供封装测试等支撑性工作。
良率与一致性：大规模量产的关键一战
技术之外，量产是光引科技面临的另一场硬仗。
据透露，光引科技已与多家行业头部客户完成了送测。“我们的策略是先做原型机、送测、拿到明确意向，再推进量产。”目前，其光传感业务已与头部消费电子品牌、酒企等客户达成合作；光交换业务也已和多家头部智算中心客户开展联合验证。
前不久，光引科技完成1亿元Pre-A轮融资，资金主要用于上海实验室建设、人才招募与量产推进。
“量产阶段最大的挑战不是产能，而是一致性与良率。” 程祺翔表示，从0到1的原型验证已经完成，数十只级别的小批量交付也没有问题；现在要走从1到10的阶段，跑通年产万只级的量产路径，核心是保证百只、千只到万只级别的产品一致性和高良率，这是控制成本、保障交付周期的关键。
严亭补充道：“公司目前硬件设施已经具备万支级模组的量产能力，正处于从小批量向自动化量产转换的阶段，后续可通过补充自动化设备、建设制造基地快速扩充产能。”
支撑这一切的，是光引科技独特的“剑桥前沿探索+国内工程量产”的产学研模式。剑桥团队负责前沿技术探索——比如OCS方向已与英伟达、IMEC、爱立信、微软等在多个层次展开合作；国内团队聚焦工程化、产品化和量产落地。
简言之，剑桥负责“往哪儿走”的前沿探索，光引科技围绕“怎么落地”聚焦客户和需求做应用、量产化和商业化，形成“前沿研发-量产落地”的有机闭环。
结语
从2010年剑桥实验室里的第一个16×16纳秒级OCS芯片，到如今硅光开关的商业化落地，光引科技在光交换这条路上走了整整十六年。
这十六年里，大部分时间是在等待——等待AI算力需求爆发，等待Scale-up的场景成熟，等待市场真正需要纳秒级的交换速度。
如今，这个等待似乎到了终点。
当OCS从汇聚层走向机柜层，当交换速度从微秒级迈向纳秒级，光引科技正在用十六年的技术积累，卡位AI算力网络中最核心的那个节点。而光传感的基本盘和光计算的远期布局，则构成了这家公司的纵深——不只是追逐短期风口，而是在构建一个以可编程光子芯片为核心的长期技术壁垒。
正如程祺翔所说：“任何能够提高有效算力的技术，都会被AI基础设施追逐。”光引科技正在证明，光交换不只是“卖铲子”，而是真正能够提升有效算力的使能技术。
点这里👆加关注，锁定更多原创内容
*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。
推荐阅读
喜欢我们的内容就点“在看”分享给小伙伴哦~
