近日，华为发布的《A Time Scaling Theory for Multi-Layer Electronic Systems》在产业界引发了广泛讨论。文章提出以时间常数 τ 作为多层电子系统的统一优化目标，并从 LogicFolding、Unified Bus、Hi-ONE、3D Folding 等具体案例展开了系统性论证。
这篇文章之所以受到关注，并不只是因为其中提出了新的技术概念，更重要的是，它触及了整个半导体产业正在共同面对的问题：当物理极限不断逼近，传统依赖工艺节点推进的增长方式，已经无法像过去那样稳定交付性能、能效和成本上的持续收益。
芯片产业的主线是通过提高工艺节点（也就是文中所说的几何缩放）提高单位面积晶体管密度，用更先进的制程获得更高性能、更低功耗和更低单位成本。这一路径曾经支撑了计算产业的长期繁荣。今天，先进制程仍然重要，但单纯投入到工艺节点上的边际收益正在下降。更小的节点需要更高的资本投入、更复杂的设计、更昂贵的设备和更长的开发周期，而这些投入转化为实际系统效能的比例已经非常低，投入产出比极不划算。
对中国半导体产业而言，这个问题来得更早，也更迫切。由于在先进工艺、设备和制程生态上更早受到约束，中国企业很难通过先进的工艺节点来提升效能。也正因为如此，我们有更强动力回到第一性原理，重新思考芯片进步真正追求的目标是什么。
传统芯片演进长期围绕面积展开。晶体管密度、裸片面积、单位面积算力、单位面积成本，构成了过去半导体产业判断进步的基本语言。这正是华为文章中所说的几何维度。问题在于，当平面维度上的缩放越来越困难，产业就必须寻找新的组织方式，把过去依赖二维面积获得的收益，转向三维空间、封装结构、系统互联和数据流动效率中去获得。
这也是光本位一直强调“系统视角”的原因。
光本位将自身定位为一家面向 AI 算力的光电混合计算系统公司。这个定位背后有一个基本判断：未来算力的提升，不能只依靠单颗芯片的局部指标，而要看整个系统在计算、存储、互联、封装、供电和散热等环节上的协同效率。芯片依然是核心，但芯片必须被放回系统中理解。真正有价值的提升，最终要体现在系统级性能、系统级能效和系统级可扩展性上。
在空间维度上，当平面面积和晶体管密度无法再单纯依靠工艺节点持续提升，新的密度就要从结构中寻找。华为文章中提出的 Folding，本质上是在三维空间中重新组织逻辑、存储、互联和供电资源，以争取更高的有效密度和更短的关键路径。
光本位开拓玻璃光计算芯片方向，最初也是基于类似的思考。对光计算而言，芯片的有效计算能力并不完全由传统晶体管密度决定。光计算芯片中，光路拓扑、波导布置、调制与探测单元、矩阵计算结构、信号复用方式、片上互联关系，都会影响最终可实现的计算规模与系统效率。我们所关心的，是在一个受限的物理空间内，能否布置更大的光计算拓扑，能否承载更多并行计算路径，能否降低光电转换和数据搬运带来的额外开销。
光本位—玻璃光计算芯片
这也是玻璃光计算芯片的重要意义。玻璃材料具备良好的光学特性、尺寸稳定性和大面积加工潜力，适合承载更大尺度的光路结构和更复杂的光计算拓扑。在 AI 计算中，很多核心操作具有天然的矩阵特征。光计算如果要真正进入系统，就不能停留在实验室里几个器件或小规模阵列的演示，而要解决更大规模拓扑展开、输入输出组织、片上光路一致性、封装耦合、热稳定性和系统集成问题。玻璃光计算芯片的价值，正是在固定空间内提高光计算结构的可承载规模，使光计算从单点器件走向可用的计算单元，再走向可集成的系统模块。
从这个意义上说，光计算面对的“密度”与传统 CMOS 密度不同。传统芯片主要看单位面积晶体管数量，光计算还要看单位面积内可组织的有效光路、可复用的波长数量、可并行的数据通道、可实现的矩阵规模，以及这些能力在系统中最终转化成有效算力的比例。光本位关注的并非单纯做一颗“光芯片”，而是在 AI 算力系统中建立一套光电混合计算能力，让光在适合它的计算环节中承担高并行、低能耗、低延迟的任务，同时由电子芯片完成控制、非线性、存储访问和通用计算等环节。
因此，光计算不是对电子计算的简单替代。更现实的路径，是光电混合系统。光负责发挥高带宽、天然并行和低传输损耗优势，电负责成熟逻辑、存储控制、精度管理和系统调度。两者通过封装、接口和软件栈形成协同。未来真正有产业价值的光计算，必须从器件走向系统。
在时间维度上，产业共识也越来越清晰。数据搬运效率正在成为下一阶段算力突破的关键。AI 系统中，大量能耗和延迟并不发生在计算本身，而是发生在数据移动、访存、芯片间通信和机架间互连过程中。带宽不足、延迟过高、能耗过大，会直接限制 AI 集群的有效算力释放。因此，光互联就成为行之有效的产业方向。
光互联与光计算并不是两条割裂的路线。光计算解决的是特定计算环节中如何以更高并行度和更低能耗完成运算；光互联解决的是计算资源、存储资源和系统节点之间如何更快、更低功耗地交换数据。AI 算力系统的瓶颈同时存在于计算和数据搬运两个环节，二者需要放在同一个系统中理解。
站在绿色算力和电力约束的角度看，能耗的降低同样是在节约系统时间，因为每一瓦电力最终都来源于风、水、光和核在时间上的积累，同样也对应着可部署算力、散热能力和数据中心容量。
进一步看，光电混合系统和光互联方案也会对封装提出新的要求。光不可能停留在传统板级互联的边缘位置，随着 AI 芯片带宽需求继续上升，光引擎、光 Interposer、TGV、玻璃基板、先进封装和电光协同设计会越来越紧密地结合在一起。计算、存储、互联和封装之间的边界会继续重组。
从这个角度看，Folding 不只是一种具体的三维堆叠技术，也代表了一种新的系统组织方法，那就是在物理边界内重新安排计算资源、互联资源、存储资源和能量路径，使系统获得新的扩展能力。光本位所选择的光电混合计算、光互联、玻璃光计算芯片和光封装方向，正是这一方法论在光计算和 AI 算力系统中的具体实践。
后摩尔时代不会因为某一个单点技术而被解决。它需要工艺、封装、材料、器件、架构、互联、软件和系统共同演进。华为这篇文章把“时间”作为统一优化目标，为产业提供了一个重要观察角度。光本位所关注的，是在这一新方法论下，如何把光的优势真正转化为系统级算力优势。
未来，我们会加强在TGV、光 Interposer、光电混合封装、高密度光互联和玻璃等新材料上加强力量和投入资金，推动产业成熟，将继续围绕系统级效能提升开展技术探索和产业实践，为韬时代的 AI 算力基础设施贡献自己的力量。
当工艺节点放缓了脚步，系统级的光电协同，将接过计算跃迁的火炬！
本文作者：姚金鑫（J叔）为光本位科技高级副总裁、CCF高性能计算专委会执行委员。
推荐新闻
推荐新闻
推荐新闻
