文章核心观点 硅光子技术是驱动数据中心，特别是人工智能网络发展的关键变革性技术，其应用正从横向扩展网络向纵向扩展网络演进，并将推动光器件市场、硅光子代工产业及相关芯片设计发生巨大变化，其中台积电有望凭借其在AI加速器制造中的主导地位，成为未来硅光子晶圆代工领域的领导者 [2][4][35][37][53] 数据中心光互连演进与市场 - 数据中心互连分为横向扩展（Scale-out）和纵向扩展（Scale-up），前者连接机架与交换机，后者直接连接GPU等计算单元，纵向扩展的链路数量远多于横向扩展，例如一个Nvidia NVL72机架就有1296个链路，未来采用光纤将大幅增长光纤市场 [4] - 光器件市场规模已从2003年的数十亿美元增长至2023年的约130亿美元，预计到2030年将达到250亿美元，另一预测则认为到2029年可达310亿美元，增长主要受人工智能网络驱动 [4] - 光纤电缆市场庞大，领导者康宁公司年销售额达68亿美元，并与Meta达成了价值60亿美元的长期供应协议 [9] 硅光子技术基础与应用 - 硅光子学将激光器、调制器等光子器件集成到改进的CMOS工艺中，利用单模光纤传输数据，其工作波段（如O波段）在硅波导中损耗较低 [10][12][14] - 当前主要应用是可插拔光收发器，其市场预计将从2023年的60亿美元增长至2030年的250亿美元，未来将以1.6T和3.2T数据速率为主 [16] - 光路交换机（OCS）用于数据中心顶层互连的重配置，谷歌采用MEMS镜技术，Coherent和Lumentum也提供相关方案，Coherent将其潜在市场规模预估从超过20亿美元上调至超过30亿美元 [17][18] - 多家初创公司（如iPronics, nEye, Salience）正在开发基于紧凑硅光子技术的“二维”光通信系统（OCS），可能未来取代硅分组交换机 [20] 共封装光学器件（CPO）的发展 - CPO能实现比可插拔光器件更高的密度和更低的功耗，其功耗仅为可插拔式的三分之一，对于拥有超千个连接的机架意义重大 [21][24] - 英伟达和博通已宣布将于2025年推出采用CPO的以太网横向扩展交换机，Ayar Labs、Celestial（被Marvell收购）、Lightmatter和Ranovus等公司也在开发CPO解决方案 [21][24] - 目前GPU/AI加速器仍使用铜缆互连，但铜缆性能提升已近瓶颈，未来将向光纤CPO过渡，以实现更高带宽和更低延迟，Ayar Labs与Alchip已展示基于CPO的AI加速器概念 [26] 硅光子制造与代工格局 - 当前主要硅光子代工厂商是GlobalFoundries（收购AMF后）和Tower Semiconductor，台积电、三星和联电也在开发相关技术 [28] - GlobalFoundries预计其硅光子业务收入在2026年将接近3亿美元，到2030年代末将超过10亿美元，并预测2026年行业第二、三、四名代工厂收入分别约为2亿、1亿和5000万美元，总和不足10亿美元/年，不到台积电年营收的1% [28][30] - 数据中心AI正推动硅光子代工厂收入从2026年到2032年实现八倍增长，横向扩展是当前主要驱动力，几年后纵向扩展将成为最大驱动力 [35] - 台积电目前为英伟达、AMD、谷歌、AWS等生产几乎所有AI加速器芯片，并要求封装内所有芯片组按其规范生产，随着AI加速器向CPO过渡，台积电很可能在五年内从零基础跃升为全球最大的硅光子晶圆代工厂 [36][37] 硅光子芯片设计与挑战 - 硅光子设计目前类似上世纪80年代的硅设计，缺乏成熟的PDK和IP库，Synopsys和Cadence等公司提供设计工具，但许多新结构需从底层物理开始建模 [39] - 硅光子器件在SOI晶圆上制造，工艺节点可达65纳米，关键挑战在于精确控制信号损耗 [41][45] - 主要硅光子器件包括：用于布线的波导、用于光耦合的耦合器（边缘耦合器与光栅耦合器）、用于光信号检测的锗基光电探测器，以及用于电光转换的调制器（可插拔中用马赫-曾德尔调制器，CPO中用微环调制器） [45][46][47] - 硅光子芯片物理尺寸较大，短期内无法集成到3nm或2nm等先进CMOS工艺中 [49]

公司技术突破 - 人工智能芯片初创公司Neurophos在硅光子学领域取得重大突破，开发出采用最小集成光晶体管的光学处理单元[1] - 其光学处理单元体积较现有技术缩小约10000倍，并首次在单芯片上实现了1000×1000像素规模的光子计算矩阵[1] - 公司技术将光晶体管微型化到可与CMOS工艺兼容的尺度，使大规模并行光计算成为可能，而传统硅光子工厂生产的光晶体管长度约2毫米，难以高密度集成[3] 产品性能参数 - 公司首款光学加速器Tulkas T100在FP4/INT4精度下的AI计算性能可达英伟达最新Vera Rubin NVL72人工智能超级计算机的十倍，而功耗水平相当[3] - 性能优势源于两项关键技术：一是远超当前GPU主流256×256矩阵尺寸的1000×1000光子瓦片，二是高达56 GHz的运行频率[3] - 该运行频率显著高于英特尔酷睿i9-14900KF处理器的9.1 GHz和英伟达RTX Pro 6000 GPU的2.6 GHz加速频率[3] - Tulkas T100单芯片仅包含一个面积约为25平方毫米的“光学张量核心”，远少于英伟达Vera Rubin芯片所集成的576个数字张量核心，但通过更高矩阵维度与时钟频率实现了更高的有效吞吐量[3] 制造与商业化前景 - 该芯片使用的是现有半导体制造流程，未来有望与英特尔、台积电等主流晶圆厂合作实现量产[3] - 该技术目前仍处于工程验证阶段，量产预计不早于2028年[4] - 量产前需克服包括片上SRAM容量、矢量处理单元扩展以及光电协同设计在内的多项挑战[4]

公司技术突破 - 人工智能芯片初创公司Neurophos在硅光子学领域取得重大突破，其开发的光学处理单元采用最小的集成光晶体管，体积较现有技术缩小约10000倍 [1] - 该技术首次实现单芯片上1000×1000像素规模的光子计算矩阵 [1] - 公司技术将光晶体管微型化到可与CMOS工艺兼容的尺度，使大规模并行光计算成为可能，芯片使用的是现有半导体制造流程 [3] 产品性能参数 - 公司首款光学加速器Tulkas T100在FP4/INT4精度下的AI计算性能可达英伟达最新Vera Rubin NVL72人工智能超级计算机的十倍，而功耗水平相当 [3] - 性能优势源于两项关键技术：一是远超当前GPU主流256×256矩阵尺寸的1000×1000光子瓦片，二是高达56 GHz的运行频率 [3] - 该运行频率显著高于英特尔酷睿i9-14900KF处理器的9.1 GHz和英伟达RTX Pro 6000 GPU的2.6 GHz加速频率 [3] - Tulkas T100单芯片仅包含一个面积约为25平方毫米的“光学张量核心”，远少于英伟达Vera Rubin芯片所集成的576个数字张量核心，但通过更高矩阵维度与时钟频率实现了更高的有效吞吐量 [3] 发展现状与规划 - 该技术仍处于工程验证阶段，量产预计不早于2028年 [4] - 未来量产需克服包括片上SRAM容量、矢量处理单元扩展以及光电协同设计在内的多项挑战 [4] - 公司未来有望与英特尔、台积电等主流晶圆厂合作实现量产 [3] 公司背景 - Neurophos是一家由比尔·盖茨旗下盖茨前沿基金投资支持的人工智能芯片初创公司 [1]

人工智能基础设施的能源挑战 - 生成式人工智能的迅猛发展导致全球超大规模人工智能集群部署空前加快，数据处理和传输性能的提升导致能耗增加，人工智能基础设施的快速增长带来了严重的能源危机 [1] - 随着数据量的指数级增长，所需的能源供应量也将呈指数级增长，解决这一问题的唯一有效途径是开发一种能够将能源增长与数据增长分离的技术 [1] 硅光子学的潜力与优势 - 光子学具有巨大潜力，光波的传播和干涉无需消耗能量，可通过工程设计实现可扩展功能而无需增加能耗 [3] - 硅光子学在过去二十年得到广泛发展，已完全具备提供近乎理想平台的能力，能够释放其巨大潜力 [3] - 硅光子学能够提供高效的高密度互连，实现高带宽和长距离链路；能够实现低能耗的光路切换，且不受信号带宽限制；以及能够进行光速计算的光子神经网络，从而加速人工智能计算 [3] 光收发器与交换机的能效对比 - 光收发器的能效已经赶上了摩尔定律的步伐，基于硅光子学的近封装/共封装光学器件的能效已经超过了5 pJ/bit [4] - 超大规模数据中心常用的电交换机专用集成电路（ASIC）的能效提升明显缓慢，其可扩展性不如光收发器，瓶颈在于交换机而非收发器 [4] - ASIC交换机的功耗会随着吞吐量的增加而增加，在100Tbps吞吐量下，每个芯片的功耗会超过1000W；而光交换机的功耗则极低且在吞吐量增加的情况下保持稳定 [6] - 使用光交换机替代电交换机越多，系统效率就越高 [6] 光交换机的系统应用与挑战 - 光交换机的一个关键缺点是无法进行数据包处理，而数据包处理正是ASIC交换机的核心功能，光交换机仅作为“光路交换机（OCS）”运行，因此不能简单地替代ASIC交换机 [8] - 为了控制OCS，需要一个控制平面，编排器或操作系统需要了解OCS的状态，并根据系统需求通过控制平面发送命令来控制光交换机，这种系统与依赖ASIC交换机的传统分组系统截然不同 [8] - 使用光通信系统（OCS）需要从零开始重建整个系统，并对架构进行全面优化，目前世界上除了谷歌之外，没有其他公司能够做到这一点 [8] - 在谷歌宣布已在其数据中心和人工智能基础设施中大规模使用OCS之后，光交换机开始得到广泛发展 [8] 大规模硅光子交换机的研发进展 - 日本产业技术综合研究所（AIST）已开始研发大规模硅光子交换机，其开发的硅光子交换机刀片提供32 x 32个严格无阻塞连接，并带有数字控制接口 [9] - 通过配置9级Clos网络，该交换机可扩展至131,072 x 131,072个连接，实验证明，在可组合的解耦基础设施中，这些交换机可以将网络功耗降低75% [9] - 用于制造这些大规模硅光子开关的制造设备是AIST基于标准CMOS技术的内部试验生产线，该技术采用45纳米工艺规则，实现了足够高的均匀性和良率，可以大规模生产包含数千个器件的大规模光子集成电路 [11] 光子神经网络（PNN）的原理与优势 - 基于标准CMOS制造技术的硅光子器件具有高均匀性和高良率，这对于实现光子神经网络（PNN）至关重要 [12] - 在PNN中，集成了大量的马赫-曾德尔干涉仪（MZI），形成网状拓扑结构，并在光域中执行矩阵-向量乘法（MVM） [12] - PNN上的MVM过程本身速度极快，且不消耗能量，可以显著提升人工智能的计算能力，因此期望PNN能够分担GPU等高能耗数字处理器的计算任务 [12] - PNN缺乏良好的非线性激活函数，这是AI计算中另一个重要的功能 [12] 基于光电非线性的PNN模型 - 提出利用电光（EO）非线性效应，仅通过传播即可完成AI计算过程，而无需中间阶段的数字处理，利用马赫-曾德尔干涉仪（MZI）器件可以轻松实现这一点 [12] - 电光非线性具有正弦传递函数，这与传统的激活函数（例如ReLU、Sigmoid和双曲正切函数）截然不同，因此需要寻找适用于PNN的全新人工智能模型 [12] - 已提出并演示了几个基于光电非线性的AI模型，第一个模型包含一个从输入参数空间到更高维空间的非线性投影映射，通过调整MZI的工作点来训练其光电传递函数 [13] - 转换后的光学复空间中的非线性映射数据可以通过寻找超平面进行分离，类似于支持向量机 [13] - 开发的硅光子芯片使用BFO和前向差分两种算法在芯片上进行了训练，展示了它们对多个布尔逻辑进行分类的有效性，以及对鸢尾花数据集的高精度分类 [13] - 该PNN仅通过无源光子电路中信号的物理传播即可完成计算，从而保证了低功耗和低延迟计算 [13] PNN的架构与性能 - 第二个模型是上述模型的级联版本，即“垂直分层光电概率神经网络”，在该模型中，所有光路的长度不会随着层数的增加而增加，从而能够实现更深度学习模型 [16] - 提出的架构中，马赫-曾德尔干涉仪（MZI）作为非线性神经元，将输入数据和反馈信号编码到输入的单频连续波（CW）光上 [18] - 经过训练后，即使对于半损坏的输入模式，也能回忆起存储的模式，这显示了霍普菲尔德网络特有的联想记忆效应 [18] - 对于MNIST、Fashion和KMNIST数据集，三层模型的测试准确率优于两层模型 [14] 流式PNN的通用方案 - 由于运行PNN需要不可忽略的开销，因此必须对整个系统进行彻底评估和整体优化 [20] - PNN的固有优势是低延迟、高速度、低能耗等，为了充分发挥这些优势，PNN作为流式处理器，同时具备电域和光域I/O时，运行效果最佳 [20] 结论与未来展望 - 硅光子技术取得了显著进步，如今在诸多方面展现出巨大的潜力，能够从高密度I/O、带宽无关的电路开关以及光速AI加速器等多个方面提升人工智能基础设施的可持续性 [21] - 然而，将光子功能器件（例如OCS和PNN）引入传统数字基础设施并非易事，因此，未来需要对整体系统设计和实现进行更深入的研究 [21]

文章核心观点 - 行业普遍认为共封装光学（CPO）是未来数据中心高速互联的终极技术方向之一，但其大规模商业应用的时间点被大幅推迟，短期内不会成为主流 [1][23][27] - 当前AI基础设施的竞争重心已从单纯堆叠算力转向互联与系统能力，但CPO并非解决当下瓶颈的迫切方案，可插拔光模块等现有技术路径仍有巨大演进潜力和生命力 [3][4][24] - 超大规模云厂商等客户对部署CPO态度谨慎，主要顾虑包括可维护性、系统设计复杂度、成本、供应链成熟度以及现有运维体系的惯性，CPO的部署窗口与客户的实际业务节奏存在错配 [18][20][22][26] AI基础设施瓶颈转向互联与系统能力 - AI集群规模正朝超大型化发展，博通透露其客户正在规划和部署规模超过10万颗GPU的集群，而行业内部讨论的目标已指向百万GPU级别 [3] - 随着模型参数与集群规模指数级扩张，AI集群的核心瓶颈从计算能力转向互联能力，通信效率、延迟、系统稳定协同成为决定算力能否有效利用的关键 [3] - 行业竞争重心从算力本身全面迈向互联与系统能力，关键词变为横向扩展、纵向扩展、跨域扩展以及功耗墙、链路可靠性、系统级协同设计等工程化概念 [4] 横向扩展领域：可插拔光模块仍将长期主导 - 博通首席执行官指出，未来5-7年可插拔光模块仍将占据主导地位，800G技术增长周期持续至2026年，1.6T产品预计增长至少持续到2029年，3.2T技术已完成展示 [7] - Lumentum预测2026年光端口总量将达到6000万-7000万个，同比增长接近翻倍，其中800G端口占55%-60%，1.6T端口占15%-20%，800G仍是绝对主流 [7] - Marvell指出，在传输距离较长、需要互操作的市场中，可插拔产品采用速度较慢，但其软件预认证带来的生态优势是核心护城河，客户从400G向800G的迁移“几乎是即时完成的” [8] - Arista表示在1.6T速率下仍有信心实现低功耗光模块的稳定运行，同时共封装铜缆等技术也在评估中，率先推出下一代速率产品并快速商业化是其核心策略 [8] 纵向扩展领域：CPO量产时间表大幅推迟 - 纵向扩展曾是CPO最有希望应用的“第一战场”，但量产时间表已被大幅推迟至2027-2028年及以后 [9] - Marvell收购Celestial AI后给出新营收目标：2027年底年化营收达5亿美元，2028年底翻倍至10亿美元，大规模商业部署相应推迟 [9] - Astera Labs预计CPO在纵向扩展领域的大规模部署将在2028-2029年实现，2027年将进行一些测试性部署 [9] - 推迟原因包括：CPO供应链仍较新，需要时间提升产能以支持大规模需求；纵向扩展场景的需求将是现有需求的数倍，需要整个行业共同努力扩大产能 [9] 功耗与可靠性是更现实的约束 - 客户不愿转向光学技术是因为其需要更高的功耗和成本，行业会优先通过机柜内铜缆和可插拔光模块实现纵向扩展，只有当它们都无法满足需求时，硅光子技术才会成为必然选择 [10] - Credo举例，xAI因铜缆解决方案绝对稳定可靠，提出构建“零中断”集群的需求，促使行业重点攻克GPU与第一级交换机之间链路的可靠性难题 [12] - 在巨头看来，互联技术首先要可靠可控、可预测、可诊断、可维护，这往往比追求极限性能更重要 [12] - Lumentum的ZeroFlap光学解决方案通过重新设计DSP实现带内通信和实时遥测，能识别潜在风险并主动干预，但其系统级能力目前仍主要用于基于激光的光模块，短距互联的可靠性上限依然掌握在铜缆/有源电缆组件手中 [13] 过渡方案持续蚕食CPO的叙事空间 - 线性驱动可插拔光模块、有源电缆组件、有源光缆等过渡方案正在分流原本被寄望于CPO的应用空间 [14] - Arista称800G速率的LPO光模块已实现大规模部署，由于无需数字信号处理器，为客户带来了更低的资本支出和功耗，运营支出也相应减少，并有信心在1.6T速率下实现LPO稳定运行 [15] - 有源电缆组件与有源光缆的逻辑是在2–30米的关键互联区间，提供接近铜缆的可靠性与接近光学的带宽 [15] - Credo强调其在有源电缆组件市场开创了先河，并拥有端到端掌控能力构成的竞争壁垒 [16] - Marvell的“黄金线缆计划”提供完整的参考设计，使其DSP能适配各类线缆，满足客户多源供应的需求 [17] - Credo指出，其在有源光缆中投入的微LED技术可直接应用于近封装光学，其功耗仅为CPO的1/3，且无需复杂交换机设计，当行业需要CPO替代方案时该路径更具优势 [17][25] CPO面临多重工程与商业挑战 - **可维护性突出**：CPO技术核心目标是降低成本和功耗，但行业仍在解决可维护性问题；博通指出CPO三大缺陷：成本更贵、基于激光的可靠性远不如现有技术、功耗并非最低 [18] - **系统设计复杂**：纵向扩展所需光互联是一种完全不同的技术类型，必须直接与千瓦级XPU和交换机共封装；光链路中连接器是关键组件，负责将光子集成电路的光输出耦合到光纤，目前限制了光学技术的规模化 [18] - **成本结构不确定**：CPO不是便宜的光模块，而是昂贵的系统工程，散热、供电、测试、维修全部需要重构 [18] - **生态尚未形成**：需要交换机、光学、封装、软件协同成熟，而客户机会成本高，没有时间去认证新的供应商，生态建立需要多年时间 [19] 超大规模云厂商态度谨慎的深层原因 - **可靠性要求极高**：超大规模客户使用的AI系统包含大量组件，Credo认为以系统形式销售并对整个系统承担全部责任是合理的，而CPO一旦出现问题则是“整板级风险” [22] - **运维体系惯性巨大**：所有超大规模云厂商都拥有自己的网络团队和已建立的完善流程；客户的认证周期很长，且当前最关注的首要因素是上市时间 [22] - **供应链安全优先**：博通建设新加坡工厂内部化先进封装产能，旨在保障供应链安全和交付稳定性，而CPO技术的供应链成熟度远低于可插拔光模块 [22] - **架构灵活性需求强烈**：在行业标准尚未最终确定时，客户不愿冒险将所有赌注押在某一种协议上，而可插拔架构提供了灵活性 [23] 行业技术路线与时间表预判 - CPO是互联体系的“最后一公里”技术，是终极解法之一，但非当前阶段最优解，其应用场景将收敛于极高端口密度、极端功耗约束等特定系统 [24] - 在相当长一段时间内，线性驱动可插拔光模块、有源电缆组件、有源光缆以及ZR光模块仍将承担数据中心互联主力角色 [24] - Arista明确表示线性驱动可插拔光模块的演进远未结束，有信心在1.6T速率下实现其稳定运行 [25] - **时间节点判断逐步收敛**： - 2027年：CPO进入小规模测试与验证阶段 [31] - 2028年及以后：CPO在特定场景（主要是纵向扩展的高密度系统）中开始规模化部署 [26] - Lumentum预测到2027–2028年左右，首批采用CPO的客户中约有40%–50%的交换机将基于CPO技术，但存在较大不确定性 [26] - Astera Labs预计将在2028–2029年实现大规模部署，2027年更多是测试性部署 [26] - 行业真正需要的不是技术可行性证明，而是系统必要性证明，只有当现有过渡方案路径在功耗、密度、可靠性上同时触顶，CPO才会从未来选项转变为当下必需 [27]

文章核心观点 - 激光雷达行业正经历技术路线与市场格局的深刻变革 传统基于飞行时间的激光雷达在汽车应用上面临可靠性、集成与成本挑战 导致其声望在西方市场下降 [1] - 以硅光子学为基础的调频连续波激光雷达技术被视为下一代关键突破 有望在性能、成本与集成度上超越传统方案 并为西方供应商提供超越中国竞争对手的短暂时间窗口 [1][4][10] - Voyant Photonics作为一家西方初创公司 选择避开竞争激烈的汽车前装市场 专注于开发基于硅光子学的调频连续波激光雷达核心模块 目标成为该基础技术的领先供应商 并开拓机器人、仓储自动化等更广泛的应用领域 [7][8][12] 激光雷达行业现状与挑战 - 激光雷达在西方汽车行业的声望下降 市场力量导致行业剧烈波动 包括由自动驾驶热潮催生的SPAC投资潮以及中国供应商的崛起 [1][2] - 中国激光雷达供应商已占据市场主导地位 根据Yole Group 2025年报告 中国供应商占乘用车激光雷达市场的93%和整个激光雷达市场的89% [4] - 传统飞行时间激光雷达存在可靠性问题、集成限制和成本挑战 使其难以满足汽车领域高速自动驾驶等高难度应用的需求 [1][8] 下一代技术：硅光子学与FMCW激光雷达 - 调频连续波激光雷达相比传统飞行时间方案具有直接测速、抗阳光/干扰能力强、距离分辨率更高、处理反射光能力更好等优势 [10] - 硅光子学技术是调频连续波激光雷达的关键 其主要优势在于高集成度、降低成本的机会、高可靠性和可重复性 并能受益于数据中心光收发器技术的发展 [10] - 全球有15到20家公司正在研发基于硅光子学的调频连续波激光雷达 美国公司非常活跃 包括Aeva、Analog Photonics、Aurora、SiLC Technologies和Voyant [14] Voyant Photonics的公司战略与技术 - 公司由哥伦比亚大学Lipson纳米光子学实验室的联合创始人创立 拥有六代硅光子技术 目标是开发小型、价格亲民的激光雷达传感器 [7] - 公司首席执行官明确避开直接为汽车OEM开发下一代激光雷达或成为一级供应商 而是专注于开发适用于机器人等更广泛应用的基础激光雷达技术 [8] - 公司路线图聚焦于改进硅光子芯片的设计与良率 长远目标是成为硅光子模块领域领先的技术开发商和供应商 类似索尼在CMOS传感器市场的地位 [12] - 公司在2025年CES上发布了Carbon系列调频连续波激光雷达产品 采用硅光子模块 芯片能以128个通道进行垂直线扫描 计划于2026年第二季度开始批量生产 并预计在2026年CES发布具有2D架构和4D点云功能的先进解决方案 [12] 竞争格局与市场机会 - 中国激光雷达公司目前主要投资于飞行时间激光雷达 在硅光子学方面相对落后 这为西方公司转向并引领基于硅光子学的调频连续波激光雷达市场提供了机会窗口 [4] - 然而 中国公司如LuminWave、LightIC Technologies、禾赛光电和RoboSense也在开发调频连续波激光雷达技术 为下一代产品做准备 [5] - 在Voyant的竞争对手中 SiLC因其在调频连续波开发领域的成熟度而突出 Voyant自认的优势在于集成式片上波束控制技术 这有助于消除复杂机械部件 [15] - 分析师认为 Voyant进军汽车市场的潜在最佳路径是向欧洲或其他地区的激光雷达制造商销售封装好的光子芯片 而非直接面向汽车OEM [15] - 另一家调频连续波激光雷达供应商Aeva已与一家欧洲顶级乘用车OEM达成设计合作 将成为其全球量产车型平台实现L3级自动驾驶的独家激光雷达供应商 这被视为Voyant可参考的发展方向之一 [15][16] 硅光子学的技术挑战 - 硅光子学在集成方面面临挑战 封装是主要难题之一 激光雷达模块的每个环节都存在测试和集成方面的挑战 [18] - 具体挑战包括将激光器和/或光电二极管集成到光子芯片上、光子芯片的封装、以及将封装好的光子芯片集成到激光雷达模块中 [18][21] - 除了集成问题 散热管理不善会严重影响基于硅光子学的激光雷达的效率和性能 [18]

硅光子技术概述 - 硅光子学是利用光的强度和波长传输信息的颠覆性技术，具有速度快、发热量低、能耗低等优点，被认为将改变未来AI半导体市场[1] - 该技术将信息封装在光中并通过光纤传输，由于几乎没有电阻，能实现更快传输速度并显著降低发热量和功耗[2] - 硅光子学将半导体主要材料硅与光子学结合，硅的高折射率可捕获光，通过超细光通道实现精确数据传输，速度提升超过1000倍，容量从GB提升到TB[3] 市场前景与竞争格局 - 市场研究公司Modo Intelligence预测，到2030年硅光子市场规模将增长至103亿美元（约15万亿韩元）[2] - 英伟达、AMD和英特尔等公司已开始研发并与台积电签署代工协议，三星也计划迅速提升技术实力并吸引客户[2] - 业内人士预计2030年后当硅光子技术应用于单个芯片时，它将决定代工市场的竞争力[2] 技术发展与商业化进程 - 英特尔是首家将硅光子技术商业化的公司，2016年成功将其应用于"收发器"中，但当时因市场需求低未引起太多关注[4] - AI的蓬勃发展使硅光子技术重获新生，因其能解决AI半导体速度慢、发热量大和功耗高三大难题[4] - 硅光子技术最早将于明年应用于AI服务器芯片，为代工行业开辟新市场[3] - 共封装光学器件（CPO）技术将光传输处理器件放置在半导体基板上，省去连接铜线并缩短光与芯片距离，台积电宣布该技术商业化后数据传输速度将提高十倍，功耗降低一半[5] 主要厂商战略布局 - 台积电是CPO市场领导者，得益于最大客户之一NVIDIA积极开发硅光子技术，并与硅谷独角兽企业如Ayar Labs、Celestial AI和Lightmatter合作[6] - 三星电子将硅光子学选为未来核心技术，调动全球研发网络（韩国、新加坡、印度、美国和日本）致力于该技术研发，并将负责研发的高级主管晋升为副总裁，聘请英特尔前首席产品官研究员[6] - 三星位于新加坡的研发中心由副总裁兼前台积电员工崔景建领导，正与总部技术开发办公室紧密合作推进技术发展[1] - 三星与博通合作共同推进硅光子技术商业化，并扩大新加坡研发规模，从台积电挖角工程师[6] 技术挑战与应用前景 - 硅光子技术需要大量新技术，包括在芯片和光边界处放置高性能透镜，以及使用"谐振器"将光信号转换为数字信号[3] - CPO比收发器更难制造，主要难题在于光对温度的敏感性，一旦出现问题需更换整个AI半导体芯片，凸显合理设计的重要性[5] - 三星认为硅光子技术是赢得更多大型晶圆代工客户的关键，可能扭转其在尖端封装市场落后于台积电的局面，业内人士将其定位为"代工市场的HBM"[7] - 三星宣布CPO商业化日期为2027年，与台积电的真正竞争将从那时开始，代工市场核心战场很可能从2030年硅光子技术应用于单个芯片时展开[7]

收购事件概述 - 格罗方德于11月18日宣布收购总部位于新加坡的芯片制造商Advanced Micro Foundry (AMF) [1] - 此次交易未披露财务细节 [1] 硅光子学技术重要性 - 硅光子学技术可将传统计算芯片与利用光脉冲传输数据的光网络技术集成 [3] - 该技术正被应用于人工智能数据中心和量子计算机 [1] - 数据传输速度加快、工作负载复杂化，使得高速、高精度、高能效的信息传输能力对AI数据中心和先进电信网络至关重要 [3] 行业竞争格局 - 英伟达正与台积电合作，将部分网络芯片与光连接封装在一起 [3] - 包括Ayar Labs、Celestial AI和Lightmatter在内的一系列资金雄厚的硅谷初创公司致力于芯片间的光连接技术，其中一些选择格罗方德作为芯片制造商 [3] - 格罗方德已是硅光子学领域主要参与者，曾帮助PsiQuantum等初创公司开发基于光子的芯片 [3] 收购后战略影响 - 收购AMF后，格罗方德有望成为全球最大的硅光子器件制造商 [3] - 公司将在新加坡建立新的研发中心 [3]

公司近况与财务表现 - 公司市值从两年前英特尔拟收购时的50亿美元翻倍至100亿美元 [2] - 第三季度营收达3.96亿美元，环比增长6%，净利润5400万美元，每股收益0.48美元，均超出市场预期 [3] - 第三季度经营活动产生的现金流达到1.39亿美元 [3] - 预计第四季度营收将创下4.4亿美元的历史新高，推动公司年营收达到15亿美元，复合年增长率为14% [3] - 11月10日公司股价单日强劲上涨16.69%，收于98.10美元，创2004年以来新高，年内累计涨幅达90.45% [3] 战略发展与产能扩张 - 公司宣布计划投资3亿美元用于全球产能扩张，涉及四家制造工厂 [2] - 投资旨在提升采用硅光子和硅锗技术的下一代模拟芯片产量，以支持人工智能应用 [2] - 新技术产能此前仅限美国纽波特工厂，新投资将使全球另外三家工厂也具备生产能力 [2] - 公司专注于模拟半导体这一芯片行业中独特且利润丰厚的细分领域 [2] - 从与英特尔失败的交易中获得3.5亿美元解约费，弥补了交易取消的损失 [3] 行业背景与市场动态 - 英特尔此前试图收购公司以加强其面向外部客户的代工服务部门 [2] - 收购计划因中美贸易紧张局势升级，中国监管机构拒绝批准而最终失败 [3] - 自收购失败后，英特尔的代工服务部门一直难以独立发展壮大 [2]

AI硬件市场现状与冲击事件 - GPU凭借强大算力成为AI芯片代名词，英伟达借此成为全球市值最高公司之一[1] - 2025年1月中国AI初创企业深度求索发布低成本语言模型，英伟达股价单日暴跌17%，市值蒸发6000亿美元，创华尔街历史最大单日市值缩水纪录[3] - 深度求索新模型研发成本仅为600万美元，引发市场对AI研发能否脱离昂贵芯片硬件的质疑[3] - 美国政府计划未来四年向AI基础设施投入5000亿美元，欧盟推出2000亿欧元“InvestAI”倡议[3] - 英伟达在全球游戏GPU及数据中心GPU市场份额约90%，AMD占据剩余10%份额[4] - 英伟达预计2025年营收较2024年增长超50%，2024年营收达1304亿美元[4] AI加速器技术路线对比 - GPU优势在于并行处理架构，能同时执行多项计算任务，特别适合AI训练阶段处理海量数据[6] - GPU高灵活性与易扩展性使其成为公共云环境通用工作负载的理想工具[6] - ASIC是为特定用途设计的定制化芯片，在执行预定义功能时提供强大且高能效算力[7] - ASIC适合企业内部专用工作负载，但灵活性低、小场景研发成本高且需要专用代码支持[7] - FPGA是GPU与ASIC之间的混合解决方案，具备一定专用性且可重新编程，但在AI芯片格局中处于次要地位[8] - 对于超大规模云服务商，ASIC从全生命周期成本角度极具吸引力，如谷歌TPU和比特大陆Antminer[8] 市场竞争格局与主要参与者 - 英伟达近50%营收来自AWS、微软等大型云服务商，客户战略转变可能引发市场技术变革[10] - AMD GPU价格更低且同等价位下显存更大，但英伟达芯片在能效与整体性能方面更具优势[10] - 英伟达CUDA生态系统在兼容性、工具支持和开发者社区方面占据显著优势[11] - 英特尔2024年4月推出Gaudi 3芯片欲替代英伟达GPU，但推广缓慢，2024年营收目标从5亿美元下调[12] - 谷歌通过云服务出租200万个TPU，同期英伟达售出380万个GPU，谷歌AI加速器营收估计在60亿至90亿美元之间[12] - 谷歌云服务结合自研TPU与英伟达GPU支持全品类AI工作负载，降低对英伟达依赖[12] - 苹果在谷歌云中利用TPU获取额外训练能力，反映英伟达芯片供不应求且TPU被视为优质替代品[13] - Meta于2025年3月开始测试自研AI训练芯片MTIA，旨在提升AI模型性能与效率[16] 新兴初创企业挑战者 - Cerebras推出“晶圆级引擎”芯片，拥有85万个核心，通过更高并行度释放强大算力[14] - SambaNova芯片创下推理性能纪录，其定制芯片算力是传统GPU的10倍，功耗仅为英伟达GPU的1/10[15] - Groq研发面向LLM的ASIC，目标是打造极速AI加速器以最短时间完成特定计算操作[15] - 初创企业硬件存在初始投资较高、集成复杂及扩展性瓶颈等挑战[14][15] 未来技术发展方向 - 硅光子学利用光子传输数据，可提升传输速率、降低延迟并减少功耗，台积电在该领域投入巨额资金[17] - 神经形态计算模仿人类大脑神经结构处理信息，能显著提升效率与计算速度，但目前仍处于萌芽阶段[17] - 量子计算利用量子粒子实现极速计算，有望将AI训练时间从数周缩短至更短周期[17] - 未来AI硬件可能是GPU、ASIC、FPGA与全新芯片架构的混合体，根据训练与推理、公共负载与企业内部负载实现差异化[18]