在大模型参数竞赛的裹挟下，算力饥渴和能效墙正同时扼住AI产业的喉咙。几乎所有的芯片巨头都在拼先进封装和液冷散热，但另一群人选择跳出现有框架，尝试用光子代替电子进行运算——这被认为是穿透能效天花板最具野心的路径之一。

上海张江的一家初创公司带着这种野心在资本市场上完成了一次快速亮相。上海奇算光启信息技术有限公司（以下简称“奇算光启”）近日完成天使轮及天使+轮融资，自2024年成立以来累计融资规模达数亿元。对于一个成立仅一年多的光计算芯片研发商而言，这一融资节奏和体量都释放出了强烈的信号。

此次融资的领投方和跟投方名单里，同时出现了顶级财务VC、互联网巨头旗下的产业资本以及具备国资背景的区域基金，一个极为紧凑的早期资本阵型已经成型。

字段 内容
公司 上海奇算光启信息技术有限公司
轮次 天使轮及天使+轮
金额 数亿元（具体未披露）
投资方 天使轮：高瓴创投领投，BV百度风投、张江高科跟投；天使+轮：高瓴创投、真格基金、上海未来产业基金联合领投，同创伟业跟投，老股东深流资本、张江高科与BV百度风投持续加注。明德资本担任独家财务顾问。
总部 上海
创始人 钟翰森
官网 http://www.lighteningagi.com/

一年半四代芯片迭代，工程推进速度本身成为一种信号

奇算光启目前在公开信息中被反复提及的一个数字是：在不到一年半的时间里，连续完成了四代光计算芯片的迭代——从最初的4×4规模，历经16×16、128×128，直到最新256×256规模芯片回片，并已对部分关键模块进行了验证。

这组迭代数据是这家公司递给外界最有力的“阶段验收单”。在半导体领域，尤其是光计算这种尚未定型的技术方向上，能够保持连续回片绝非单纯的资金堆砌，它至少意味着团队在光学结构设计、电路设计、流片工程协调等环节已经初步建立了一套可重复的工程流程。对于光计算芯片而言，每一次流片都是一次与代工厂在非标工艺参数上的反复磨合，其间涉及光子器件的几何尺寸容差、波导侧壁粗糙度控制以及与CMOS工艺兼容性等一系列传统电子芯片设计中不会遇到的特殊问题。能在短时间内将这四个节点的流片全部跑通，说明团队在工程执行层面已经跨过了一个极易陷入反复的试错阶段。

但这种速度也提出了一组更尖锐的问题：迭代本身是否等于商业能力的逼近？每一次回片验证的完整度如何？部分模块验证之外，芯片在实际工作负载下的整体性能、良率、均匀性和光电协同效率等更接近大规模部署的指标，目前公司并未披露。在公开信息中，256×256芯片被表述为完成了“部分关键模块验证”，而非系统级验证或典型AI任务跑通。这意味着至少在一个维度上，该芯片距离可被外部客户评估的工程样片仍有距离。对于关注光计算赛道的工程师群体而言，从成功点亮一个光学矩阵乘法阵列，到让它在真实数据流中稳定产生正确结果，中间往往横着光电转换损耗、热漂移控制和信号串扰等一连串硬骨头。这些问题的解决进度，目前无法从公开资料中获知，而它们恰恰是判断一家光计算公司是否真正逼近产品化的核心依据。

“全光干涉”路线独树一帜，但技术底牌尚未完全亮出

在现有光计算创业版图中，选择硅光子路线、基于马赫-曾德尔干涉仪阵列或多波长复用架构的团队不在少数，而奇算光启高调打出“全球首创全光干涉技术”的旗帜，有意在技术路径上与同行做出区隔。根据公司描述，该技术直接利用光子进行干涉运算，旨在突破传统电子芯片的能效极限。

然而，“全光干涉”作为一个公司自定义的技术标签，其物理实现细节、光路网络拓扑结构和逻辑映射方式目前并未在公开的技术文献或专利讯息中得到完整呈现。在光计算领域，“全光”这一前缀通常暗示系统中尽可能减少或避免光电转换环节，让计算过程在光域内完成。但具体到矩阵乘法运算，光信号如何被编码、权重如何被加载到光路上、多级干涉结构之间如何实现高精度的相位控制——这些底层设计直接决定了计算精度、可扩展性和对制造工艺偏差的容忍度。一家以此为核心卖点的初创公司，在获得数亿元融资后，下一步必然要在学术界和产业界面前交出更详细的技术白皮书或实测数据集。这不但关系到客户与合作方对其技术可工程化程度的判断，也直接决定了它所宣称的能效比优势是否能在可比条件下被复现。

值得关注的是，创始人钟翰森的技术背景恰好落在高精度光量子态操控的领域。他曾师从中国科学技术大学陆朝阳教授，并作为核心成员参与研制“九章”系列量子计算原型机，该原型机正是通过操控光子进行玻色采样来实现量子优越性。尽管光量子计算和光矩阵计算在物理原理和计算范式上截然不同——前者依赖量子纠缠和不可区分性，后者本质上执行的是经典线性代数运算——但在光路设计、干涉仪标定和噪声抑制等工程底层问题上存在一定共通性。例如，大规模光干涉网络中的相位稳定性和串扰控制，是两类系统都需要面对的共同命题。这种经验上的可迁移性，是团队被投资人看重的隐性资产，但也无法替代光计算芯片在AI负载验证上所需的专用工程积累。量子计算原型机追求的是在特定数学问题上展示对经典计算机的优势，而AI光计算芯片需要在精度、吞吐量和延迟之间找到适合商业化部署的平衡点，二者在工程目标函数上有着根本差异。

百度、张江和国资基金合流，投资人的算盘敲出了三层逻辑

翻开本轮融资的股东结构，映射出的不只是一次财务押注，而是一套组合逻辑。天使轮由高瓴创投领投，BV百度风投与张江高科跟投；紧随其后的天使+轮中，高瓴创投、真格基金和上海未来产业基金联合领投，同创伟业跟投，老股东深流资本、张江高科与BV百度风投悉数加注。短短数月间持续加注同一家种子期公司，这种密度在深科技早期投资中并不常见。

以百度风投为代表的互联网产业资本，显然带有鲜明的战略采购与生态绑定意图。百度自身正深陷大模型训练与推理的算力军备竞赛，任何一条可能在未来五年内带来单位算力成本下降一个数量级的新链路，都值得提前布局。对百度来说，这笔出资甚至可以被视为对下一代AI基础设施的一纸远期期权——如果光计算能在特定推理场景中率先落地，百度将拥有比竞争对手更早接入新算力形态的内部通道。张江高科的介入则让奇算光启在成立之初就嵌入了中国集成电路产业的核心腹地——张江科学城拥有从设计、制造到封测的完整产业链资源，对于一家需要频繁与代工厂和电子协同芯片设计方打交道的初创公司而言，物理位置的邻近与信任关系的建立远比单纯的办公空间重要。在光计算芯片这种需要跨学科工程协作的领域，能够就近接触到模拟IC设计人才、封装测试服务商和系统集成伙伴，本身就是一种效率壁垒。上海未来产业基金的进场则增加了地方政策资源的可及性，为今后流片补贴、测试平台共享和人才政策争取提供了背书，同时也意味着奇算光启的研发方向已被纳入上海在下一代算力基础设施层面的整体规划视野。

值得注意的是，真格基金在天使+轮中扮演了联合领投角色，这是其近年来在前沿硬件赛道上的又一次下注。其投资团队公开评价称，钟翰森是“能够同时跨越前沿科研与产业创业的年轻创始人”，并能“将复杂问题拆解为研发目标、产品路径和组织分工”。这段话清晰点出了投资人眼中最有价值的创始人特质：将听起来遥远的物理公式转化为可逐步验证的工程里程碑。在光计算这样一个从学术论文到产品之间还存在大量工程空白的领域，创始人的拆解能力可能比学术光环本身更能决定公司在资源配置上的效率。高瓴创投连续在两轮中扮演领投或联合领投角色，意味着其对该赛道的判断已经从“值得观察”进入到“需要重仓”的阶段，而深流资本作为老股东在两轮中持续加注，则暗示了其对公司早期进展的认可程度超出了初轮投资时的预期。

钱流向人才和研发，但技术理想与商业落地之间尚缺一批客户

根据公司的公开说明，数亿元融资将重点投入核心技术研发与人才建设。这是一笔典型的“研发费”——在没有任何公开付费客户的情况下，公司需要组建一支横跨光学设计、模拟IC、数字IC、系统架构和AI基础软件的多学科团队。光计算芯片本质上是一个异构系统，光子计算阵列负责矩阵乘法的核心运算，但数据排布、非线性激活、存储层级和与外部系统的接口仍然依赖电子电路完成，每一个环节的缺失都会让整个解决方案无法走出实验室。

商业模式的表述停留在“研发与销售光计算芯片及系统，为AGI时代提供高能效算力基础设施”的框架层面。这基本是所有AI芯片创业公司的标准答案，真正决定差异化的是：卖给谁？用于训练还是推理？占据什么生态位？对于光计算芯片而言，商业化的第一站几乎不可能是在通用大模型训练中直接替代英伟达GPU。训练任务需要频繁更新权重、执行高精度反向传播，这对光计算芯片的精度和可编程性提出了目前已知方案尚难以满足的要求。更现实的路径是在某些对功耗极度敏感、计算图具有特定线性特征或卷积结构的小型推理场景中先找到应用切口——例如边缘侧的视频流实时处理、特定类型的信号解算或数据中心内可被卸载的确定性算子加速。然而，至今奇算光启未披露任何具体客户、合作方或试点部署的迹象。这意味着公司仍处于技术验证期，距离商业化还需越过一个相当宽阔的鸿沟，而这座鸿沟的宽度取决于接下来能否拿出让下游系统厂商愿意投入软件适配成本的样板系统。

另一个不可忽视的配套工程是AI Infra能力。公司明确提及正在推进配套电子芯片和AI基础设施研发，说明团队很清楚光计算芯片不可能单兵作战，它必须挂载在一个完整的电子协同系统上，并由一套面向开发者可用的编译器和算子库支撑。编译器需要将上层深度学习框架表达的算子图映射到光计算芯片特有的计算模型上，这可能涉及对算子的拆分、精度分配和光路资源调度，其设计复杂度远高于传统数字芯片的编译工具链。这又将研发周期进一步拉长，并增加了资金消耗速度。在尚未有任何客户验证的情况下同时推进芯片、系统和软件栈三条线，对一家初创公司而言意味着资源分配上的持续张力。

最贵的“天使”：数亿元融资背后的资本竞争与赛道升温

在不少硬科技领域，天使轮数亿元级别融资已非孤例，但发生在光计算这样一个从理论到产品间还横跨大量未知数的赛道，这笔资金水平仍然相当可观。这一方面折射出资方对技术方向的笃定——在硅基电子芯片逼近物理极限的背景下，光学计算被部分投资人视为为数不多的有可能带来数量级能效提升的技术路径之一；另一方面也显示出当前一级市场优质光计算标的的稀缺，使得有顶级学术履历和连续工程产出的团队在融资窗口期获得了很高的溢价权。与国际上同类光计算初创公司相比，数亿元人民币的天使轮融资规模已处于极其靠前的位置，这背后可能反映了中国投资人在AI基础设施自主化叙事下对本土光计算团队的特别期待。

然而，这种高起点的资本注入也存在它的两面性。充裕的资金可以支撑团队长期打磨技术，避免因生存焦虑而过早走向产品妥协，让研发节奏更贴合技术自身的成熟曲线而非外部融资周期的压力。但与此同时，高额的早期融资也容易拉高外界对商业化时间表的期望值。一旦在接下来的两年内未能拿出可被外部评测的样板机或公开基准测试数据，资本耐心极可能快速转向。对于奇算光启而言，天使轮与天使+轮的密集完成，不仅是一次资源补给，也是一次计时器的启动。后续每一代芯片的进展、每一次公开数据的披露，都将被市场以更高的标准来审视。

光计算能否真正穿透AI能效墙？三个待验证的硬核假设

剥离掉融资的光环，奇算光启面前仍然摆着几个光计算赛道共有的、无法跳过的关键假设。首先，光学矩阵乘法在理想条件下的能效优势能否在包含光电转换、数据排布和放大电路的整体系统中得到保持。光子在传播过程中确实不产生焦耳热，但将电信号调制到光域、再将计算结果从光域解调回电域的过程中，激光器、调制器和探测器的功耗会叠加进来。在系统级别，能效比的优势是否仍然显著，这需要实测系统级能效比数据的支撑，而目前公司尚未对外公开此类数据。如果最终的系统级能效仅略优于先进电子芯片，而非数量级领先，那么下游客户切换计算架构的意愿将大幅减弱。

其次，光计算芯片的算力密度和精度边界，需要与AI推理任务的实际精度要求对齐。AI应用对噪声的容忍度并非无限，全光运算中的精度控制对编译器设计会提出极高要求。不同网络层对精度损失的敏感度差异很大，某些层可以容忍较低的数值精度，而另一些层——尤其是涉及注意力机制中的softmax或归一化操作的部分——对误差极为敏感。光计算芯片能否在保持能效优势的同时满足这些精度要求，目前仍是一个开放问题，其答案可能因应用场景的不同而显著分化。

最后，从芯片到系统再到生态的工程链条太长，一家早期创业公司同时推进光计算芯片、配套电子芯片和AI Infra，对资金和人才造成的分散效应不容低估。每一段链条都需要不同的专业能力：光芯片需要光学和光子学背景，电子协同芯片需要模拟和数字IC设计经验，AI Infra需要编译器、算子库和框架适配的软件工程能力。在短期内同时在这三条线上保持推进强度，意味着公司需要在招聘、管理和技术决策层面展现出远超一般硬件创业公司的组织能力。

这些假设的逐一验证，远比融资消息本身更能决定这家公司最终的走向。

RecodeX 极客视：奇算光启在一年半内就聚拢了一只高密度资本军团，创始人从量子光路中迁移而来的工程嗅觉让这个团队拥有了罕见的硬件迭代频率。但“全光干涉”这个高调的技术自我定义，需要尽快从部分模块验证走向可以被同行审视的系统级实测数据。在光计算这条叙事与工程同样重要的赛道上，吸引顶级资金是一回事，找到第一位愿意为光学算力签下购买合同的下游厂商，是另一回事。此刻，所有人的目光正从融资公告转向实验室下一扇将要打开的门背后，那个仍未被标定价格的样机。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。