AI加速器企业：Lightmatter——从“用光计算AI”转向“用光连接数十万颗GPU”的光子计算公司
Lightmatter 是目前全球最受关注的光子计算和 AI 基础设施企业之一。
公司成立于 2017 年，由麻省理工学院 MIT 的 Nicholas Harris、Darius Bunandar 和 Thomas Graham 创立，总部位于美国加利福尼亚州 Mountain View。
Lightmatter 最初最吸引人的概念，是利用 Photonic Computing，也就是光子计算替代部分传统晶体管矩阵运算，让光直接完成人工智能中的矩阵乘法。
但随着 AI 数据中心规模迅速扩大，公司近年来的商业重点已经明显转向另外一个更迫切的问题：利用光子技术连接 GPU、AI 加速器、交换芯片和 Chiplet。
截至 2026 年，Lightmatter 已经不仅是一家“光子 AI 加速器公司”，更准确地说，它正在成为一家 AI 数据中心光互连和光子计算平台公司。
Lightmatter 目前最核心的商业产品是 Passage 光子互连平台，同时还有 Guide 激光系统以及仍在继续开发的 Envise 光子 AI 计算技术。
公司认为，未来 AI 最大的问题已经不仅是“单颗 GPU 算得够不够快”，而是几十万颗 GPU 如何高速、低功耗地连接成一台巨型计算机。
随着 GPU 数量越来越多，传统铜线和电气 SerDes 开始受到距离、带宽、芯片边缘面积和功耗限制，而光纤恰好可以解决其中很多问题。
Lightmatter来自MIT光子计算研究
Lightmatter 的起点是 MIT。
Nicholas Harris 和 Darius Bunandar 曾在 MIT 教授 Dirk Englund 的量子光子学实验室从事 silicon photonics，也就是硅光子技术研究。
Thomas Graham 则拥有计算机科学和 MIT Sloan 商学院背景。
2017 年，三位创始人以光子计算项目参加 MIT $100K Entrepreneurship Competition 并获得冠军，随后正式成立 Lightmatter。
他们最初提出的问题非常大胆：
既然 AI 最重要的计算是矩阵乘法，为什么一定要用晶体管完成？
光经过不同 optical components 时，本身就会发生干涉、分光和叠加。这些物理过程在数学上可以对应线性代数中的矩阵变换。
因此理论上可以直接：输入光 → 光学系统 → 矩阵运算 → 输出结果。
这与传统数字计算完全不同。
CPU、GPU 和 NPU 依靠 transistor 不断进行二进制开关。
Lightmatter 则希望：利用光本身的物理传播完成计算。
为什么光可以计算矩阵？
神经网络最基础的操作之一就是 Matrix Multiplication。
例如 Transformer、CNN 和大语言模型都包含数量惊人的：乘法 + 累加。
传统 GPU 使用 Tensor Core 或 MAC Array，通过大量晶体管高速执行这些计算。
光子处理器则可以利用光的 interference，也就是干涉，同时完成大量乘法和加法。
不同输入可以编码成光的 amplitude、phase 或其他物理属性，然后让光通过由 waveguide、modulator 和 interferometer 组成的 optical network。
当光从系统另一端出来时，矩阵变换实际上已经发生。
而光子计算在理想情况下更像是：让物理系统自己实现矩阵。
这就是 Photonic Computing 最吸引人的地方。
光计算为什么可能比电子计算省电？
传统数字芯片每进行一次运算，都需要大量 transistor switching。
而晶体管开关需要充放电，因此必然消耗能源。
另外，数据还必须在 register、cache、SRAM、HBM 和计算单元之间不断移动。
光子计算的部分数学操作则可以通过光在波导中的传播自然发生。
尤其是矩阵乘法这种高度并行的运算，理论上非常适合 optical computing。
因此 Lightmatter 一直强调两个潜在优势：更低延迟 以及 更高 Energy Efficiency。
Lightmatter 当前公布的研究数据中，其光子矩阵运算平台可以实现极低的单次 matrix-vector product 延迟。
公司在其技术介绍中公布了约 200 picoseconds 的光学矩阵运算延迟，并在特定光子计算核心指标上给出了非常高的 Ops/Watt 数字。
需要注意，这些数字主要描述光子计算核心本身，并不等同于整台服务器实际运行一个完整 LLM 时的系统级能效。
Envise：Lightmatter最早的光子AI加速器
2020 年，Lightmatter 在 Hot Chips 上正式展示 Envise。
Envise 是公司早期最重要的产品，也是 Lightmatter 最初被划入“AI accelerator startup”的主要原因。
它是一种 Photonic AI Accelerator。
Envise 并不是整颗芯片完全由光完成所有计算，而是一种：Digital Electronics + Photonic Computing 混合架构。
CPU 和数字逻辑负责控制、内存管理、非线性函数和其他通用计算。
真正适合光子计算的大规模矩阵乘法则交给 photonic tensor core。
这其实也是目前光子 AI processor 最现实的架构。
因为计算机不可能只做 matrix multiplication。
程序控制、memory access、branch、activation、normalization、Softmax 等大量运算仍然更适合数字电子电路。
2025年《Nature》论文证明光子芯片可以真正运行AI
过去 Photonic Computing 最大的问题之一，是很多论文只能展示非常简单的实验。
例如：一个很小的矩阵，一个简单 MNIST 分类器，或者实验室里的几个 optical component。
这些实验可以证明物理原理成立，却无法证明真正复杂的 AI 模型可以在光子处理器上运行。
Lightmatter 在 2025 年跨过了一个非常重要的门槛。
2025 年 4 月，《Nature》发表 Lightmatter 团队的论文 Universal photonic artificial intelligence acceleration。
研究团队展示了一套真正能够执行现代神经网络的完整 photonic processor。
该处理器能够运行包括：
ResNet 图像分类、BERT 自然语言处理、Semantic Segmentation、Deep Reinforcement Learning，以及其他现代 AI workload。
更重要的是，这些模型不需要为了光子处理器进行非常激进的重新训练或完全重新设计。
这对于 Photonic Computing 来说是一个重要进展。
这颗光子处理器其实非常复杂
Lightmatter 在 Nature 论文中展示的系统并不是简单的一片光学芯片。
整个处理器使用多个 chip 进行 3D integration，包括 vertically integrated photonic tensor cores 和 digital control dies。
Lightmatter 公布的信息显示，这套系统拥有大约 500 亿个晶体管，同时集成大量 photonic components。
论文中的实验处理器能够执行大约 65.5 trillion ABFP16 operations per second，整套系统电子部分功耗约 78W，而光学部分功耗约 1.6W。
这里特别值得注意：Lightmatter 并不是证明了“光子芯片完全不耗电”。
真正的系统仍然需要大量电子电路。
光子计算主要解决的是其中最昂贵的一类数学操作。
因此未来 Photonic AI 最可能采用的模式不是 光完全取代晶体管。
而是：Photonics + Electronics。
让两种技术各自负责最适合的工作。
但Lightmatter后来发现了一个更大的市场
虽然 Envise 技术非常吸引人，但是 Lightmatter 后来的商业战略发生了明显变化。
原因是 AI 行业出现了一个更加迫切的问题：GPU之间怎么连接？
今天 NVIDIA、AMD、Google、Amazon 和其他企业已经可以制造算力极其强大的 AI accelerator。
但训练最先进的大模型通常需要：
几千颗 GPU。
几万颗 GPU。
未来甚至可能需要几十万颗 GPU。
于是 AI 系统出现了一个新的瓶颈：Interconnect。
GPU 再快，如果一直等待其他 GPU 发送数据，昂贵的 Tensor Core 就只能闲在那里。
Lightmatter 因此意识到：Photonic Computing 也许需要时间才能完全成熟。
但是 Photonic Interconnect 的市场已经来了。
AI数据中心正在遇到“铜线墙”
传统芯片连接主要依赖 electrical signals。
在一块 PCB 上距离比较短时，铜线非常方便。
但是随着数据传输速度越来越高，问题迅速恶化。
频率越高，electrical signal attenuation 越严重。
距离越长，需要的 SerDes、equalization 和 signal conditioning 越复杂。功耗也不断增加。
更加严重的是，芯片能够放 I/O 的位置主要集中在 die 或 package 的边缘。
Lightmatter 把这个问题称为：Shoreline Problem。
因此芯片越来越大，计算能力越来越高。但可以放高速 I/O 的“海岸线”并没有同比增长。
最终会出现：Compute很多，但数据进不来、出不去。
Passage：现在Lightmatter真正的核心产品
为了解决这一问题，Lightmatter 开发了 Passage。
Passage 是一种 3D Photonic Interconnect Platform。
它的作用是：把GPU、XPU、HBM、Switch和其他Chiplet通过光高速连接起来。
这实际上可能比直接制造另一颗 AI accelerator 拥有更大的市场。
因为无论最终 AI 计算赢家是谁——
AMD。
Google TPU。
Meta MTIA。
或者未来其他 custom AI accelerator。
它们都需要高速 interconnect。
Lightmatter 希望成为这些计算芯片之间的“光高速公路”。
Passage最大的创新：把光I/O放到芯片下面
传统 optical transceiver 通常位于交换机或者服务器边缘。
数据需要先通过 PCB 上的电连接：GPU → PCB → Optical Module → Fiber。Lightmatter 希望进一步缩短这一距离。
Passage 采用 advanced packaging 和 3D photonic integration，可以让 photonic I/O 更靠近甚至位于大型 XPU 和 switch silicon 下方。
这样，I/O 不再只能沿着 chip edge 排列。
Lightmatter把这种概念称为：Edgeless I/O。
传统模式：I/O只能沿芯片边缘增加。
Passage：I/O可以随着芯片面积扩展。
这可能从根本上改变未来大型 AI processor 的 packaging architecture。
Passage M1000：114 Tbps光互连
2025 年 3 月，Lightmatter 公布 Passage M1000 Photonic Superchip。
这是一个巨大的 3D photonic interposer reference platform，面积超过 4,000平方毫米。
Lightmatter 公布的总 optical bandwidth 达到 114 Tbps。
M1000 的目标不是连接两颗普通 PC 芯片，而是让下一代大型 XPU、HBM 和 switch chiplet 可以组成超大型计算封装，并进一步连接大量 GPU。
这说明 Lightmatter 的竞争目标已经明显改变。
Passage L200：最高64 Tbps
Lightmatter 同时推出 Passage L200。
L200 主要针对 Co-Packaged Optics，也就是 CPO。
公司公布了 32 Tbps 和 64 Tbps 两种版本，并表示通过 3D optical I/O，可以让单个大型 chip package 获得超过 200 Tbps 的综合 I/O 能力。
Co-Packaged Optics 是未来 AI 数据中心极其重要的技术方向。
简单来说，就是：
传统：Switch Chip → PCB铜线 → Optical Transceiver。
CPO：Switch Chip旁边直接放Optical Engine。
这样可以显著缩短高速 electrical signal 需要传输的距离。
最终长距离部分直接交给光纤。
2026年推出Passage L20
2026 年 3 月，Lightmatter 又推出 Passage L20。
L20 是一种更加接近实际大规模部署的 optical engine，单方向可以提供 6.4 Tbps optical bandwidth，同时支持 Near-Package Optics 和 On-Board Optics。
它采用 Bidirectional，也就是双向光学传输设计，让同一根 fiber 可以更加高效率地利用。
从 M1000、L200 到 L20 可以看到：
Lightmatter 已经不再只有一个漂亮的 photonic technology demo。
它正在形成完整产品线。
包括：
3D photonic interposer。
Co-Packaged Optics。
Near-Packaged Optics。
On-Board Optics。
Laser System。
以及 fiber attachment technology。
一根光纤达到1.6 Tbps
2026 年 3 月，Lightmatter 又宣布一个重要进展：
其 Passage optical system 成功实现了单根 fiber 1.6 Tbps throughput。
系统采用 16 wavelengths DWDM，也就是 Dense Wavelength Division Multiplexing，让多个不同波长的光同时在一根 fiber 中传输数据。
Lightmatter 表示，这种设计的 fiber bandwidth density 可以达到现有部分 NPO 和 CPO 方案的数倍。
这正是光纤与铜线最大的不同之一。
一根铜线通常传一个高速 electrical channel。
但一根光纤可以同时放很多不同波长：
λ1。
λ2。
λ3。
λ4。
……
每一个 wavelength 都可以独立传输数据。
这就是 Wavelength Division Multiplexing。
因此 optical interconnect 的扩展潜力非常巨大。
Qualcomm参与Lightmatter光互连验证
这一 1.6 Tbps/fiber 技术并不是 Lightmatter 单独完成。
2026 年公布的系统结合了 Lightmatter Passage photonic engine 和 Qualcomm Technologies 的 112G PAM4 optical SerDes chiplet。
这说明 Lightmatter 当前商业模式已经越来越接近 AI infrastructure ecosystem supplier。
它需要和：
SerDes企业。
XPU企业。
Switch企业。
Packaging企业。
Foundry。
Laser企业。
Data Center operator。
共同建立下一代 optical computing platform。
2026年加入NVIDIA NVLink Fusion生态
Lightmatter 在 2026 年还有一个非常重要的进展。
2026 年 6 月，公司宣布加入 NVIDIA NVLink Fusion ecosystem。
Lightmatter 将提供与 NVIDIA optical 和 SerDes 技术兼容的 CPO 和 NPO 产品，让采用 semi-custom XPU 的企业能够通过 Lightmatter photonics 与 NVIDIA switch silicon 建立高速连接。
这件事情的意义很大。
因为 Lightmatter 的战略不是正面制造一颗 GPU 与 NVIDIA 竞争。
它现在更可能变成：帮助NVIDIA和其他AI芯片把算力规模继续放大的基础设施供应商。
这与早期“光计算可能取代 GPU”的故事已经明显不同。
Guide：AI数据中心还需要大量激光
Photonic Interconnect 还有一个容易忽略的问题：光从哪里来？
GPU 自己不会产生需要的 laser。
未来一个大型 AI cluster 可能拥有数万甚至数十万个 optical links，因此需要非常可靠、高效率、可管理的大规模 laser infrastructure。
Lightmatter 因此还开发了 Guide。
Guide 是公司的外部光源和 laser platform。
2026 年 5 月，Lightmatter 发布 Guide DR，采用类似网络接口卡的 Laser NIC 形式，把高密度 laser system 放进服务器 chassis 内。
公司表示，一套 Guide DR 可以为最高约 51.2 Tbps optical bandwidth 提供光源支持。
这样 Lightmatter 就不只是卖一颗 photonic chip。
它开始提供：Photonics + Packaging + Fiber + Laser。
实际上正在构建完整的 Photonic Stack。
Lightmatter已经不是单纯AI加速器公司
因此如果今天仍然简单地说 “Lightmatter是一家光子AI芯片公司。” 已经不够准确。
更准确的描述应该是：Lightmatter是一家AI基础设施光子技术公司。
它的业务可以分成三个层次。
第一个是：Compute——Envise。利用光完成 AI matrix multiplication。
第二个是：Interconnect——Passage。利用光连接 GPU、XPU、Switch 和 Chiplet。
第三个是：Light Source——Guide。为大型 photonic infrastructure 提供 laser。
从商业成熟度来看，目前最重要的显然是：Passage + Guide。
为什么Lightmatter把重点转向Interconnect？
这个战略其实非常合理。
制造一颗能够取代 NVIDIA GPU 的全新 AI processor 极其困难。
你不仅需要硬件。
还需要：
Compiler。
Runtime。
Libraries。
Developer Tools。
Model Optimization。
Drivers。
Distributed Computing。
Software Ecosystem。
NVIDIA CUDA 已经经过二十年建设。
即使一颗 photonic processor 在 matrix multiplication 上效率很高，也并不意味着客户会马上扔掉 GPU。
但 interconnect 不一样。
NVIDIA GPU 越成功，Lightmatter 潜在市场反而越大。
因为 GPU 越多，连接问题越严重。
所以 Lightmatter 从 我要替代GPU 逐渐变成 我要连接所有GPU。
从商业角度看，这可能反而是一条更加现实的道路。
AI规模扩大正在让Interconnect变得越来越重要
今天训练一个 Frontier Model 已经不再是一块 GPU 能解决的问题。
即使单颗 GPU 算力每两年翻倍，也很难追上模型规模和训练需求。
于是整个产业开始使用 Scale-Up 和 Scale-Out 两种方式。
Scale-Up 是把一个 rack 或一个大计算域里的很多 accelerator 高速连接起来。
Scale-Out 是继续把多个 rack、多个 cluster 连接起来。
Lightmatter 认为未来可能出现：100,000+ GPU coherent AI machines。这时网络本身就会成为计算机的一部分。
因此未来评价一台 AI computer，可能不再只看：
GPU TOPS。
GPU FLOPS。
而还要看 GPU之间能多快交换数据。
Electrical Interconnect为什么越来越困难？
电子信号在铜线中传输存在天然电阻和寄生效应。
数据率低的时候问题不大。
但进入：
112G。
224G。
甚至未来 448G per lane。
信号完整性变得越来越困难。
距离越远，损耗越严重。
为了保持 signal quality，还需要：
Equalizer。
Retimer。
SerDes。
更复杂 PCB。
更高功耗。
最终会出现一种非常奇怪的情况：
这就是为什么 NVIDIA、Broadcom、AMD、Marvell、Intel、TSMC 以及整个半导体行业现在都高度重视 Silicon Photonics 和 Co-Packaged Optics。
Lightmatter正处在这个趋势中心。
光还有一个优势：可以交叉但不互相干扰
电子 wire 无法随意穿过另一条 wire。
芯片布线因此非常复杂。
但是不同 optical waveguide 和 wavelength 可以实现更灵活的传输和 multiplexing。
Lightmatter甚至进一步把 optical circuit switching 引入 Passage architecture。
这意味着未来光不仅承担 Point A → Point B，还可能在系统内部动态改变数据流向。
如果这种架构成熟，AI cluster 的网络拓扑可能变得更加灵活。
Lightmatter的制造并不是自己完成
Lightmatter 本身是一家 Fabless semiconductor 和 photonics company，并没有自己的大型晶圆厂。
截至 2026 年，公司列出的制造生态合作伙伴包括：
TSMC、GlobalFoundries、Tower Semiconductor、Amkor 和 ASE。
其中晶圆制造、silicon photonics、advanced packaging 和 assembly 分别依赖不同合作伙伴。
这一点对 Photonic Computing 非常重要。
过去很多光子技术难以商业化，是因为需要特殊制造工艺。
Lightmatter正在努力把 photonics 与现有 semiconductor supply chain 结合。
只有这样，技术才能从实验室里的几十颗器件，发展到未来数据中心需要的数百万甚至数千万 photonic components。
2023年一年融资两次
AI 热潮以后，Lightmatter 的融资速度迅速加快。
2023 年 5 月，公司完成 1.54亿美元融资。
仅仅几个月以后，2023 年 12 月，公司又完成 1.55亿美元融资，公司估值达到约 12亿美元，正式进入独角兽行列。
当时市场已经越来越清楚：
而是：
Power。
Networking。
Interconnect。
这些问题恰好都与 photonics 高度相关。
2024年估值暴涨到44亿美元
2024 年 10 月，Lightmatter 完成规模更大的 4亿美元 Series D 融资。
这一轮融资由 T. Rowe Price 领投，Fidelity 和 Alphabet 旗下 GV 等机构参与。
融资后，公司估值达到：44亿美元。
累计融资达到：8.5亿美元。
Reuters 当时报道，CEO Nicholas Harris 表示，这可能是公司 IPO 之前最后一轮私人融资。
从 2023 年的 12 亿美元，到 2024 年的 44 亿美元：
不到一年时间，Lightmatter 估值接近翻了四倍。
资本市场真正押注的已经不只是 Envise 光计算。
而是：Photonic AI Infrastructure。
截至2026年仍然是44亿美元估值
截至 2026 年 9 月，Lightmatter 官方仍然公布累计融资 8.5亿美元，最近公开估值为 44亿美元。
这已经使 Lightmatter 成为目前全球估值最高的独立 Silicon Photonics / AI Interconnect 初创企业之一。
它的公司规模和融资水平也明显高于很多 Edge NPU startup。
Lightmatter正在建立行业标准
对于网络和互连产品来说，一个公司自己技术先进还不够。
所有设备必须能够互相连接。
因此 standard ecosystem 非常重要。
Lightmatter目前已经参与多个重要行业组织，包括：
OIF。
IEEE。
UALink。
Ultra Ethernet Consortium。
UCIe Consortium。
JEDEC。
Open Compute Project。
以及其他 photonics 和 advanced packaging 组织。
2026 年，公司还参与推进 Open Compute Project 中的 Co-Packaged Optics system architecture initiative。
这说明 Lightmatter正在努力让自己的技术不只是专有产品，而进入整个 AI infrastructure ecosystem。
Lightmatter和Celestial AI有什么不同？
Lightmatter 最值得比较的公司之一是 Celestial AI。
两家公司都使用 silicon photonics，并且都把 AI 的最大问题之一定义为 data movement。
但是重点有所不同。
Lightmatter 当前重点是：Passage Photonic Interconnect。
特别强调 chip-to-chip、XPU-to-XPU、CPO 和大型 optical network。
Celestial AI 的核心概念则是：Photonic Fabric。
更加突出 GPU、memory 和 accelerator 之间通过 photonic fabric 建立高带宽连接，并强调 memory capacity 和 memory bandwidth scaling。
两者越来越接近，但技术实现、产品形式和客户路线并不完全一样。
它们实际上正在共同推动一个趋势：未来AI服务器内部也会越来越多地使用光。
Lightmatter和Lightelligence也不同
Lightelligence 同样来自 MIT photonics research，并且也开发过 optical computing architecture。
两家公司因此经常被放在一起比较。
Lightmatter近年来明显把商业重点转向 AI Data Center Interconnect。
而 Lightelligence 的产品路线还包含更加广泛的 optical compute、networking 和 data center photonics。
在美国 Photonic Computing startup 中，两者都属于非常早期进入该领域的企业。
Lightmatter和Mythic、Rain AI、EnCharge AI完全不是一条路线
最近介绍的 Mythic、Rain AI、EnCharge AI 其实都是试图解决：Memory Wall。
但是主要通过电子芯片内部架构解决。
Mythic：Analog Compute-in-Memory。
Rain AI：Digital In-Memory Computing。
EnCharge AI：Capacitor-Based Analog In-Memory Computing。
Lightmatter则选择：Photonics。
而且它目前更关注：Interconnect Wall。
所以这些公司虽然都可以放在 AI Accelerator 大分类里，但解决的问题已经不完全相同。
Mythic、Rain AI 和 EnCharge AI 主要问：怎样让一颗AI芯片少搬数据？
Lightmatter现在主要问：怎样让几十万颗AI芯片高速交换数据？
这个区别非常重要。
Lightmatter最大的优势
Lightmatter最大的优势首先是技术壁垒。
Silicon Photonics、High-Speed SerDes、Advanced Packaging、Optical Networking 和 AI system architecture 每一项本身都很复杂。
Lightmatter已经积累多年研发经验，并拥有实际 silicon。
第二是市场时间点非常好。
过去 photonics 最大的问题是：电子 interconnect 还够用，没有必要换。
而现在 AI cluster 的带宽和功耗要求快速增长，Electrical I/O 开始真正接近物理极限。
这使 optical interconnect 从“未来技术”逐渐变成“必须解决的问题”。
第三是商业模式越来越合理。
Lightmatter并不需要证明 NVIDIA GPU 没有价值。
恰恰相反：
NVIDIA卖得越多，Lightmatter未来需要连接的GPU就越多。
这是一个非常重要的战略优势。
Lightmatter面临的风险
Lightmatter的挑战同样非常大。
第一个是量产。
做出一颗 photonic prototype 和每年制造几百万颗可靠 CPO device 完全是两个问题。
光纤 alignment、laser reliability、thermal stability、packaging yield、testing 和 field serviceability 都非常复杂。
第二个是成本。
铜线虽然性能有限，但极其成熟、廉价。
Photonics只有在带宽和功耗优势足够大的时候才能真正取代铜。
第三个是竞争。
Broadcom、Marvell、Intel、NVIDIA、AMD、TSMC 和大量 optical networking 企业都在开发 Silicon Photonics 或 CPO。
Lightmatter并不是唯一看到这个市场的人。
第四个是客户导入周期。
Data Center Infrastructure 不像消费电子 App。
大型 hyperscaler 在部署新的 optical architecture 前需要进行长时间 reliability validation。
从样片到真正部署几十万个单位可能需要几年。
Envise会不会被Lightmatter放弃？
截至 2026 年，并不能说 Envise 已经被放弃。
Lightmatter 官方网站仍然把 Envise 列在自己的未来技术和 Compute roadmap 中，而且 2025 年 Nature 论文已经证明光子处理器能够执行真实 AI workload。
但是从最近几年产品发布、融资说明、合作伙伴和公司招聘方向来看，目前真正的商业重点显然是：Passage + Guide。
也就是说：先解决 Interconnect，再逐步推动 Photonic Compute。
Lightmatter 自己对此的描述也非常明确：
未来计算需要解决三个大问题：
Interconnect。
Compute。
目前最先大规模商业化的是 Interconnect。
Lightmatter真正想做的不是一颗芯片，而是一台“光计算机”
如果只看 Envise，会觉得 Lightmatter 想制造另一种 AI accelerator。
如果只看 Passage，又会觉得它是一家 optical networking 公司。
但把两者放在一起，就可以看到公司的真正野心。
它最终希望建立的是：Photonic Supercomputer。
计算部分使用 photons。
Chip-to-chip connection 使用 photons。
Rack-to-rack communication 使用 photons。
Laser infrastructure 同样由统一系统提供。
最终让大量 processor 不再像今天这样通过层层电气网络连接，而是成为一台巨型 photonic computer。
这也是 Lightmatter现在称自己为 The Photonic Supercomputer Company 的原因。
Lightmatter值得关注吗？
Lightmatter 是目前整个 AI Accelerator 和 AI Infrastructure 行业里最值得长期关注的企业之一。
它最特别的地方是，公司实际上经历了一个非常重要的战略升级。
2017 年创业时的故事是：用光计算AI。
2020 年 Envise 的故事是：用光子处理器挑战传统AI accelerator。
2023 年以后，随着 ChatGPT 引爆大型 AI Data Center，Lightmatter发现了一个可能更大的机会：
于是今天 Lightmatter 的核心故事变成：用光把几十万颗AI芯片连接成一台计算机。
从商业角度看，这可能比“再做一颗 NPU”更加重要。
截至 2026 年，Lightmatter 已经拥有 8.5 亿美元累计融资、44 亿美元最近公开估值，推出 Passage M1000、L200、L20、Guide DR 等一系列 optical infrastructure 产品，并加入 NVIDIA NVLink Fusion，同时继续保留 Envise Photonic Compute roadmap。
更重要的是，Lightmatter 的 photonic processor 已经不是单纯概念。2025 年《Nature》论文证明这种架构确实能够运行 BERT、ResNet 和其他现代神经网络。
因此 Lightmatter 面临的问题已经从 光能不能计算AI？逐渐变成 光子计算和光互连什么时候能够大规模量产，并进入真正的数据中心？
如果未来 AI cluster 从今天的几千颗 GPU 扩大到十万颗甚至更多 GPU，那么传统 Electrical Interconnect 很可能成为越来越严重的瓶颈。
还需要：更快、更低功耗的方式，把所有GPU连接起来。
Lightmatter 赌的就是这个未来。
如果把 NVIDIA 的路线概括为：制造越来越强的AI计算引擎。
那么 Lightmatter 当前的路线可以概括为：让光成为这些AI计算引擎之间的高速公路。
而它更长期的终极目标，则更激进：不仅用光连接计算机，最终连计算本身也交给光。