据相关报道，随着AI芯片对性能需求的不断提升，传统电信号传输逐渐面临瓶颈，光技术正成为解决芯片内外数据传输和运算问题的重要方向。片上光网络（oNoC）、片间光网络（oNet）和光子矩阵计算（oMAC）是当前备受关注的三大技术领域。
oNoC的核心在于将光通信引入芯片内部。目前，AI芯片常包含数百甚至数千个核心，数据在芯片内部频繁交互，传统金属线路的传输速度和功耗问题日益突出。oNoC利用硅光子技术，通过光波导和微环调制器等元件，以光的形式传输数据，具有高带宽、低延迟和长距离传输更节能的优势，非常适合多核心间的高效数据交换。然而，该技术仍面临制程整合、温度敏感性以及光电转换效率等问题，尚需进一步优化。
oNet则专注于解决芯片间的连接问题。在AI训练中，大量GPU或加速器协同工作，传统PCIe或铜缆连接在带宽、距离和功耗上已难以满足需求。oNet采用光纤和光模块（如CPO共同封装光学）实现芯片间的光互连，具备更快的速度、更远的传输距离以及更低的能耗，为大规模AI集群提供了技术支持。不过，高昂的成本、复杂的封装工艺以及尚未统一的产业标准仍是其主要挑战。
oMAC更进一步，直接利用光进行AI运算。AI的核心运算之一是矩阵乘加（MAC），而oMAC通过光的干涉、相位和振幅特性，在光路中完成乘法和加法操作，实现数据传输与计算的同步进行。这种技术理论上能够实现超高并行运算，且功耗远低于传统电子计算，非常适合AI推理甚至训练任务。然而，精度不稳定、可调性有限以及与现有数字系统的整合问题仍需克服。
总体来看，oNoC、oNet和oMAC分别从芯片内、芯片间以及计算本身入手，为下一代AI算力架构提供了关键的技术路径，未来发展前景值得期待。
