出品｜虎嗅科技组
作者｜陈伊凡
编辑｜苗正卿
头图｜AI生成
“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「67」篇文章。
站在光里。
成了这几年里一句颇有投资意味的号召，扰动二级市场的神经。
AI 对算力的胃口越来越大，数据中心里的光也越来越值钱：光模块负责传输，光互连连接芯片，光交换重新安排数据的去向。原本需要向投资人耐心解释的技术，如今有了一个共同的卖点：让昂贵的算力少等一会儿。需求推高市场预期，市场预期又推高估值。
光的行业，从来不缺造富神话。2026 年 4 月，曦智科技登陆港交所，上市首日盘中涨幅超过 400%；在一级市场，Lightmatter 早在 2024 年 10 月的融资中就获得了 44 亿美元估值，另一家光计算公司光本位也在 2026 年 8 月披露投后估值接近 200 亿元人民币。光计算，一个距离商业化落地还有许久的赛道，资本就已替它标好了价格。
而我们今天要写的这家公司光引科技，看上去像个例外。它的特别之处，是一家很有资格讲光计算的公司，偏偏把这个故事留到了最后。
创始人程祺翔的履历，几乎备齐了这类故事需要的要素：华中科技大学光电子本科，全奖赴剑桥大学读博，在华为参与光技术研发与规划，随后到哥伦比亚大学研究硅光器件、封装和光 I/O，32岁成为剑桥大学博导继续领导光计算和OCS技术落地。
比这些机构与学术名字更有分量的，是他进入这些方向的时间，几乎都卡在其源头创新的最早期。2011 年，他所在的剑桥团队已做出 16 端口的集成光交换器件；2019 年，他所在团队发表了利用微环实现光计算的研究成果，属于较早探索这一路线的团队。同年，他以研究科学家的身份，参与哥伦比亚大学牵头、联合英伟达开展的 DARPA PIPES 项目，参与微环光 I/O 的早期架构设计。2023年，他以剑桥大学PI身份联合英伟达获得欧盟Horizon资助推进OCS在AI DC落地。光的三驾马车，光传感、光计算和光传输，他都做过。今天被资本追逐的几条技术路线，程祺翔在它们成为热门生意之前就已下场。
如果光引科技想以“下一代算力”融资，程祺翔的背景足够吸引人。
但他选择从离商业化最近的光传感先下手，帮助客户判断发酵状态、检测皮肤里的胶原蛋白，听起来远不如挑战 GPU 激动人心。不过，这些问题有具体的使用者，也有可对照的设备成本，客户和投资人也用不着先相信一场计算革命，只需要判断新设备的成本、效能和市场。
光引科技的商业化次序因此颇为清楚：先传感，再通信，计算是最后的目标。传感争取眼前的收入，光交换（OCS）承接AI 数据中心的需求，光计算保留为长期技术储备。在一个早已习惯把远期市场提前计入估值的行业里，这种安排显得有些不合群。但程祺翔说，他愿意谈下一代计算，却不愿让公司今天的生存完全依赖它。
在这场交流中，我们试图理清几个问题：光交换（OCS）的机会究竟在哪里，巨头会不会自己下场；他为什么放着光计算的故事不讲，先从没那么多想象空间、却更靠近商业化落地的光传感下手；以及光计算还有多久落地，还是仅是个伪命题。
迟到 15 年的兑现
“既然你的研究如此有价值，为何光交换还没有得到应用？”
博士答辩时，导师 Richard Penty 院士追问，15年前的程祺翔答不上来。
从开始研究光交换到决定把它作为公司的主攻方向，他等了约15年。
15年后的今天，这个问题第一次有了市场层面的分量。程祺翔选择在此时进入了光交换OCS的市场。
OCS 也不是一条全新赛道。它是 Optical Circuit Switch 的缩写，通常译为光路交换或光电路交换。电交换要先把每个数据包读出来、判断去向、再转发；OCS 的做法更直接：在两个端点之间建立一条物理的光通路，让光直接穿过去。需要改线路时，就在设备内部把光路切换到另一对端口上。这样省去了反复的光电转换，延迟和功耗都更低，对带宽和协议也保持透明。代价是，光路的切换速度，通常比不上电交换处理单个数据包的速度。
有人把这一轮 AI 称作信息革命，也有人叫它“知识平权”：从前只属于少数人的认知，如今人人都能从模型那里拿到一份差不多的答案。知识可以平权，算力不能。当答案变得廉价，真正稀缺的东西就只剩下算力本身，这场竞赛里，卡越多、越强，越占优。
提高算力有两条路。一条是把单卡算力做上去，这是英伟达最擅长的事，也是国内一众 GPU 厂商正在追赶的事。中国的处境更特殊：没有现成的高算力卡可买，只能一边自己补供应链，一边把网络效率这块短板补上。另一条，是提高“有效算力”。
程祺翔算过一笔账：把成千上万张卡堆在一起，理论上总算力等于单卡算力乘以卡的张数，可真正能发挥出来的，往往只有四到五成，好一点也不过五成，剩下一半，被网络吃掉了。于是，一个原本属于芯片的话题，变成了网络的话题。
光的机会正在这里。“光进铜退”讲了二十年，从长距离到中距离，从短距离到机柜之间，一路推进。唯独有一件东西顽固地留在电的世界里：交换。电交换要不停地做光电转换，功耗是绕不过去的死结。当 AI 集群的带宽从 100G 一路冲到800G，再向 1.6T、3.2T 甚至 12.8T 挺进，电交换端到端微秒到十微秒级的延迟开始成为瓶颈：数据的时间尺度被压缩到百纳秒级，交换的占空比问题就暴露出来，有效算力被死死限制。
光交换（OCS）于是被重新摆上台面，成了“下一个能提高有效算力的核心器件”。这一次，说法不再只是学术圈的自说自话。
资本比谁都先闻到味道。做光模块、做光互连、做光交换的公司，收入和估值在短短一两年里被瞬间拉高，私有协议、UALink、NVLink 轮番登场，标准永远滞后于技术，所有玩家都在抢进度。热钱、热词、热估值，卷成一片。
光，终于等到来了 AI。
2006 年，程祺翔进入华中科技大学学习光电子专业，他把最初的选择称作“误打误撞”。2008 年参与国家光电实验室的研究，2010 年赴剑桥读博，他逐渐认定了光交换这个方向。2011 年团队已做出 16 端口的集成光交换器件。英国电信、爱立信、华为、英特尔等企业认可器件的表现，却仍难以回答它在系统里该怎样使用。问题在于，光路缺少电交换中那样方便的缓存与存储能力。电交换机可以先存下数据包，再择机转发；光交换要承担同样的任务，还需要控制系统、收发器和网络架构的配合。
一枚出色的器件，离一套客户愿意部署的系统依然很远。
答案的另一半，是在程祺翔离开剑桥后。2014 年博士毕业，他在剑桥做了三个月博后，随后正式加入华为。就在那一年，华为立项“以光互联为中心的计算系统”，他做了两年，几乎一路碰壁。器件集成度不够，光没有存储，整个控制系统闭环不了，前端的光收发器也跟不上。
当时硅光被 VCSEL 挤压，核心原因是没需求：没有杀手级应用带动带宽，企业不可能在 2015 年立项，等十年到 2025 年才收回成本。
（虎嗅注：VCSEL又称垂直腔面发射激光器，是数据中心里把电信号变成光信号的器件。2015、2016 年前后，主流速率还在 10 到 20G，VCSEL 自调制、模场大、直接耦合，成本又低，供应链成熟，完全够用；而硅光需要外调制、额外光源，模场小、耦合难，还得从头搭一套新生态。在够用就好的阶段，客户没有理由等一颗更先进却更贵的芯片。当然，哪怕是今天，VCSEL 也并没有被淘汰，其在短距、对成本敏感的场景里，依然有优势。）
“技术的先进性，不等于市场的先进性。”程祺翔说，早走一步，就是先烈。这是他在华为学到的经验。
这段经历后来成了他所有判断的底色，也是他选择先从离商业化更近的光传感入手的底层逻辑。
离开华为后，他去了美国，做了几年硅光器件的设计、封装和测试，2020 年又回到剑桥。
在美国那几年，正好是美国硅光公司被巨头并购的高峰，程祺翔第一次真切看到光电子公司能有那么大的冲击力——一家接一家被巨头收购或整合。这也成为了他最后重新进入产业界的动因。
2021 年，光引科技成立。但切入光交换，程祺翔还是等了4年。
让时机真正成熟的，是 scale up 这个场景。
（虎嗅注：scale up 与 scale out 是数据中心扩展算力的两种方式。scale out 是增加服务器数量、用网络把它们连起来，规模大、端口多、对成本敏感，传统云集群多走这条路；scale up 则是在机架、pod 这类最小计算单元内部，用高带宽、低延迟的链路把一组 GPU 紧紧连成一个更大的逻辑整体，让它们像一台更大的计算机那样协同，端口数不必多，但交换要快到纳秒，代表技术是英伟达的 NVLink。OCS 的机会正在 scale up：这里真正的痛点是交换速度，端口数并非瓶颈，所以纳秒级光交换才派得上用场。）
在深水区里的玩家已经不少。在 scale out 一端，MEMS 反光镜阵列由成熟厂商把持，成本、供应链和位置都很稳；谷歌为了用上 OCS，自己投入十年研发出了一整套控制系统，走的就是 MEMS 路线。
曾做光计算芯片的 iPronics 在 2024 年全面转向 OCS；英伟达这两年一直在引导供应链的 OCS 需求，也接连投资了做 scale up 方向 OCS 的公司，包括 iPronics 与 Lightmatter，它自己却不碰 OCS 硬件，器件以外采为主。
至于国内，程祺翔说，国内做 OCS 的公司大多只做芯片，真正能拿出完整方案的并不多。
光引科技切入的，是OCS中的纳秒级交换。第一步先解决 0 到 1，做出硬件和算法层面的纳秒级交换能力。
端口数越多，一台设备能接入并调配的链路就越多，设计和制造也越复杂。scale up 不需要 scale out 那样大的端口数，核心区间在 16 到 64 端口，长期向 128 端口演进，眼下 32、64 端口是最合适的产品矩阵。
国内云厂商认可 OCS 的价值，却不愿也不可能抽调大量资源陪器件厂商从头研发，光引要做的是那套能直接拿去测试的整机与系统。
市场节奏上，他判断美国会是 OCS 的核心市场，海外客户的落地节奏更快；国内则争取云厂商，并探索与服务器厂商配套销售。机会既来自新建 AI 数据中心，也来自已有光接口的存量机房改造。不过，有光口只是起点，控制系统如何接入、实际任务能提速多少，仍需逐一验证。
程祺翔也解释过自己为什么不做更火热的光 I/O，原因那类业务八成的工作是电，只有两成是光，还要绑死在英伟达这类厂商身上，国内的晶圆和封装接不住，但OCS 不需要超高速，可以共用国内的 Fab 和封测产业链。
光传感：一门能收钱的生意
即便程祺翔与光交换的纠葛持续了十几年，但光引科技成立后的第一步，走的却是光传感。这个决策依然来自程祺翔那句“技术的先进性，不等于市场的先进性”的逻辑：他希望先从距离商业化更近的地方入手，避开已有成熟方案的价格战，找到客户愿意为精度、体积和成本改善付费的场景，再用传感业务的收入和毛利，去支持更长线的研发。
他们给这条路线起名叫“计算光学”，用光计算去赋能光传感，眼下主推的技术里既有计算式传感，也有登上《Nature Photonics》的卷积式传感成果。
光引把传感分成非人体和人体两大方向，都在推向量产。非人体方向先靠龙头酒企这样的客户打开局面，人体方向则被程祺翔视为真正的核心。
非人体方向的第一个客户是白酒龙头。酿酒车间里，发酵状态向来靠老师傅的经验和人工翻堆来判断，这些年还多了人员老化、年轻人不愿干的难题，酒企想把这件事数据化、标准化，前后折腾了十年。问题在于，进口的大型光谱仪要几十万一台，得放在恒温恒湿的实验室里，几百人采样送检，根本进不了高温、高湿、高酸的发酵车间；手持设备又达不到台式的精度。此前酒企通过中国航信对接过不下十家传感公司，只有光引的技术符合需求，七项数据精度指标达标，六轮送测过关，光引就此成为该项目的中标方，拿到试量产订单。
发酵是光传感里最难啃的一类场景，对波长要求最宽，对精度要求最高。过去一年，团队一直在做对接、算法优化、产品改进和 debug，2026 年年底开始讨论从小批量试订单转向正式上量。一个最难的非人体场景能不能跑通，到这里有了答案。
人体方向先落地的，是国际美妆巨头的美妆皮肤检测，几个月就跑通，双方一起做了 400 人次临床。光引的无创胶原蛋白检测能全光无损地测出皮肤里的胶原蛋白，替代一台 40 万元的超声设备，成本压到 2000 元左右，还拿下了去年的中国十大光学进展应用奖。据访谈透露，后续还会联手华为等推出面向消费者的产品。
按计划，光传感 2026 年开始产生收入，明年起量，成为公司的营收基本盘，也支撑起后续更烧钱的研发。
人体方向才是真正的核心。工业场景的估值逻辑不如消费级人体传感，光引的目标是颠覆现有的 PPG 技术，做低成本的全光谱传感器，集成进手表、手机，做到人手一台。
2026 年，他们刚完成血糖、乳酸检测的 0 到 1 开发，下一步要和医院合作开展临床，年底前把传感器推进到临床阶段。这条路线的想象空间在于，一条光谱数据配上对应的数据库和算法，就能读出人身上的多项指标，从血糖、乳酸、胶原蛋白、皮肤水合到酒精浓度，未来还打算做尿酸、酮体，癌症早筛的研发也在推进，只是准确率较高的无创方案还没跑通。
更长远看，程祺翔说，传感是 AI 获取物理世界信息的核心入口，更是物理 AI 和具身智能实现感知、决策与行动闭环的关键基础。光传感是把物质状态翻译成数据的最直接手段，而眼下具身智能主要靠视觉和触觉来感知世界，视觉有它的边界，未来要靠光谱去感知物质本身，再结合感内计算（in-sensor computing），把光谱信息直接转成 token 喂给机器。
这一步走通，感、传、算三个方向就在同一条链上。
光计算：留到最后的想象
绕一圈，回到那个最能撬动估值的词。光计算的故事，程祺翔讲得格外克制。
这份克制，来自他太清楚这条路卡在哪里。光计算不是新东西，1980 年代就有大量研究，它一直没起来，核心原因是没有集成度。
程祺翔自称坚定的集成主义者，摩尔定律给他最大的认知是：任何不能走集成的东西，未来都很难成气候。他并不否认光计算的价值，只是不愿把它当成立刻能兑现的生意。
障碍还有一层：光没有存储。光计算的天然优势是并行和高速，代价却很实在，数据要从电侧搬来，做光电转换、数模转换，算完再搬回电侧。存储要靠电，而电存储是数字的，光本身处在模拟域，反复的转换带来固定的速率上限和巨大功耗。程祺翔的测算很直白：除非单片规模能超过 1000×1000 的矩阵，否则能效比算不过电。64×64 或 128×128 的光计算系统很难落地，短期之内，它更可能落在特殊场景，离通用计算还很远。
光引没有放弃它。2024 年，公司已经完成了光计算芯片的流片，团队具备光计算研发能力，剑桥团队也在做相关探索，但在程祺翔的产业化版图里，光计算只做技术储备，不做短期投入，等待合适的产品化机会。程祺翔的态度是：保持跟进，不掉队，也不透支。
中国是目前少有的还在坚持投入光计算研发的市场，原因不难理解：中国缺算力，没有类似英伟达那样强势的电计算企业，光计算被视为算力领域“弯道超车”的一种可能，只是需要耐心资本的陪跑，这是一条有巨大潜力的路线，但它离兑现还有很长的路。
程祺翔说，公司转向 OCS 之后，估值出现明显的上涨。逻辑并不复杂：光传感在资本市场按传统 PE 走，看营收，公司长期被压在低位；AI Infra 赛道按未来成长空间定价，水位高得多。
当被问到是否后悔没有一开始就把故事讲大？他说，说不后悔，是不可能的。但他说，人很难赚到认知之外的钱。光引讲的，始终是自己有把握落地的那部分，代价是估值涨得慢，好处是在资本寒冬里还有腾挪的余地。他愿意用传感的毛利，去养 OCS 的研发。这是一种不性感的活法，却也是一种能活得久，活得踏实的活法。
把计算留到最后，让传感先养活自己，再让通信接住风口。
这套安排某种意义上回答了他博士答辩时答不上的那个问题：技术要落地，需要合适的契机。电车不来，激光雷达不会那么快上路；AI 不来，光交换再好也只能坐冷板凳。
他在这条冷板凳上坐了十五年。十五年里他学会的第一件事也许是：光的速度很快，可是真正值钱的东西，常常比光慢得多。
以下为虎嗅精选的访谈，经过不改变原意的编辑：
虎嗅：2025年选择在此时切入OCS的动机是什么？为什么你没有选择现在更火的GPU相关的光互连业务？
程祺翔：我在美国的时候就做过相关技术研发，2018、2019年就曾在封装环节遇到很大瓶颈，当时在2.5D封装上做了很多开发。做GPU相关的CPO、光模块业务，80%的工作是在做电相关的部分，只有20%是做光，光相关的模拟等设计相对直接，难度不高，但电的部分难度很大。代工方面，国内具备量产能力的硅光企业基本都通过代理走美国Tower代工厂流片，但现在Tower产能排期紧张，加上中美贸易摩擦，这条路很难走通。
封装层面，海外像Lightmatter、Ayar labs这类进入英伟达供应链的企业，封装基本采用台积电CoWoS 3D封装技术。
目前国内还没有具备规模的3D封装专业厂，产业链融合难度大，做XPU相关产品需要适配完整的供应链生态，当前中国GPU产业仍偏早期，出货量尚未起量，生态成熟度不足。
Scale out场景下MEMS技术具备绝对优势，该场景需要极大的端口数、可承担成本高、差损低，目前MEMS已经实现小几百美金一个端口的成本水平，供应链成熟，牢牢占据scale out市场。集成光方案想提升至百端口以上难度极大。
2025年OCS时机成熟的核心原因在scale up场景。scale up市场分为两大块，一块是面向CPU、NPU的IO市场，另一块是OCS市场，二者是不同的赛道。此前scale up的发展重点是提升IO带宽（从400G到800G、1.6T、3.2T），但带宽提升的同时会压缩信息时间尺度，当数据传输的时间尺度压缩到百纳秒级时，电交换端到端微秒到10微秒级的交换速度（即便英伟达私有协议也仅能做到八九百纳秒，接近1微秒）会成为瓶颈，交换占空比问题凸显，有效算力会被限制。
IO市场最大的客户在海外，即英伟达、AMD、英特尔这类厂商，国内对应的客户是摩尔线程、沐曦等GPU厂商，但目前国内GPU出货量尚未起量，CPU/NPU的生态落地还需要时间。
OCS是一个全新的市场，英伟达过去两年一直在引导供应链的OCS需求，近期也投资了相关企业，但目前全球范围内还没有任何一家企业（包括初创公司）可以批量量产集成OCS的产品。我们的规划是2028年实现OCS产品小批量出货。OCS可以直接接入现有架构使用，不需要等待GPU全部搭载NPO/CPO全光口才能落地，既可以切入新兴增量市场布局，也可以在现有IDC存量机房的rack中加入OCS实现算力加速。
虎嗅：OCS的规模商业化可能会取决于什么东西？
程祺翔：OCS规模放量的核心在于掌握OCS的使用方法，也就是控制系统如何与现有机架融合。
海外科技巨头多以自主开发的模式推进OCS应用，比如谷歌自研MEMS路线OCS耗时十年，投入大量工程师解决相关问题；英伟达若采购OCS，会将32端口数OCS的机架层集成控制嵌入自身算法体系。我们在OCS领域做两手布局，一是模组、芯片层面做差异化竞争，端口数做到行业同水平的32、64端口，依托电光技术路线在速度、功耗上形成优势；二是依托光引科技的相关技术积累与生态融合能力，布局控制层，将初级控制能力融入方案，向云厂商明确展示OCS对算力的提升作用、明确OCS的嵌入方法，这件事落地后价值空间极大。
虎嗅：光引科技作为一家初创公司入局OCS市场，你不担心有朝一日，华为做了，或者海外市场英伟达做了，怎么办？
程祺翔：英伟达不会自己做OCS硬件，它会牢牢把控软件与生态环节，器件端以外采为主，它通过投资布局下游OCS供应链，除了投资iPronics，还投资了多家具有OCS能力公司，包括Coherent, lightmatter，它的目标是通过投资拉通供应链，不会自己下场做光硬件。2019年我们和英伟达合作微环IO场景时，曾手把手教其团队做微环相关的模拟、代码编写等工作，至今它的相关方案仍以外采为主。
目前华为在硅光量产层面没有布局OCS，研发端也未到产品化阶段，此前商业化、批量量产方向主要集中在LCOS液晶领域。包括华为在内的中国企业普遍采取跟随策略，不会迈太大步子。
虎嗅：你怎么看国内外OCS市场？国内买单的客户是谁？国外的格局是什么样？光引科技的国内外市场布局先后是什么？
程祺翔：美国是OCS最核心的市场，这是行业共识。当前国内多数OCS从业者虽有国内送样，但更多样品送往海外，判断海外市场落地节奏会更快，海外厂商投入力度更大。
智算中心的核心客户是云厂商，只有云厂商会实际使用OCS，目前也在和一些算力厂商沟通、做联合测试，但这类厂商不是最终直接用户，最终采购方还是做网络的相关主体。
国内OCS市场节奏会慢于海外，国内厂商在等海外明确OCS的具体用法，目前国内的大厂也在探索。
目前光引科技已经开始采购服务器，将联合剑桥大学、IMEC做机架级Scale Up场景的demo，从光电混合交换角度切入，融合自有算法验证OCS对算力的提升效果，以此为基准向客户展示OCS的使用方法，客户明确表示只要知道怎么用就会采购。仅靠硬件售卖很难起量，需要先明确使用路径、引导市场。
虎嗅：至于光计算，你们打算什么时候切入？光引在成立之初其实明明可以讲一个“下一代计算”的故事，为什么没讲？
程祺翔：2021年成立光引科技的时候本来想做光计算但最终没有做。
我之前在OCS方向蹉跎了十年，核心问题就是光没有存储，我们花了大量时间精力解决这个问题，后来才有混合交换方案，但混合交换的控制开销很高，没有AI场景支撑的话很难推进。
光计算如果没有完美的解决方案，很难和电计算PK，对这件事需要保持冷静，虽然它是很好的资本故事。光计算如果抛开光电转换等所有开销确实有巨大优势，但做到产品级就必须算上这些实际开销：数据要从电侧搬过来，要做光电转换、数模转换，每次计算后还要转回电侧。综合所有开销来看，光计算做不到单个芯片1000×1000以上就很难有优势。
这种情况下除非是非常特殊的场景，不然很难落地，所以短期之内光计算很可能落地在特殊场景，而不是通用计算。
现在光计算的架构还没有收敛到能比电计算更有优越性的程度。当然这并不是终局，我坚信光计算是一条有巨大潜力的路线。
2023到2024年一级市场环境差，早期投资人也提醒我们光计算投入大、短期难落地，盲目布局可能导致公司资金链断裂，所以我们选择将光计算技术下放到传感领域，走计算传感的落地路径。
目前我们三驾马车的业务布局是这样的，第一是光传感业务，这是我们短期营收的基石，用计算技术革新传感行业，2026年开始产生营收，明年会起量成为营收主体，目前已经和国际美妆巨头正式达成合作，即将进入供应链。第二是OCS光交换业务，我们判断OCS会比光计算更早落地，目前采用模组加整机的产品形态，和行业内多数只做芯片的OCS企业不同，我们依托剑桥的多年研发积累以及我在美国做控制层的经验，会推进OCS从0到1的完整方案落地，做成可以直接供客户测试的整机和系统，解决国内云厂商不知道怎么用OCS的问题，目前该业务融资比较顺利。第三是光计算技术储备，我们保持技术研发跟进不掉队，但不做短期产业化的巨量投入。