二十年前，杜克大学教授 David R. Smith 利用一种被称为“超材料”的人工复合材料，制造出可在特定微波波长下部分遮蔽物体的“隐形斗篷”。这一材料科学进展随后被引入更广泛的电磁学研究领域，并在此基础上催生了新的商业化尝试。
总部位于美国奥斯汀的光子学初创公司 Neurophos 便源自这一研究脉络。该公司由杜克大学及 Smith 运营的孵化器 Metacept 孵化而来，致力于将超材料技术应用于人工智能计算，试图应对 AI 实验室和超大规模数据中心在扩展算力时面临的能耗压力。
Neurophos 正在开发一种被称为“超表面调制器”的器件。公司介绍称，这一器件具备特定光学特性，可在光学域内执行矩阵-向量乘法运算，充当张量核心处理器，用于支撑大量 AI 工作负载，尤其是推理阶段所需的核心数学计算。目前，这类运算主要由采用传统硅门和晶体管的专用 GPU 和 TPU 完成。
Neurophos 表示，通过在单一芯片上集成数千个超表面调制器，可构成其所谓的“光学处理单元”（OPU）。公司声称，相较当前广泛部署于 AI 数据中心的硅基 GPU，该 OPU 在执行推理任务时速度更快、能效更高。
为推动相关芯片和系统开发，Neurophos 近日完成 1.1 亿美元 A 轮融资。本轮融资由比尔·盖茨旗下风险投资机构 Gates Frontier 领投，微软投资部门 M12、Carbon Direct、Aramco Ventures、博世风险投资（Bosch Ventures）、Tectonic Ventures、Space Capital 等参投。
光子芯片本身并非全新概念。理论上，基于光的计算在性能上具备一定优势：光信号产生的热量少、传播速度快，对温度和电磁场变化的敏感度也低于电子信号。然而，传统光学元件通常体积较大、难以实现大规模制造，同时还依赖体积庞大且功耗较高的模数/数模转换器，在数字与模拟信号之间进行转换，这些因素限制了光子芯片的实际应用。
Neurophos 认为，其采用的超表面技术有望在尺寸和集成度方面突破上述瓶颈。公司称，其超表面调制器的尺寸比传统光学晶体管小约“1 万倍”，从而可以在单一芯片上集成数千个单元，以在同一面积内并行完成更多计算，提升整体效率。
Neurophos 首席执行官兼联合创始人 Patrick Bowen 博士在接受 TechCrunch 采访时表示，缩小光学晶体管尺寸后，可以在光学域内完成更多数学运算，再将结果转换回电子域。他指出，如果单纯追求更高速度，功耗会按比例上升，“如果你想让芯片快 100 倍，它的功耗也会增加 100 倍”，因此必须首先解决能效问题，才能真正释放高性能的价值。
在性能指标方面，Neurophos 声称，其光学处理单元在推理场景下的表现将显著超越英伟达的 B200 AI GPU。公司给出的数据是，该芯片目标运行频率为 56 GHz，峰值算力为 235 Peta Operations per Second（POPS），功耗约为 675 瓦；相比之下，英伟达 B200 的峰值算力为 9 POPS，功耗约为 1000 瓦。
Bowen 表示，公司已与多家客户签署合作协议，但未披露具体名称。他称，包括微软在内的企业正“密切关注”Neurophos 的产品进展。
Neurophos 所在的市场竞争激烈，由英伟达等大型芯片厂商主导，其产品在当前 AI 热潮中占据核心地位。同时，也有其他企业布局光子计算领域，其中部分公司（如 Lighmatter）已将重心转向光学互连技术。Neurophos 预计距离量产仍需数年时间，首批芯片计划在 2028 年中期推出。
对于未来竞争格局，Bowen 将自家技术路径与现有硅基路线进行了对比。他表示，包括英伟达在内的其他厂商，在硅基物理层面更多依赖渐进式改进，并与台积电工艺演进紧密相关。Bowen 称，台积电制程节点在能效方面的平均提升约为 15%，且需要数年时间才能实现。他表示，即便考虑英伟达架构在未来几年的迭代，公司预计在 2028 年产品推出时，仍可在能效和原始速度上相较 Blackwell 架构保持约 50 倍的优势。
针对光学芯片在大规模制造方面的传统难题，Neurophos 表示，其芯片设计可采用标准硅代工厂的材料、工具和工艺进行生产。
根据公司规划，本轮融资资金将主要用于开发首个集成光子计算系统，包括面向数据中心的 OPU 模块、完整的软件栈以及早期开发者硬件。同时，Neurophos 计划在旧金山设立工程与研发中心，并扩建位于德克萨斯州奥斯汀的总部。
微软核心 AI 基础设施企业副总裁兼技术专家 Marc Tremblay 博士在一份声明中表示，现代 AI 推理对算力和能耗的要求极高，计算领域需要出现与 AI 模型本身类似的“飞跃式”进展。他称，这正是 Neurophos 的技术路线及其团队正在努力的方向。
