创始人钟翰森曾参与并牵头“九章一号”“九章二号”光量子计算原型机相关研究。
AI 科技评论获悉，国内光计算创业公司奇算光启近期完成天使轮及天使加轮融资，自成立以来累计融资规模已达数亿元。
其中，天使轮融资由高瓴创投领投，BV 百度风投、张江高科跟投；天使加轮融资由高瓴创投、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 百度风投继续加注。明德资本担任独家财务顾问。
目前，奇算光启已完成最新一代 256×256 规模光计算芯片的回片及部分关键模块验证，并持续推进更大规模光计算芯片、光电协同系统以及 AI Infra 能力的研发。
从 2025 年的 4×4、16×16，到 128×128，再到如今的 256×256，这家公司在一年半左右连续完成了四代光计算芯片迭代。
奇算光启创始人钟翰森博士毕业于中国科学技术大学。博士期间，他参与并牵头“九章一号”“九章二号”光量子计算原型机相关研究，并作为第一作者在 Science 发表相关成果。
此后，他进入上海人工智能实验室，研究方向从大规模 GPU 集群调度与算力优化，延伸到科学大模型、AI for Science、计算机视觉等，逐渐横跨光子学、人工智能与计算系统。
他的相关研究曾入选“中国十大科技进展新闻”，并两度入选国际物理学年度十大进展。
01
过去几年，AI 产业已形成一个清晰共识：
算力需求的瓶颈，已经不只是芯片够不够多，而是电够不够多。传统电子芯片靠制程微缩提升能效的空间在收窄，功耗与散热压力同步上升。
光计算的机会在于：通过光干涉完成矩阵运算，理论功耗远低于电子晶体管逐次计算——谁能用更少的电完成更多有效计算，谁就能持续供给算力。
奇算光启采用光电协同架构：光计算核心负责高密度矩阵运算，电子芯片负责I/O、控制、校准和存储访问，再通过算子映射、编译调度等AI Infra能力接入现有AI系统。目标是让每一度电产生更多智能。
这里的关键不仅是"用光来算"，而是能否把物理优势保留到系统层面。光电转换、控制校准都存在固定开销，阵列越大，固定开销越容易被摊薄，这也是奇算光启持续扩大阵列规模，并计划向 1024×1024 乃至 8192×8192 推进的原因。另一个前提是动态可编程：AI模型的计算内容需要持续高速刷新，奇算光启自主研发的“全光干涉”路线正是要同时解决规模与动态更新两个问题，让光计算成为通用AI算力。
奇算光启从4×4到256×256的连续迭代，为这条路线提供了工程验证。随着规模扩大，挑战开始从单一计算核心延伸向系统适配。
下一阶段就是要在继续扩大光计算规模的同时，加大对配套电子芯片和AI Infra的投入，把芯片级优势转化为系统级能力。
02
从光芯片到服务器集群，需要解决器件、集成电路、系统架构、软件栈与工作负载之间一连串的耦合。奇算光启从真实AI工作负载出发定义光计算芯片，目前团队同时覆盖光子学、集成电路、人工智能和系统架构等方向。
创始人钟翰森本人的经历恰好横跨这几层。他曾牵头"九章"相关研究，这类超大规模光学干涉系统需要大量器件在极高精度下协同工作。
进入AI领域后，他又站在算力使用方理解AI：在AI Infra方向，他带领团队完成大规模张量网络调度与算力优化；在大模型方向，推出全球首个也是影响力最大的开源化学大模型；在AI for Science方向，利用AI完成中性原子系统任务调度，被美国物理学会评为年度十大物理学进展，晶体结构解析登上JACS封面；在计算机视觉方向，用AI探索裸眼3D显示，成果发表于Nature。
这些经历形成了一条从光学系统、计算系统到AI模型的完整能力链。这种组合使团队能从芯片、系统到 AI 工作负载整体思考，一步步把光计算推进到真实场景，这也是多家头部机构早期进入并持续加注所看重的地方。
从光计算核心到可规模部署的算力产品，中间仍需持续的系统验证和工程迭代。在应用选择上，他们并未试图一开始就覆盖所有 AI 任务，而是首先聚焦矩阵规模大、计算密度高的场景。钟翰森此前提到，大模型推理的Prefill阶段、视频生成和世界模型，可能是未来2至3年光计算率先发挥能效优势的方向。
256×256只是一个阶段性节点。奇算光启最终希望提供的，是一种更高效、更可持续的AI算力供给方式。
文章来自于微信公众号 “AI科技评论”，作者 “AI科技评论”
