光学计算的「理想丰满」与「现实骨感」

CVOCA代表了光学计算在AI加速领域的一次野心勃勃的尝试，但其产业化路径远比论文中的技术突破复杂得多。2 TOPS的处理速度在学术语境下令人印象深刻，但放在2025年的产业视角下，这个数字并不惊艳——NVIDIA H100的单卡算力已超过3000 TOPS。CVOCA的真正价值不在于绝对算力，而在于能效比和特定领域的不可替代性。光学计算的功耗优势（光子传输vs电子传输）在数据中心规模化后可能成为决定性因素，但前提是整个光学计算生态成熟——光电转换、存储接口、编程模型都需要系统性解决。

复值神经网络的小众命运

CVOCA专门为CVCNN加速，而CVCNN的应用场景确实独特（SAR、PolSAR、MRI等相位敏感数据），但这些领域在整个AI市场中占比很小。更关键的是，这些领域的研究者往往更关心模型精度而非推理速度——一篇SAR分类论文的创新点通常在于网络架构设计，而非"我们用了光学加速器"。这导致CVOCA面临一个经典的「鸡生蛋」问题：没有规模化应用，难以降低成本；没有成本优势，难以拓展应用。除非某个垂直领域（如国防SAR分析、医疗实时成像）产生刚性需求，否则CVOCA可能长期停留在实验室原型阶段。

合成波长的工程挑战

论文强调"合成波长"方法避免了直接相位操控的困难，但这只是把问题从「相位控制」转移到了「波长稳定性」。微梳线的两个波长通道需要极高的功率控制精度，任何温度漂移或器件老化都会导致复数权重的表示误差。在实验室恒温环境中运行100小时是一回事，在数据中心7x24运行3年是另一回事。光学AI加速器的历史充满了"Demo很美，量产很惨"的案例——Lightmatter、LightOn、Optalysys都曾宣称革命性突破，但至今未能大规模商用。CVOCA需要证明它不是下一个。

与电子计算的竞合而非替代

更现实的定位不是"取代GPU"，而是异构协同。CVOCA可以处理CVCNN的第一层卷积（如论文所述），后续层仍由GPU完成；或者作为雷达信号的预处理模块，输出特征图再送入后端分析。这种"光学前端+电子后端"的混合架构在工程上更可行，也能更快落地。实际上，当前的AI加速器生态正在走向专业化分工：TPU做矩阵乘法、FPGA做低延迟推理、ASIC做特定模型、光学器件做高带宽互连。CVOCA能否在这一生态中找到自己的生态位，取决于它能否证明在某个环节（如复值卷积）的不可替代性。

一个被忽视的机会：6G通信

CVCNN在无线通信信号处理中大有可为——5G/6G的OFDM信号本质上就是复数形式。如果CVOCA能够与通信基带芯片结合，在信号解调阶段直接完成神经网络推理，可能打开一个全新的市场。这比SAR图像分析更有规模化潜力，也更符合光学计算"贴近信号源"的优势。与其和NVIDIA竞争AI推理，不如和Qualcomm竞争通信智能。