光计算芯片依托片上传播以及波分复用、时分复用、空分复用等多种复用机制，具备高带宽、低传播时延和天然并行性，在计算吞吐量和能效方面展现出巨大潜力。然而，在复杂智能任务中，这一优势尚未得到充分释放。 对于端到端全光计算系统而言，当主要计算过程在光学域内完成时，系统运行速度更有可能逼近由光速决定的物理极限。但复杂任务往往需要强大的非线性运算能力，以及高可编程性、可扩展性和低噪声等工程特性，这些能力在纯光学系统中仍较难低成本实现。若引入电子计算模块以提升任务处理能力，系统又会受到光电转换、电光转换、采样量化和电子控制环路带来的额外时延与功耗限制。因此，光计算芯片在本质上面临“逼近物理速度极限”与“覆盖更高任务复杂度”之间的矛盾，即速度与复杂度的权衡。 围绕这一问题，上海交通大学团队在发表于 Journal of Semiconductors 的 Research Highlights 文章 “Photonic computing chips under the speed-complexity trade-off” 中，系统综述了光计算芯片的最新进展。文章梳理了基于片上干涉、片上衍射和微环谐振器等机制的主流全光芯片架构，也总结了面向高速视觉任务和通用计算任务的光电融合芯片路线。 文章进一步重点介绍了 LightGen。该全光大规模语义生成芯片通过百万级光学神经元集成、全光维度转换和无真值光芯片训练算法，实现了高分辨率图像语义生成、3D生成（NeRF）、视频生成及语义调控、去噪和特征迁移等复杂生成式任务。LightGen 表明，通过表示机制与芯片级集成的协同创新，全光芯片有望突破算子级加速的局限，发展为支撑复杂生成智能的物理计算平台。