光子芯片真能比硅基芯片快上1000倍?
外媒为啥一边看一边直呼“没想到中国竟换道超车了”?
这条新路到底靠不靠谱,光又是怎么替电干活的?
最近的几条新消息,就挺能说明问题。
就在本月初,光计算赛道又热闹了一把。
光计算芯片公司智子光垣已完成数亿元种子轮融资,这家公司于2026年5月成立,聚焦可重构全光计算架构与光子处理器研发。
另外,中国移动联合合作伙伴,基于230GBaud(波特)关键技术完成单波1.6Tb/s信号在骨干长距G.652.D光纤上的实时传输。
光究竟怎么替电干活?
得从一盘棋说起。
2016年,谷歌的AlphaGo在围棋比赛中击败李世石,人类在人机对弈中再次落败。
不过,一些人从一个细节中得到了些许安慰:从能耗来看,人脑的效率远高于计算机。
当年的AlphaGo运行在48个TPU上,每个TPU功耗约40瓦,而拥有约1000亿个神经元的人脑,功耗只有20瓦左右。
多年来,神经网络规模不断扩大,运行它们所需的能源也随之增长。
科学家们一直在寻找扭转这一成本趋势的办法,硅光子学被认为是一条很有前景的途径。
近年来深度学习取得的诸多进展,很大程度上得益于两项硅基技术:GPU和AI加速器。
GPU首先让人们能够在合理时间内训练出规模庞大、精度较高的神经网络。
这固然意义重大,但更具里程碑意义的或许是谷歌推出张量处理单元(TPU),由此开创了价值数十亿美元的AI加速器产业。
AI加速器让人们能够在大规模数据上运行这些模型,从而把机器学习的成果带给普通大众,谷歌相册等一系列工具正是借此才得以面向用户。
尽管影响巨大,这些加速器在概念上却相当简单,因为它们专为把一件事做到极致而设计,那就是矩阵乘法。
在实际应用中,神经网络以数学矩阵的形式表示。
当人们“使用”一个预训练神经网络模型,例如识别图片内容时,所用的就是矩阵:预训练模型是一个矩阵,图像数据也是一个矩阵。
粗略地说,模型“运行”的过程,就是将这些矩阵相乘以求得最终答案。
矩阵乘法是一种简单的数学运算,需要把矩阵各元素的乘积进行求和。
运行预训练神经网络的过程在业内称为“推理”,其中超过90%的工作都是矩阵乘法运算。
因此,TPU内部设有一个二维阵列,集成了数以万计的乘法累加电路,即MAC单元。
每个MAC单元只专注于一件事:以高精度将两个数相乘,再把结果加到累加和中。
工作时,MAC单元从预训练神经网络模型中读取预先确定好数值的矩阵,即所谓的“权重”,再将其与图像数据矩阵相乘。
理解了这一点,就不难明白TPU为何能胜过大型英伟达GPU。
TPU就好比半导体领域里的职业腕力选手,为了比赛只专门锻炼右臂。
然而,这种计算范式面临的一大问题是能耗。
正如开篇所说,人脑能以低得多的功耗完成同样的工作,原因何在?
如果拆开谷歌TPU这样的AI加速器,考察其40瓦功耗的去向,就会发现约80%都花在了连接和数据传输上。
电路每次搬运数据,例如从系统内存中载入权重,都会消耗能量。
这是因为其连接是电性的,依靠电子这种带负电的亚原子粒子在电路中流动。
电子会与其他粒子相互作用,并在此过程中以热量的形式产生损耗,造成能源的浪费。
此外,AI加速器具有高度并行性,各个MAC单元同时处理不同任务,虽然能更快完成整体工作,代价却是消耗更多能量。
企业和设计人员对此十分清楚,并在设计系统时加以考虑。
例如,他们会把模型权重在物理位置上安排得更靠近芯片的MAC电路。
得益于这些努力,按单个MAC计算,AI加速器的能效已达到GPU的20倍。
与此同时,AI工程师也在用更少的硬件做更多的事。
2016年的AlphaGo使用了分布在庞大网络中的48个TPU,而一年后谷歌推出的AlphaZero性能更强,却只需单台机器上的4个TPU。
尽管如此,人们仍希望找到颠覆性提升神经网络硬件能效的方法,因为能耗不仅阻碍着通用人工智能的实现,也让企业付出高昂成本。
那么出路在哪里?
硅光子学正是在这里登场。
硅光子芯片用基于光的连接取代传统半导体使用的电连接。
借助光纤传输数据的相同原理,光信号可以在芯片内部传输,几乎不产生损耗。
总体而言,与传统硅器件相比,硅光子计算器件有两方面优势,分别体现在带宽和功耗上。
其一是极高的带宽,可达100太赫兹及以上。
由于光信号以光速传播,因此能以超高频率传输。
其二,也是更重要的一点,是实现极低功耗的潜力。
这种情况下,能耗只来自光的发送与接收,TPU用于数据连接的那约80%功耗将不复存在。
当然,这只是理论上的情形。
在现实中,能效方面实际能达到的水平有一定限度,但与市场现状相比,整体上仍有望实现约10倍的提升。
那么,这一技术在实践中是如何实现的?
最简单的实现方式是将硅光子与传统半导体相融合的混合方案。
传统半导体负责存储输入数据、权重以及神经网络各层之间的中间结果。
这些数据随后通过数模转换器(DAC)进入光子电路完成光学运算,输出结果再经由模数转换器(ADC)返回电路的其余部分。
以Lightmatter公司为例。
这家从麻省理工学院孵化出来的初创企业,凭借基于硅光子的深度学习方案,已从风险投资机构和大型企业融资超过1亿美元。
该公司的光子电路被称为纳米光子处理器,用马赫-曾德尔干涉仪(MZI)构成的网格,取代了谷歌TPU中由乘法累加电路组成的二维阵列。
马赫-曾德尔干涉仪是光子学的基本构件。
对其施加电压后,它能以特定方式把光分束,再重新合束。
在这一过程中,合束后的光的性质相对于输入状态会发生变化,而这种变化的幅度可以映射为一个乘法运算结果,这一原理确实令人惊叹。
借助这一原理,粗略地说,权重矩阵和输入矩阵可以转换为光的特定排列。
随后,让光穿过MZI光子网格,就能完成矩阵乘法运算。
由于光速极快,这一计算过程只需约100皮秒。
最终输出的光子可被探测和收集,再映射为代表计算结果的数值。
这种光子网格已能构建出可以运行的神经网络,尽管规模较小,只有少量神经元和网络层。
正如预期,这些小型网络的能效比同类电子网络高出三个数量级,说明该技术确实切实可行。
不过,这项技术仍面临一些问题,其中最突出的有两个。
首先是精度尚未达标。
Lightmatter团队在2017年的论文中指出,其光子神经网络识别元音的准确率约为76.7%,而模拟结果显示应达到约91%。
差距很大程度上与系统如何对光中的数据进行编码和解码有关,也就是模拟信号向数字信号的转换环节。
另一个问题在于尺寸与规模。
2017年Lightmatter论文中介绍的系统只有2层,包含56个马赫-曾德尔干涉仪。
早在20世纪80年代,贝尔实验室就曾研制光学晶体管,打算用于商用计算机,但这一尝试未能如愿,部分原因就在于光学器件体积庞大。
要具备商业竞争力,光子网格系统能否在保持优势的同时扩展到更多层数和神经元?
在这一领域,这个问题仍悬而未决。
Lightmatter的应对办法是制造越来越大的硅光子芯片。
2020年,该公司发布Mars芯片,采用90纳米工艺制造,拥有64×64的马赫-曾德尔干涉仪矩阵。
格芯(GlobalFoundries)和英特尔等公司也一直在硅光子平台上大量投资,因此仅凭制造工艺的进步,这类芯片就很有可能达到商业化规模。
即便制造工艺未能达到要求,目前也已有一些无需制造大量干涉仪就能扩展规模的理论方法。
“硅光子驱动的神经网络”听起来像一句营销口号,但其背后的理念切中了现实需求。
谷歌之所以打造TPU,是因为意识到需要找到一种方法,降低在真实数据上运行神经网络模型的成本。
同样的经济逻辑也适用于硅光子领域。
对大型数据中心而言,能耗是一项直接的运营成本。
如果光驱动的神经网络能在提供相近性能的同时,把能耗降到原来的十分之一,谷歌和亚马逊等企业必将争相采用。
当然,前提是这些光子网格确实能够达到预期性能。
光算神经网络的门道,说到这儿基本就清楚了。
可这事放到中国身上,味道就不一样了。
2018年起,美国对华为一轮接一轮下手,2019年拉进实体清单,2020年连用美国技术的外国厂都得申请许可,台积电当年9月就停了麒麟芯片代工。
到了2023年初,美国又拉上荷兰、日本,把先进光刻机的出口口子堵死。
硅基这条老路,摆明了不让中国好好走。
人家越堵越紧,中国干脆不挤这条道了,掉头盯上光子芯片。
光子跑数据,不像电子那样在电路里磕磕碰碰,发热少,速度还快。
前面说的实验室小网络,能效高出三个数量级,换算过来就是一千倍上下,“光比电快千倍”的说法差不多就是这么来的。
更要紧的是,这条路对极紫外光刻机没那么依赖,国产设备和材料能撑起不少环节,卡脖子的那只手一下子使不上劲了。
中国在这上面也不是临时抱佛脚。
2020年12月,光量子原型机“九章”在高斯玻色采样上把超级计算机甩出好几条街。
后来“祖冲之三号”做到105个量子比特,跟谷歌Willow站在同一档。
2024年9月,无锡上海交大研究院的光子芯片中试线启用,算是正式迈进产业化门槛。
2025年,清华团队又拿出“玉衡”芯片,做成全球首款亚埃米级快照光谱成像芯片,还登上了《自然》。
实验室到生产线,一环扣一环。
外媒看完直呼没想到:本以为制裁能把中国按住,结果人家绕开硅基,另修了一条高速路。
再看美国那边,台积电还在3纳米、2纳米上死磕,可硅基的物理极限就摆在那儿,越往下抠越费劲。
光子产业在全球都还没定型,谁先把规模做起来,谁就能握住话语权。
这场比赛,各家其实站在差不多的起跑线上,中国反倒抢了个先手。
当然,光子芯片也有自己的坎儿,精度不够、器件偏大,前面都说过。
可这些属于“怎么做得更好”的问题,不是“能不能做”的问题。
资本、人才、产线都在往这条赛道上涌,从实验室论文到量产产品,中间的路正被一段段铺平。
说到底,科技竞争就是这么回事,你把门堵上,人家就开扇窗。
中国这步棋没跟着老路硬挤,而是提前在新赛道落了子。
光子芯片能不能真接过硅基的班,还得看接下来几年的量产成绩,但这手牌,确实打得挺漂亮。