提到人工智能，最先想到的參數往往是算力。無論是傳統的CPU、GPU還是FPGA或ASIC加速卡，都在竭盡所能地想要成為“算力怪獸”，滿足機器學習中大規模數據集的處理和云端AI服務在計算上的需求。

然而在目前的AI世界里，硬件都基于傳統的數字電子架構，雖然已經有不少廠商在準備跳出馮諾依曼架構的限制，比如開發神經形態加速器等。但它們并沒有跳出電子傳輸速率上的限制，因此不僅處理器主頻上仍然受限，要想實現百億億級乃至千億億級的算力，也只能從增加系統規模上入手。

在這種困境下，從光子學出發的方案正在不斷涌現，硅光技術讓CMOS制造高集成的光子芯片成為了可能。光子芯片基本都是基于馬赫-曾德干涉儀（MZI）制作的，用光信號來進行線性計算，不僅沒有復雜的邏輯門，在傳輸上的能耗也遠小于電信號。

不少研究人員都在近年發表了在光學計算的突破，也有少數公司在這個方向發力，打算以全新的架構來跳出這些限制，讓AI與神經網絡運算更進一步，甚至是打破傳統的摩爾定律。

Lightmatter

Envise / Lightmatter

專注于AI光子芯片的初創公司Lightmatter在今年推出了Envise，首個通用AI光子加速器，也是去年在Hot chips上發布的Mars原型芯片的改進版。該加速器結合了光電系統，從他們的芯片構造中也可以看出，除了光子核以外，還包含了圖形處理器、RISC核心和SRAM。Envise支持INT8、INT16和bfloat16三種數字格式，也支持ReLU、GELU和sigmoid等神經網絡中常見的激活函數。

Envise服務器構造 / Lightmatter

據Lightmatter給出的數據，以16個Envise芯片和2個AMD EPYC 7002芯片組成的4-U服務器，僅有3kW的功耗，在Resnet-50模型的測試結果中，推理速度卻是英偉達DGX-A100的四倍，而DGX-A100的最高功耗可是有6.5kW。

為了解決擴展性的問題，Lightmatter也在推出了自己的高速互聯技術Passage。Passage是一種晶圓級可編程的光子互聯技術，讓異構芯片以大帶寬和高能效互相通信，支持CPU、內存和專用加速器。Lightmatter宣稱Passage比現有的芯片互聯方案要快上百倍，芯片間最大的傳輸延遲僅有2ns。

Lightelligence

除了國外的Lightmatter以外，國內也有一家專注于光子芯片的公司Lightelligence（曦智科技）。成立一年后，曦智科技就在2019年正式發布了全球首款光子芯片原型板卡，處理MINIST數據集的準確率達到97%以上。據了解，曦智科技目前主要的技術方案專注于光計算和光傳輸，以高集成度的光子芯片去輔助現有的數字電子芯片，支持到更快的機器學習運算，數字電子芯片負責簡單的邏輯運算，實現高算力的同時做到低功耗。

曦智科技CEO沈亦晨在去年的EmTech China大會上表示，光子芯片技術可以更快實現產業化，因為光子芯片對制程的依賴不強，因此甚至可以用28nm的芯片做到7nm芯片的性能。從這點來看，光子芯片或許也是一個擺脫制程受限的發力方向。根據其官網的消息，曦智科技目前正在與早期客戶緊密合作，預計在2022年開始光學AI加速的正式部署。

光子卷積加速器

今年1月，來自澳大利亞的幾名研究人員在《自然》雜志上發表了一篇名為《用于光學神經網絡的11 TOPS光學卷積加速器》的文章。卷積神經網絡（CNN）啟發自生物視覺皮層系統，這種神經網絡提取了原始數據的層次特征，極大降低了網絡參數的復雜度，提高了預測的準確性。CNN已經在計算機視覺、語音識別和醫療診斷中獲得了廣泛的應用，但仍被電子架構的性能給限制。

這篇文章中的研究人員展示了一個通用的光學向量卷積加速器。該加速器集成了克爾光頻梳提供的大量波長通道，實現了11 TOPS的運算速度，也可以同時生成8-bit分辨率25萬像素圖像的卷積，足以用于人臉圖像識別。研究人員還利用相同的硬件，依次組成了一個具有10個輸出神經元的深度光學CNN，完成了500張MINIST手寫數字圖片的識別，準確率達到88%以上。

結語

除了以上提到的幾家公司和研究外，市場上還有不少開始攻克光子芯片的公司，比如受到比爾蓋茨投資的初創企業Luminous Computing，不過其CEO Marcus Gomez在2019年的一次采訪中提到，其產品預計要在2022年至2025年的區間內才會面世。英特爾也在今年公布了兩份相關專利，其中之一便是將光子加速器與Xeon核心異構集成。

目前光子芯片依然在走光電結合的方向，光學計算主要是為神經網絡等應用起到輔助加速。這是因為受到光學元件的限制，尤其是馬MZI的布線特點，要想實現MZI互聯的話，就很難兼顧尺寸了，所以全光子的方案在擴展性上還是要差上一籌。且我們平常接觸到的多為數字信號，少不了光電轉換的過程，因此光子芯片的成功歸根結底還是需要光電工程師的共同努力。至于通用計算什么時候能用上光子芯片，仍是一個未知數。