隨著數字經濟深入各行各業，對算力的需求也在同步暴增。特別是新一代AI浪潮正在席卷全球，ChatGPT的出現推動科技巨頭們，爭相推出生成式人工智能產品，隨著模型規模越來越大，訓練和推理成本也水漲船高。

在AI革命背后，一場芯片行業的潛在算力革命也正在醞釀——把電換成光。

隨著摩爾定律接近極限，未來算力提升的空間很有可能在光子計算芯片技術上。數字芯片受限于底層元器件：CMOS晶體管，而光學信號和光學器件遵循不同的物理原理。

光學信號與散射介質的互動在大多數情況下是線性的，因此可以被映射為一種線性計算。生活中有諸多光學線性計算的現象，一個典型的例子是光學照相機的鏡頭，鏡頭前的光學信號在穿過鏡頭時，完成了兩次二維空間光學傅立葉變換，然后在感光元件上成像，因此，照相機鏡頭可以被看作一種不可編程的光學線性計算單元，但擁有實用價值的計算單元必須具備可編程性。

矩陣運算正是當今AI大模型訓練與推理所需要的，可編程的光子矩陣計算有望在摩爾定律失效后，繼續支持算力的不斷提升，為數字經濟時代提供強勁的硬件基礎設施。

相比傳統電子芯片，光子芯片具有大帶寬、高并行、低功耗的天然優勢，結合光子矩陣計算（oMAC）、片上光網絡（oNOC）和片間光網絡（oNET）等技術，因此光電集成技術也是未來大容量數據傳輸、人工智能加速計算等領域最具前景的解決方案之一。

面對AI時代的算力變革，我們邀請到了曦智科技創始人沈亦晨博士，他于2016年獲得麻省理工學院物理學博士學位，在Nature Photonics、Science等頂級刊物累計發表學術著作40余篇，申請全球專利近200項，獲得授權30余項。2017年，他以第一作者和通訊作者的身份在《自然·光子》雜志發表封面論文，顛覆性的提出了一種以光學神經網絡為藍本的全新計算架構，開創了光子計算這一新的產業方向。基于此項突破，沈亦晨博士入選了《麻省理工科技評論》全球“35歲以下科技創新35人”。

沈博士在2017年創立了曦智科技，是光電混合計算領域的先行者，針對未來計算范式的大趨勢，曦智科技擁有多項關鍵技術，為實現算力網絡提供高效支撐。2021年曦智科技發布了全球首款64×64光子張量協處理器PACE，而電芯片達到同樣階段經歷了數十年的歷程。

面對這一令人興奮的新趨勢，我們訪談了沈博士，聊到了光芯片的發展歷史、關鍵技術里程碑、在AI方面的優勢、工程化中的難題、商業化如何一步一步落地等等問題。如果你對光子芯片、AI算力提升等話題感興趣，不妨閱讀一下這篇訪談文章，以下，Enjoy：

經緯：您最初是如何選擇光芯片這個領域的？可編程的光子芯片技術，此前一直是空白，想必也是一個挺難實現的領域，在技術攻克的過程中如何克服這些難題？

沈亦晨：我自己是物理和數學的背景，博士時就選了應用物理和應用數學這兩個方向。我當時覺得應用物理非常能夠產生實際影響力，當時我看到了納米光學這個方向。應用數學從2012年以后開始最大的應用方向，是深度學習、機器學習。所以很自然的，從我自己的背景出發，就想到了怎么把納米光學和機器學習這兩個領域結合起來，然后就有了當時的課題，以及之后的創業方向。

當時在做光計算這個課題的時候，還沒有想到太多應用前景，更多的是因為這個課題在科學上的挑戰性——因為大家都做不出來，我一定要把它做出來。當時我們做光計算課題的時候，這個領域還幾乎不存在。

后來當我跟導師討論的時候，導師聽到這個想法覺得特別好，他認為我應該不只寫一個理論的結課作業，而是應該把這個想法真正做出來。

那時還是2014年，AI還沒有那么多人關注，AI是在2015年的時候開始火起來，然后在2016年谷歌的AlphaGo贏得了與圍棋世界冠軍李世石的人機大戰，AI硬件相關也開始火熱起來。

其實挺機緣巧合的，我們剛好在正確的時候，做出來了一件比較正確的事情，當然如果不是我們在當時第一個提出這件事情，可能會晚幾年，但最終肯定還是會有人想到這個方向。

提出一個想法很簡單，但當你把想法一步一步實現，到最終做出產品，這里面要經歷千辛萬苦。我們做了上百次的嘗試，解決了無數大大小小的工程問題，最后才能做出一個集成了上萬個光器件、能夠穩定運行的產品，這里面有太多酸甜苦辣。

經緯：光芯片在通信方面，其實已經比較成熟，但在計算芯片方面很少有案例，兩者幾乎同時間出現，但走了兩種不同路線，造成這種分野的原因是什么？

沈亦晨：用光來做計算，是遠遠比用光來通信要晚的。光通信從90年代開始就出現了，像海底光纜就是典型。但是芯片層面的光計算，是我們在2015年才第一次提出來。90年代也出現過一些光計算，但那時不是芯片級別的，而是用棱鏡等分立式空間光學，來做的光計算，當時包括貝爾實驗室等等都做了一些這方面的研究，但集成在芯片上的光計算，應該是最近十年才有的事情。

但在技術復雜度上，光通訊比光計算要簡單很多，因為通訊只需要把信號從一個地方傳到另一個地方，但計算不僅僅需要同時把幾億路信號從一個地方傳到另一個地方，在傳輸過程中還需要完成一些邏輯運算，所以要復雜得多。

在集成度上兩者也有很大的區別。光通訊類似于電話，一個電話、電纜，兩端再加幾個信號收發模塊就可以了。但是一個光計算芯片上，至少要有幾萬個光的元器件，這比市面上所有通訊類產品可能高了三個數量級。

經緯：以往阻礙光計算發展的核心困難是什么？哪些地方的突破使得今天可以快速發展？

沈亦晨：主要是兩方面，一是光計算是集成光學，而這個行業要想發展，背后需要供應鏈支持，比如我們是一家設計公司，但如果沒有晶圓廠的生產能力，我們只是設計也沒有用。從2010年開始，各大晶圓廠都開始有自己的硅光產線了，他們能直接量產硅光芯片，這是很重要的一個突破。而在2010年以前，全世界沒有成熟的12寸硅光產線，這就意味著哪怕你有一個很厲害的設計，但也生產不出來這個產品。

另一個是算力需求，也可以說是應用場景。最近十年的算力需求增加，是過去五十年的總和。在1950年，算力需求是每18個月翻一倍，但是隨著互聯網、人工智能等等的發展，在過去八年里，算力需求是每年翻十倍，這也給光計算帶來了非常大的機會。

經緯：光計算芯片的技術原理是怎樣的？我之前聽過一個凸透鏡的比喻，但因為是計算芯片，還需要做到可編程化，特別是一顆光芯片上要集成上萬個相關器件，這一點非常不容易，從技術原理上是如何實現的？

沈亦晨：首先光子芯片是很廣的定義，拿電芯片來類比，電芯片不是只能做計算，電芯片也可以用來通訊、傳感。光芯片也一樣，比如激光雷達是光芯片、光通訊也是光芯片、光計算也是光芯片，每一種的技術原理是不同的。

如果定義為光計算芯片，可以理解為是用光的器件來完成兩部分內容，一部分比較簡單，是用波導代替電的銅導線來做芯片和板卡上的信號傳輸，這部分比較容易理解，其實就是換了一種介質，把電信號換成光信號，然后不是去通過光纖，而是波導上面集成度更高的信號傳輸，并且通道數量是幾千個，而不是一根光纖。

另一部分是光在波導里面傳輸的時候，波導和波導之間出現的光信號干涉，我們用這個物理過程來模擬線性計算這一類的計算過程。打個比方，一個凸透鏡是通過光在鏡片里面傳播的物理過程，去模擬了一個類似傅里葉變換的數學過程。在光芯片里也是一樣，光在芯片上波導傳播的時候，當兩個波導靠得很近的時候，里面的光信號就會相互干涉，這個干涉的過程就剛好模擬了一個線性計算過程。當有很多個波導，比如128根波導形成一個網絡互相干涉的時候，我們就可以通過控制這些波導的干涉，來模擬任何一個通用的矩陣運算。

經緯：我們知道，光芯片非常適合用作AI的矩陣運算，這背后的原理是什么？

沈亦晨：因為光是一種電磁波，而電磁場遵循麥克斯韋方程，所以本質上電磁場的運作就是麥克斯韋方程，而麥克斯韋方程是一個線性方程，所以電磁場的相互作用是一種線性的相互作用。

那么，為什么光的干涉最適合用來模擬線性運算？從第一性原理來理解，因為電磁波就是線性運算。比如我把兩個手電筒的光讓它交叉，這兩束光是會相互直接穿過去，它們不會相互作用。但是如果把兩個電子撞到一起，它們會變成一個電子或是互相反彈，所以電子是會相互作用的。這就是我們可以用光來做線性運算，而電子不行的主要原因。

經緯：英偉達、英特爾等等都開發了GPU或TPU計算架構，如果光計算在未來得到更大規模運用，比如應用在AI上，那么在計算架構方面，是去模仿電芯片的架構，還是未來會根據光的特點開發自己獨特的架構？

沈亦晨：暫時我們還主要用電芯片的架構，這主要是商業化、滲透率的考慮。目前我們不希望從根本上改變整體計算架構，因為如果一下子改變整個計算架構，對商業化來說會非常不友好。我們的思考是一步一步來，當下先在不改變計算架構的情況下去做替代，比如把盡量多的銅導線替換成波導，先實現信號傳輸時幾乎沒有功耗。

同時，我們會把用于線性計算的部分，比如英偉達的GPU里就有專門做線性計算的計算核部分，可能占到整個芯片四分之一到三分之一大的大小，我們會優先把這部分換成光的計算核。

我們盡量不調整其他部分，對于軟件開發者或是使用芯片的人來說，甚至不會注意到這個改動。這個過程就像燃油車到電動車的過程中，司機不用改變駕駛習慣，油門、剎車的位置都不變，但發動機其實換成了電機。

當然，我們在2021年也針對光的優勢，開發過專門適合光的計算架構，它的優勢確實很大，當時的實測數據幾乎快了1000倍。但雖然更前沿，卻有很大的兼容性問題，我們認為當下市場更需要的是在更通用的情況下，能快10倍的產品。

經緯：光芯片的性能如何，一個很重要的指標是一顆芯片上集成多少光的器件，目前能集成多少光器件？除了數量，還有哪些方式可以提升光芯片的性能？

沈亦晨：這是光子芯片與電子芯片不一樣的地方。對于電子芯片來說，想要更快，基本上只能靠把晶體管做得更小，電集成度幾乎是性能提高的唯一維度。但對于光芯片來說，把集成度做高并不是唯一維度，有好幾種方法。一種是提高光器件的主頻，現在光通訊產品的主頻，已經從1GHz提高到50GHz，但電子芯片在過去二十年一直停留在1GHz。并且電芯片在主頻方面的提升空間也已經用完了，但光還有50-100倍的提高空間。

另一種光芯片獨有的提升維度，是光的波長數量。比如在同一個芯片中，同時通過紅色、綠色和黃色的光，不同顏色的光之間是不會相互干擾的，這就能形成很好的并行運算。如今光通訊已經實現了16個不同波長的光同時做信號傳輸，所以光計算我認為至少也有10倍到幾十倍的提升空間。

當然，器件集成度也是一個提高性能的維度。我們在2021年底就已經實現了把一萬個光器件集成在一個光芯片上了，正在研發的新版本可能會放幾萬個光器件在芯片上。

經緯：光芯片未來的產業鏈會是怎樣的？會涉及哪些核心的器件？

沈亦晨：有好幾個部分。第一是調制器、探測器，基本上是光電、電光轉換的元器件。第二，對于電芯片來說，波導相當于是銅導線。第三是干涉器，從某些程度來說它代替的就是晶體管。第四是激光的光源，以及波長的混波器，就是把幾路不同波長的光合并成一路，或是把一路但有好幾種顏色的光，把每種顏色分出來，這也是電芯片里沒有的器件。大概有10種左右最基本的光器件，組成了一個集成光路芯片。

經緯：這么多器件要塞到一個芯片里，所以尺寸級別是納米級？目前在生產環節，光芯片與電芯片有何異同？

沈亦晨：對的是納米級。在生產層面，與電芯片相同的是，光芯片也是在當下成熟的晶圓廠里生產。不一樣的是，光芯片有獨特的光器件設計，這些設計是我們和晶圓廠獨家合作開發。我們是一家設計公司，盡量利用好現有的成熟產業鏈。

經緯：從技術演進來看，您在2017年發表的論文，是光計算芯片領域的一個重要的里程碑事件。在2017年之后，這個領域有哪些新的重要變化？

沈亦晨：我們在2017年前后，主要是專注于解決線性計算這一件事情，之后我們越來越產品化和系統化，后來全行業其實也都發現，只解決線性計算這個事情還遠遠不夠，尤其是在最近生成式人工智能的模型越來越大，更大的瓶頸出現在“片上”和“片間”的數據搬運上，包括從存儲單元到計算單元，以及計算和計算單元之間的數據調度。

比如現在訓練GPT大模型，需要幾千張板卡一起協作，這時候單個板卡的算力不是瓶頸，而是這么多芯片板卡之間怎么協同。所以我們最近在研究的，是“片上”光互連和“片間”光互連，這兩個方向就是為了讓數據搬運更有效率，現在越來越多的光計算廠商都在著手解決這個問題。

比如片間互連，它和光通訊不一樣，目前市場上所有光通訊產品都是基于以太網協議的，來做機柜或交換機之間的通訊。但是我們所說的“互連”，是指直接從一顆芯片到另一顆芯片，這是在一個計算體系內的通訊。

當然也有一些其他新方向，比如通過新型器件降低功耗，以實現更高的光電轉換效率。以及光芯片最核心的幾個器件：干涉器、調制器、探測器，其實每一個器件都有值得創新的地方，因為大部分功耗都是發生在這些器件上的，如果能夠做出更低功耗、更高精度的器件，都有望開發出更好的產品。

經緯：您之前提過，您主要做的是光電融合的方案，這樣的好處是不需要徹底改變架構，只需要進行模塊替換。光電融合的最終輸出，是還需要利用電子芯片來做？那這部分需要什么樣的制程來支持？

沈亦晨：光電轉換本質上只需要一個電信號的傳輸，制程是和晶體管相關，但是在光電轉換的過程中，不需要用到晶體管，只需要用到銅導線就可以。從技術原理來說，就是一個發光二極管收到銅導線帶來的電信號，就能把電轉換成光信號。一個光的探測器，收到光信號之后自動就能產生一個電信號，再通過銅導線接出去，這個和制程沒有直接關系。光電轉換已經是幾十年的成熟技術了，在光通訊領域也很常見，比如海底光纜的兩端都還是電信號，這里面也涉及到光電轉換。

經緯：您怎么預判光芯片的商業化路徑？我記得現在已經有非常成熟的產品出來了。

沈亦晨：我們正在從多個維度來實現商業化。我們現在做的是在計算市場中，為對芯片通用性要求不高的客戶設計專用推理芯片，將光芯片的優勢最大化，同時做到一定體量的落地。

然后依托這些垂直領域，我們再去慢慢把產品做得越來越通用。這個路徑和AMD、英偉達的發展歷史也類似，英偉達最早是做游戲顯卡，這也是當時很小的一個市場，是英特爾忽視的市場，然后英偉達慢慢做大，很多產品在AI的時代迎來了新一波爆發。

另一方面，除了做整個計算完整的解決方案以外，我們也會把某些單個技術模塊化，比如光的矩陣運算，或是光的片上互連、片間互連，我們也會把這些技術模塊化成為產品。如果拿智能電動車行業作類比，就像除了做整車以外，我們也可以對外賣電池、電機、操控系統等等。其實如果能把電芯片的某些環節，通過更高效的光的方式連在一起，同樣也能帶來算力提升，只不過這種提升沒有整個替換那么大。但針對這一點，很多電芯片設計公司也有需求，我們同樣也能在這些層面上實現落地。

經緯：剛剛您提到比較近的應用場景是專用推理芯片，這部分是指AI大模型的推理計算嗎？

沈亦晨：對大模型確實是，但只是一部分，其實在很多對延遲特別敏感的行業，都可以有應用。光芯片一個很大的優勢，是延遲特別低，計算速度特別快。比如金融行業，很多量化基金對延遲非常敏感。生成式人工智能大模型也是，現在跟ChatGPT聊天，得等幾秒鐘才能出回復，那未來肯定希望把延遲降到幾毫秒。

經緯：光芯片的設計和生產中，肯定有一些工程化的難題，比如對溫度等等物理條件的干擾跟電芯片會不太一樣。目前有沒有一些工程化的難點有待解決？

沈亦晨：這些都是工程上的問題。換個角度來說，其實電比光對溫度更敏感。因為發熱以后電阻就變了。對于光芯片來說，當溫度變了一些以后，波導的損耗不會變，所以相比之下光芯片在溫度方面表現更穩定。激光器可能會有一些影響，所以我們在設計計算系統時，會把激光器單獨設計在其他地方，而不把它單獨放在芯片上，盡量讓其不要受芯片發熱的影響。

對溫度和熱量等物理變化的控制，一直是所有芯片公司很重要的話題，我們一定得確保它不會因為這些變化而影響器件性能。

經緯：最后我想問你一個關于科學家創業的問題，這個問題也是硬科技公司經常遇到的。我們聊過挺多科學家出身的創始人，他們往往在更前沿、更完美的產品和市場實際需求之間產生糾結，但商業窗口期往往不等人，你在平衡這兩者時，有什么特別經驗嗎？

沈亦晨：對我也經歷過不少這樣的時刻，我覺得過去三年中，公司最重要的改變也就在這里。首先我們也是一個由科學家組成的創業團隊，前三年主要在做從零到一的基礎技術，包括第一個原型機的開發。到了2020年以后，我們開始進入做產品的階段了，這段時間還是很痛苦的，我們發現特別領先的技術，未必是適合商業化的技術，此時我們就要在中間找到平衡點，我確實也在越來越偏向于客戶需求導向。

另一個策略是，我們從2021年底開始，把那些特別前沿的技術研發，轉而與核心高校和科研院所合作，而把更多精力與研發資源，投入到與產品化相關的事情里去，要以解決客戶需求為第一要務。

審核編輯 ：李倩