“20倍、50倍、100倍、1000倍、3000倍、10000倍...”，光芯片在计算方面超越硅芯片的速度与日俱增。

近几十年以来，微电子技术与电子芯片产业遵循着摩尔定律不断发展，随着传统制程工艺逼近极限，电子芯片在进一步提升计算速度和降低功耗方面的技术突破，面临难以解决的瓶颈。在后摩尔时代，光芯片这一颠覆性技术被视为破局的关键。

尤其是当前对算力的需求来看，随着AI的爆发，在未来10年中，增长越来越缓慢的电子芯片，难以匹配增长越来越快的数据需求。由此，光芯片进入了人们的视野。

然而，从行业现状来看，光芯片仿佛始终是“雷声大，雨点小”，并未在市面上见到太多应用案例。那么，在强大优势背后，光计算芯片目前发展现状究竟如何？取得了哪些突破和进展，以及还面临哪些棘手的挑战？

光芯片，难觅用武之地？

实际上，光芯片很早就有，已经很成熟，比如2000年前后的海底光缆，光通讯两端的收发模块都是光子芯片，甚至在上课或开会时用的激光笔，里面也有激光器芯片，也是一种光子芯片。

但这些是不可编程的光学线性计算单元，所以无法运用于计算领域。要想通过光来提升算力，具有实用价值的计算单元就必须具备可编程性。

而针对光计算的研究也很早就开始了，始于20世纪60年代，但受到当时应用范围有限以及电子计算技术快速发展的影响，光计算处理器未能成功迈向商用。直到最近10年，这种光计算芯片才逐渐取得突破性进展。

尤其是在当前时代，AI应用正推动对算力的需求，光芯片作为重要的潜在颠覆性技术路径，光计算芯片近年来又重新受到广泛关注。

光芯片的核心是用波导来代替电芯片的铜导线，来做芯片和板卡上的信号传输，其实就是换了一种介质。当光在波导里面传输的时候，波导和波导之间出现光信号干涉，用这个物理过程来模拟线性计算这一类的计算过程，即通过光在传播和相互作用之中的信息变化来进行计算。

与最先进的电子神经网络架构及数字电子系统相比，光子计算架构在速度、带宽和能效上优势突出。因此，光子计算能够有效突破传统电子器件的性能瓶颈，满足高速、低功耗通信和计算的需求。

需要指出的是，光子计算的发展目标不是要取代传统计算机，而是要辅助已有计算技术在基础物理研究、非线性规划、机器学习加速和智能信号处理等应用场景更高效地实现低延迟、大带宽和耗。

硅光计算芯片通过在单个芯片上集成多种光子器件实现了更高的集成度，还能兼容现有半导体制造工艺，降低成本，解决后摩尔时代AI硬件的性能需求，突破冯诺依曼架构的速度和功耗瓶颈。

综合来看，光芯片的优势可以总结为：速度快/低延迟、耗、擅长AI矩阵计算等。

----速度快/低延迟：光计算芯片最显著的优势是速度快、延迟低，在芯片尺寸的厘米尺度上，这个延迟时间是纳秒级，且这个延迟与矩阵的尺寸几乎无关，在尺寸较大的情况下，光子矩阵计算的延迟优势非常明显。

----耗：镜片折射本身是不需要能量的，是一个被动过程。在实际应用中，由于要对计算系统编程，其中光信号的产生和接收是需要耗能的。在光学器件和其控制电路被较好地优化前提下，基于相对传统制程的光子计算的能效比，可媲美甚至超越先进制程的数字芯片。

----擅长矩阵运算：光波的频率、波长、偏振态和相位等信息可以代表不同数据，且光路在交叉传输时互不干扰，比如两束手电筒的光束交叉时，会穿过对方光束形成“X”型，并不会互相干扰。这些特性使光子更擅长做矩阵计算，而AI大模型90%的计算任务都是矩阵计算。

因此，光计算芯片在AI时代迎来新的用武之地。

光芯片迎来突破性进展

光计算芯片可对神经网络训练和推理过程中的大规模矩阵运算、神经元非线性运算进行加速，还可通过对不同神经网络的拓扑结构进行硬件结构映射，来提高芯片的通用性和灵活性。据了解，在人工神经网络计算加速方面，基于硅光平台的神经网络已取得多项进展。

早在2016年，麻省理工学院（MIT）的光子AI计算研究团队就打造了首个光学计算系统，2017年就以封面文章的形式发表在了顶级期刊Nature Photonics杂志上。

国际著名光学科学家、斯坦福大学终身正教授David Miller, 曾评价称这一系列的研究成果极大地推动了集成光学在未来取代传统电子计算芯片的发展。于是一篇论文在全球范围内启发了许多人投入到光子AI芯片的开发中，可以说是开创了光子AI计算领域发展的先河，受到业内瞩目。

2017年，曦智科技创始人沈亦晨（MIT团队成员之一）等人提出一种基于硅光平台的全光前馈神经网络架构，采用马赫-曾德干涉仪（MZI）进行神经元线性部分的计算，非线性激活函数则通过电域仿真的方法实现。

随着技术不断发展，基于硅光平台的神经网络也逐步走向商业化。例如，美国AI芯片公司Lightmatter推出通用光子AI加速器方案“Envise”；曦智科技在2019年4月对外宣布开发出了世界第一款光子芯片原型板卡，2021年推出了光子计算处理器“PACE”。

据悉，“PACE”把最早44的乘法器，提升到了把上万个光器件集成在一块芯片上面，单颗光芯片上的器件集成度提高了3个数量级，系统时钟达1GHz，运行特定循环神经网络速度可达目前高端GPU的数百倍，这是光子计算领域一个长足的进步。

沈亦晨表示，“PACE是全球仅有的，第一个示范出光子优势的计算系统，也是已知全球集成度最高的光子芯片，能够展示光子计算在人工智能和深度学习以外的应用案例。如果和英伟达的GPU 3080跑同一个循环神经网络算法，PACE花的时间可以做到GPU的1%以内。”

在此之前，华为在2019年公开了一份名为“光计算芯片、系统及数据处理技术”的发明专利，接着在2021年华为全球分析师大会上表示，“到2030年，算力需求将增加100倍，如何打造超级算力将是一个巨大的挑战，未来模拟计算、光子计算面临巨大的应用场景，所以目前华为也在研究模拟计算与光子计算。”

近几年来，国内外企业、高校和研究机构也纷纷对此展开研究，取得了一系列成果和突破。

清华团队研发超高速光电计算芯片，算力超3000倍

去年10月，清华大学自动化系戴琼海院士、吴嘉敏助理教授与电子工程系方璐副教授、乔飞副研究员联合攻关，提出了一种“挣脱”摩尔定律的全新计算架构：光电模拟芯片（ACCEL），算力可达到目前高性能商用GPU芯片的3000余倍，能效提升四百万余倍，为超高性能芯片研发开辟全新路径。

相关成果以《面向高速视觉任务的纯模拟光电计算芯片》（All-analog photo-electronic chip for high-speed vision tasks）为题发表在 Nature 上。

据了解，在这枚光电计算芯片中，清华大学攻关团队创造性地提出了光电深度融合的计算框架。从最本质的物理原理出发，结合了基于电磁波空间传播的光计算，与基于基尔霍夫定律的纯模拟电子计算，“挣脱”传统芯片架构中数据转换速度、精度与功耗相互制约的物理瓶颈，在一枚芯片上突破大规模计算单元集成、高效非线性、高速光电接口三个国际难题。在保证高任务性能的同时，还实现超高的计算能效和计算速度。

实测表现下，ACCEL光电融合芯片的系统级算力较现有的高性能芯片架构提升了数千倍。然而，这还只是这枚芯片诸多优势的其中之一。

在研发团队演示的智能视觉任务和交通场景计算中，光电融合芯片的系统级能效，实测达到了74.8 Peta-OPS/W，是现有高性能芯片的四百万余倍。形象来说，原本供现有芯片工作一小时的电量，可供它工作五百多年。

此外，在超低功耗下运行的ACCEL有助于大幅度改善发热问题，对于芯片的未来设计带来全方位突破，并为超高速物理观测提供算力基础。

更进一步，该芯片光学部分的加工最小线宽仅采用百纳米级，而电路部分仅采用180nm CMOS工艺，已取得比7nm制程的高性能芯片多个数量级的性能提升。同时所使用的材料简单易得，造价仅为后者的几十分之一。

凭借诸多优势，ACCEL未来有望在无人系统、工业检测和 AI 大模型等方面实现应用。目前团队仅研制出特定运算功能的光电融合原理样片，需进一步开展具备通用功能的智能视觉运算芯片研发，以进行大范围应用。

可以预见，随着我国芯片加工技术不断提升，更多新材料的加入，这种颠覆性架构未来的潜力将得到更多释放。

新型芯片开启光速AI计算之门

前不久，美国宾夕法尼亚大学工程师也开发了一种新型芯片，它使用光而不是电来执行训练AI所必需的复杂数学运算。

该芯片有可能从根本上加快计算机的处理速度，同时还可降源消耗。相关研究发表在《自然光子学》上。

据介绍，该芯片首次将本杰明富兰克林奖章获得者纳德恩赫塔在纳米尺度上操纵材料的开创性研究与硅光子(SiPh)平台结合起来。前者涉及利用光进行数学计算，后者使用的是硅。

光波与物质的相互作用代表着开发计算机的一种可能途径，这种方法不受当今芯片局限性的限制。新型芯片的原理本质上与20世纪60年代计算革命初期芯片的原理相同。

研究人员描述了这种芯片的开发过程，其目标是开发一个执行向量矩阵乘法的平台。向量矩阵乘法是神经网络开发和功能中的核心数学运算，而神经网络是当今支持AI工具的计算机体系结构。

恩赫塔解释说，他们可将硅晶片做得更薄，比如150纳米，并且使用高度不均匀的硅晶片，在无需添加任何其他材料的情况下，这些高度的变化提供了一种控制光在芯片中传播的方法，因为高度的变化可导致光以特定的模式散射，从而允许芯片以光速进行数学计算。但这仅限于特定领域

除了更快的速度和更少的能耗之外，新型芯片还具有隐私优势。由于许多计算可同时进行，因此无需在计算机的工作内存中存储敏感信息，从而使采用此类技术的未来计算机几乎无法被入侵。

来源：半导体行业观察

$中欧中证芯片产业指数发起A(OTCFUND|020478)$$中欧中证芯片产业指数发起C(OTCFUND|020483)$