后摩尔定律时代，光子计算将如何影响AI？
01引言近年来，人工智能（AI）的发展依赖于算力的指数级增长。然而，随着摩尔定律逐渐放缓，传统电子芯片的算力提升面临物理极限——晶体管尺寸逼近原子级别，电阻发热问题愈发严重，而AI模型（如GPT、Transformer）的计算需求仍在飞速增长。图：近十年算力需求增长情况，数据来源：IDC、OpenAI
在这样的背景下，光子计算（Photonic Computing）正成为突破AI算力瓶颈的关键技术：光子以光速传播，无电阻发热，且能通过不同波长的光实现超高速并行计算，尤其适合AI的核心运算——矩阵乘法。02为什么要有光？所谓光子计算（Photonic Computing），是指利用光子而非电子来传输和处理信息的新型计算技术。
打个比方，传统计算机依赖电子在芯片中穿梭运算，而光子计算则让光信号（如激光、光波）成为信息的载体，并利用光的物理特性（如高速、并行性、低能耗等）进行数据运算和传输。
因此，与传统电子计算相比，光子计算在AI任务中展现出三大核心优势：
一是速度。电子在铜线或半导体中移动，速度受电阻、电容限制，实际传输速度远低于光速（约光速的1/10）。高频信号还会因“趋肤效应”衰减（“趋肤效应”很有意思，有一种可控核聚变的技术路线就利用了该原理，以后有机会再说）。
而光，在光纤或波导中以接近真空光速（约30万公里/秒）传播，延迟极低，尤其适合高频计算（如5G、超算），几乎无延迟，特别适合需要海量数据交换的AI计算，如GPU/TPU之间的通信或内存访问。
二是能耗。电子碰撞会产生热量（焦耳热），尤其是高性能的芯片，运行起来发热会更严重，因而也带动了复杂散热（如液冷）技术的处理。不过，在一般情况下，能耗墙是不可避免的，因而算力提升还是受到了制约。
反观光，传输几乎无热损耗，理论上能耗可降低数个数量级，实验表明，光子计算芯片在执行矩阵乘法时，能耗可降至电子芯片的1/10甚至更低，这对降低AI数据中心的电力消耗（如训练大语言模型）至关重要——有望解决数据中心“电老虎”问题。
三是并行能力。电子信号通常依赖串行传输（如CPU的时钟周期），多任务需分时处理。这有点类似单车道，AI计算需要的是多车道高速公路（AI核心计算是矩阵乘法，比如神经网络中的权重计算），而光具有波分复用（WDM）特性——即不同波长的光可在同一通道中并行传输，从而同时计算多个数据。
例如，MIT的光子张量核心（Photonic Tensor Core）可利用光的干涉效应，在单个时钟周期内完成大规模矩阵运算，速度比传统GPU快数个数量级。
最后，是抗干扰能力。电子由于是费米子，因此在导线易受电磁干扰（如手机信号）。而要控制这个问题，就需要增加屏蔽层，这也会带来成本。光，属于玻色子，其信号不受电磁场影响，在复杂环境中更稳定，比如航天、医疗场景。图：光子与电子的对比，来源：《光子产业发展白皮书》
正是基于以上种种优势，光子计算变得越来越吸引人。比如开篇就说过的AI—AI的核心就是通过构建人工神经网络，来模仿人脑的工作方式。而在构建人工神经网络，尤其是深度学习网络时，矩阵乘法是一种常用的计算方法。
而一束光（光波可以在不同的频率、相位和偏振等维度上同时携带和处理多个数据）可以被分成多个平行的光束，每个光束代表矩阵中的一个元素或者一组元素。通过光学系统，这些光束可以同时进行相位调制、振幅调制等操作来完成矩阵元素之间的乘法和加法运算。
03如何操纵光？目前，光子计算主要技术路线包括：光电混合计算（光互连）、硅光计算芯片、光子神经网络、量子光学计算、全光计算（All-Optical Computing）等。
尽管实现方式各不相同，它们都依赖于一个关键器件，它就是马赫-曾德尔调制器（Mach-Zehnder Modulator）。
熟悉半导体的朋友应该知道，在电芯片中，要控制电子的流动，可以通过改变栅极电压来实现。同样，人类要操纵光，也需要上点手段。
对此，科学家们则使用了一种名为马赫-曾德尔调制器（以下简称“MZM”）的装置——这个装置利用光波的特性，比如干涉和散射，来实现光信号的调制，进而完成计算任务。
首先，MZM会将光源的光分成两束，分别在两个等长的波导中传播，最终汇合输出为一束光。正常情况下，若没有特殊干预，一个恒定的光输入会得到一个恒定的光输出。
但是，为了让光表示不同的信号，我们就要对光进行干预。这个方式就是利用材料特性改变光程差。
图：马赫-曾德尔调制器，来源《无穷的开始：世界进步的本源》
所谓光程差，指的是当两束或多束光波相遇时，它们的波峰和波谷之间的位置差异。这种差异发生是因为光波在传播过程中，由于路径不同，所走过的距离也不同。
光学现象，如彩虹色彩、肥皂泡的彩色光泽、光盘的彩虹反光等，都是光程差在起作用。在光学设备里，光程差更是关键，比如相机镜头的多层镀膜，能减少反光，提高清晰度，其原理就是精确控制光程差，让部分光波相互抵消。
基于光程差这个特殊的现象，人类就对光子晶体管动了点“手脚”。
首先，是相位控制——借助外界因素（如电场、温度或压力）改变光波导的折射率，从而改变光程差。在MZM中，其中一路波导连上金属电极，通电后给这部分材料加温或施加电场。这时，材料的温度发生变化，导致折射率改变。
当折射率改变后，这一路的光程就会改变。而改变其中一路的光程，就会产生光程差。光程差的产生使得两束光在汇合时发生干涉现象。通过精确控制光程差，光子晶体管可以实现逻辑门功能。
比如，我们可以输出的光会呈现出不同的明暗程度，从而可以用明暗不同的光来表示 “1” 和 “0”，实现对光的控制和信息编码。
图片来源：models.woptics.mach_zehnder_modulator
于是，我们就“操纵”了光，进而也可以制作光子芯片。那么，前文说到多种技术路线中这个技术原理都发挥着重要作用：
•光电混合计算（光互连）。MZM在光互连技术中被广泛使用，用于将电信号转换为光信号，实现高速数据传输。例如，IBM和Intel的方案中，光互连需要高效的光调制器来处理数据传输。
•硅光计算芯片。硅光计算芯片中，MZM是核心组件之一。它利用硅基材料的电光效应，实现光信号的高速调制，广泛应用于光通信和光计算领域。•光子神经网络。在光子神经网络中，MZM被用于实现光信号的相位调制和强度调制，从而支持复杂的光信号处理。
•量子光学计算。量子光学计算中，MZM可能被用于光量子态的调制和操控，以实现量子信息处理。
•全光计算。在全光计算中，MZM可以用于光信号的直接调制和处理，避免光电转换，从而提高计算速度和效率。
图：几种光子计算路线商业化成熟度
比如，在光学矩阵乘法（AI加速）中，MZM网络可模拟矩阵乘法，每个MZM实现一个2×2酉矩阵（通过Δϕ控制），多个MZM级联可构建任意大矩阵。输入光信号x通过干涉网络后，输出y即为矩阵运算结果。
如果上面的内容很难理解，我们可以这么想象：输入的光信号（x）就像一桶水分成两股水流，流入MZM的“管道网络”。
MZM是一个可以调节的“分水装置”，由两条可控制的路径（干涉臂）和两个分水阀（分束器）组成。
第一步：分水。水流进入第一个分水阀（BS1），被分成两股（比如各50%），就像把一杯水平均倒进两个并排的管子。
第二步：调节水流。其中一条管子装了可调节的阀门（相位调制器），可以控制这条管子的“阻力”（相当于改变光的相位Δϕ）。如果阀门全开（Δϕ=0），两股水流同时到达出口；如果阀门半关（Δϕ=π），一条水流变慢，两股水流会在出口处互相抵消或增强。
第三步：重新混合。两股水流在第二个分水阀（BS2）重新混合，根据阀门调节的情况，最终从两个出口流出不同比例的水。
假设我们要计算：y=W*x，（W是AI的权重），每个MZI是一个“小计算器”，可以完成一个2×2的小矩阵乘法（就像两股水流的混合比例）。通过调节阀门（Δϕ），可以改变这个“小计算器”的规则。
再把很多个MZI像乐高积木一样连起来，就能组合成一个复杂的“管道网络”，完成更大的矩阵乘法（比如AI需要的超大规模计算）。
然后就是光速出结果！所以，我们可以相信光。04相信光如今，整个信息产业的核心技术正在经历一场“从电到光”的变革。未来可能在方方面面都离不开光——人工智能、量子计算、自动驾驶、医学影像分析……光都有望大显身手！
在人工智能领域，像Transformer这样的模型已经成为主流。这些模型的核心计算部分——自注意力机制（Self-Attention），需要处理大规模矩阵运算。
传统电子芯片在面对这些运算时，往往受到延迟和能耗的限制。而光子计算的出现，为这一问题提供了全新的解决方案。光子芯片能够在极短的时间内完成大规模矩阵运算，显著降低计算延迟和能耗。
例如，对于像GPT-4这样级别的大型语言模型，光子计算可以将训练时间缩短30%以上。这意味着，原本需要数周甚至数月的模型训练，可以在更短的时间内完成，同时大幅降低能源消耗。对于AI行业来说，这不仅是一次技术革新，更是迈向更高效、更环保计算时代的里程碑。
在自动驾驶、医学影像分析等领域，实时性是至关重要的。自动驾驶汽车需要在几毫秒内识别前方障碍物并做出反应，医学影像分析需要快速处理海量数据以辅助诊断。
然而，传统电子芯片的延迟通常在微秒级别，难以满足这些任务对速度的苛刻要求。光子计算的出现，彻底改变了这一局面。光子芯片能够在皮秒（1皮秒=1万亿分之一秒）级别完成卷积运算（CNN），远超电子芯片的微秒级延迟。
这意味着，无论是自动驾驶汽车的实时感知，还是医学影像的快速分析，光子计算都能以“瞬间”的速度完成任务。这种超低延迟的计算能力，不仅提升了任务的准确性，也为这些领域带来了前所未有的效率提升。
最后，量子计算作为未来计算领域的另一大前沿技术，正在逐步走向实用化。然而，量子计算机与经典计算机之间的高效通信始终是一个难题。
量子计算机依赖光子进行量子态传输（如量子纠缠），而光子芯片的出现，为这一问题提供了理想的解决方案。光子芯片可以作为经典计算机与量子处理器之间的高速桥梁，实现两者之间的无缝协作。图：光计算在AI应用场景展示，来源：《光子产业发展白皮书》
通过光子芯片，经典计算机能够以极高的速度将数据传输到量子处理器，同时量子处理器的计算结果也能快速返回到经典计算机。这种高效的接口设计，不仅提升了量子计算的实用性，也为量子计算与经典计算的融合开辟了新的可能性。05挑战与未来展望无论一项技术多么出色，如果它只能停留在实验室阶段，那么它离真正创造经济价值还有很长的路要走。
因此，对于任何技术来说，是否能够大规模生产，是我们决定是否要大力推广这项技术的一个重要因素。这个道理放在光子芯片身上也不例外。
以电子芯片为例，硅芯片之所以能够成为主流，最关键的原因就是它们可以大规模生产。这种生产能力不仅降低了成本，还使得电子设备更加普及和经济实惠。
同样，对于光子芯片，如果我们能够找到方法进行大规模生产，就能让这项技术更快地走进市场，为我们的日常生活带来更多便利和创新。
一是制造成本高。光子计算的核心在于硅光芯片，但目前硅光芯片的制造良率仍低于传统半导体。这意味着在大规模量产之前，光子芯片的生产成本居高不下。要实现光子计算的商业化应用，降低制造成本、提高良率是必须解决的关键问题。
二是光电转换瓶颈。光子计算的一个核心优势是利用光子代替电子进行数据传输和处理，但数据在光与电之间转换时仍存在能耗损失。这种转换效率的低下限制了光子计算的整体性能。目前，科学家正在探索新型材料，例如铌酸锂调制器，以优化光电转换效率，减少能耗损失。
三是软件生态不成熟。光子计算不仅需要硬件上的突破，还需要软件生态的适配。现有的AI框架（如PyTorch、TensorFlow）主要针对传统电子芯片设计，而光子计算架构与之存在显著差异。这意味着，开发者需要重新设计或优化现有框架，以适配光子计算的独特特性。
不过，随着技术的不断进步，光子计算有望在5-10年内成为AI算力的主流方案之一。比如，CPO（共封装光学）技术通过将光子和电子元件集成在同一封装中，减少了光与电之间的转换损耗，显著提升了系统效率。这种技术的应用将为光子计算的商业化铺平道路。
再比如，3D光子集成技术通过在垂直方向上堆叠光子元件，进一步提高了芯片的集成度和性能。这种技术不仅能够解决传统芯片的散热问题，还能大幅提升计算效率。06结语从电子到光子，计算的范式正在发生根本性变革。随着技术的成熟，未来，我们或许会看到“光CPU+光内存”的全光计算系统，或将彻底颠覆传统计算架构。
光子芯片也有望成为继GPU之后，AI算力的下一个“颠覆者”，推动人工智能向更高效、更强大的方向发展。
页:
[1]
