现在AI已经融入大家日常了，搜个问题写文案生成图片，随手点一下都要AI跑一遍计算。很少有人留意，这一次次调用背后，数据中心的电表已经快转疯了，GPU堆得越多，功耗墙把整个行业卡得越难受。有人另辟蹊径，提出干脆不用电，用光来算AI。
很多人只知道AI训练要一次性砸进去海量电力，其实AI推理才是现在耗电大户。毕竟训练就做一次，推理是每一个用户每一次使用都要跑一遍，现在几亿人天天用AI工具，推理耗电极速攀升，数据中心都快扛不住了。不少大公司现在忙着找新能源，甚至自己建发电厂，说白了都是从供电端想办法。不从计算本身改，怎么都解决不了根本问题，整个行业都在等着有人找出新路子。
传统电子芯片靠电子跑电路来计算，这个新方案的思路完全不一样，用的是光的干涉效应。AI计算里最吃算力的就是大规模矩阵乘法，光传的时候互相叠加干涉，天生就能做完这个运算，速度还快得离谱。打个大家能懂的比方，电子计算就像人工排长队挨个递纸条，一次只能传一张，慢不说还挤得慌。光计算就像无数束光同时穿过透镜，结果直接在出口呈现，并行能力拉满。
光和电子比，传输的时候发热量低太多，不同波长的光走同一条路也不会互相干扰，天生就能带好多路信号。这刚好能解决现在电子芯片功耗太高、带宽不够、扩不动规模的痛点，怎么看都像是为AI量身订做的新方向。别看思路挺美好，现在这个项目还在早期研究阶段，一大堆硬骨头等着啃。Q/C这次和桑迪亚的集成纳米技术中心合作，就是要先搞清楚，哪些光学运算和器件能当可扩展光学处理器的基础模块，最终画出一条能超越GPU改良路线的技术图。
有好几个问题卡了光计算几十年，一直没走出去实验室，这次研究团队就是要正面刚这些问题。最关键的就是非线性运算，这可以说是光计算天生的短板。神经网络要处理复杂问题，必须得有非线性函数，可是光在普通介质里的表现本质就是线性的，这道坎绕不开。还有存储的问题，电子芯片算到一半把中间结果存进内存太方便，光想要停下来保存可太难了。
精度和损耗也都是绕不开的问题，光信号在器件里走一趟就衰减一点，模拟计算的误差还会一层一层堆起来，最后算出来错得离谱可不行。就算这些都解决了，光子器件还要和现有的电子系统拼到一起，光电转换本身就会多出来额外的能耗和延迟，也得想办法搞定。这次桑迪亚国家实验室出了自己压箱底的本事，纳米科学和纳米光子学的积累几十年了。
桑迪亚本身就是美国能源部旗下的国家级实验室，一万七千多名员工，年预算足足五十亿美元，从微电子到高性能计算都有很深的布局，长期搞国防能源领域的重大科研，实力完全没得挑。对初创公司Q/C来说，能搭上桑迪亚的设备和人才团队，相当于把从原理验证到器件开发的时间直接缩短了一大截。Q/C的目标很清晰，就是不想跟着别人慢慢改良GPU，要做就做从根上不一样的新架构。
Q/C自己也在旧金山新建了一个四千八百平方英尺的集成光子实验室，专门用来搞光子学、计算架构这些研发。他们的长期目标就是做出来时钟频率和带宽比现有方案高得多，能耗还低很多的光学处理器。得说清楚，这些现在还只是研发目标，不是已经做出来的成品。放眼全球，现在光计算已经成了多国科研机构和科技企业抢着布局的前沿赛道，不是这家初创公司自己拍脑袋想的风口。
摩尔定律慢慢放缓，AI对算力的需求还在疯涨，整个行业都在找破局的方向。现在数据中心里，用光代替铜线传数据的光互连技术已经商用了，这其实已经给光计算落地攒下了不少产业基础。但光计算要真的能用上，门槛可不只在硬件。
能不能和现有的AI软件框架兼容，就是个大问题，总不能让全世界开发者把现有模型全部推倒重写吧。从实验室成果到能量产的产品，还要跨制造工艺、成本、软件生态好几个坎，哪一步都不好走。现在业内比较理性的看法是，光计算大概率不会彻底换掉现在的电子芯片，最后光电融合，才是下一代AI硬件最可能的方向。毕竟GPU的功耗墙已经摆在那儿了，总得有人闯一条新路出来。
参考资料：科技日报 光计算：下一代AI算力突围新方向
热门跟贴