5月29日，因为业绩远超预期，英伟达市值在一天之内暴涨了1800亿美元左右（1.3万亿人民币），这是美国历史上第二大单日最高市值涨幅，英特尔（Intel）的市值如今只有其九分之一。
因为业绩远超预期，英伟达实现了美国历史上第二大单日最高市值涨幅。图片来源：WSJ这次暴涨的推动力，是席卷全球的AI浪潮。英伟达首席执行官黄仁勋说，人工智能应用正推动对算力的需求，而英伟达的芯片是创造人工智能工具的关键。比如OpenAI构建ChatGPT背后，可能要用到1万枚左右英伟达GPU。
随着叱咤多年的摩尔定律逼近极限，我们开始需要其他技术来进一步提升算力。此时，“把电换成光”，成为了一个非常重要的选项。
光芯片很早就有，已经很成熟，但绝大多数是不可编程的光学线性计算单元。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，这种光芯片是最近10年才逐渐取得突破性进展的，本文所指的“光芯片”都是这种可编程的光计算芯片。
英伟达的暴涨代表了AI时代对算力的绝对重视，光芯片作为重要的潜在颠覆性技术路径，同样值得重视。光芯片商业化的两大思路，我们提前列在这里，本文最后一部分会详细分析：第一大思路是短期内不寻求完全替代电，不改动基础架构，最大化地强调通用性，形成光电混合的新型算力网络；第二大思路是把光芯片模块化，不仅仅追求在计算领域的应用，还追求在片上、片间的传输领域应用，追求光模块的“即插即用”。
今天这篇文章主要会涉及以下几点，当然需要多说一句的是，本文所主要介绍的思路，只是光计算芯片领域的其中一条重要路径，其他方案也在同步发展，同样值得关注，Enjoy：
光计算芯片执行过程展示，详细内容可见本文第3部分。视频来源：曦智科技
在过去二十年中，算力发生了翻天覆地的变化。
如果你拿2010年的电脑和现在的相比，可能你会发现2010年的电脑还可以继续跑现在的一些软件。但如果你用2000年的电脑，去跑2010年的软件，你会发现99%的软件都跑不起来。
这说明了，电子芯片和算力的发展，其实是在逐渐变慢，背后的原因受制于物理极限，每一次芯片迭代所带来的算力红利，已经逐步减少，从16纳米到7纳米、再到5纳米，再往下一步的增长只会越来越小。
这主要受限于功耗和晶体管本身的密度。人们发现晶体管的尺寸越来越小，但并没有太好的办法让晶体管的能耗进一步下降。另外还受到铜导线的制约，因为随着铜导线的横截面积越来越小，电阻就会越来越高，于是发热也不是一直能往下降的因素。
另一个登纳德缩放比例定律——晶体管在密度提升的同时，功耗密度保持不变，这一定律早在2004年左右已经失效。随着芯片集成度的提升，所需的功耗和散热要求越来越大，产生了“功耗墙”问题。
如今从2016年、2018年到2020年，最先进的制程从16nm到7nm到5nm，性能提升实际上越来越慢，已经无法实现摩尔定律每18个月翻倍的速度。并且从研发难度和成本的角度，未来可能全球只有极少数几家足以继续往5nm以下发展。
从对算力的需求来看，随着AI的爆发，在未来 10 年里，用增长越来越缓慢的电子芯片，去匹配增长越来越快的数据需求，这可能是目前最大的挑战。
AI模型容量和算力消耗的指数增长趋势；来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》，Wilfred Gomes et al., "Ponte Vecchio: A Multi-Tile 3D Stacked Processor for Exascale Computing," ISSCC, 2022曦智科技创始人兼 CEO 沈亦晨经常把芯片设计比喻成城市发展，现在的芯片面积越做越大，比如2015年英伟达的GPU芯片，整个芯片从面积上来看大概有600平方毫米，但2020年推出的深度神经网络训练和推理芯片A100，它的面积大约是800多平方毫米。
拿城市发展作比喻，如果在500年前，想把100万人口的城市变成1000万，是非常困难的，因为受限于几个基础设施方面的问题：一是城市交通，如果用传统马车或步行，哪怕全都是平面道路，也很难满足交通需求。二是每栋楼房的设计，如果每栋楼房还是500年前的一层楼、两层楼，要想支撑起更大的城市体系也非常困难，只有出现了高层楼房，城市才能提高密度。
这个比喻对应了芯片设计中的片间网络和片上网络，如果把现在的电换成光，能在最基础的“基建技术”方面，帮助电子芯片进行下一代技术升级，“光替代电”能有效解决高通量和交通问题。
2
广义的光芯片，并不算是前沿技术，它存在的时间甚至比电子芯片还要久。
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，甚至老师在上课时用的激光笔，里面也有激光器芯片，也是一种光子芯片。
但这些光芯片都是不可编程的，所以无法运用于计算领域。在计算方面，电子芯片独步天下。
直到2017年，沈亦晨等人在《自然·光子》（Nature Photonics）期刊上所发表的封面论文，开创性地提出了一种以光学神经网络为蓝本的全新计算架构，光子计算成为可能。
图片来源：Deep learning with coherent nanophotonic circuits，nature photonics光学信号和光学器件与电子芯片遵循不同的物理原理。光计算理论比较复杂，简单解释是：光学信号与散射介质的互动在大多数情况下是线性的，因此可以被映射为一种线性计算。
生活中其实有很多光学线性计算的现象，一个典型的例子是光学照相机的镜头，镜头前的光学信号在穿过镜头时，完成了两次二维空间光学傅立叶变换，然后在感光元件上成像，因此，照相机镜头可以被看作一种不可编程的光学线性计算单元。
但要可编程，才有实用价值。在2017年的这篇论文里，沈亦晨等研究者提出的最重要的思路，就是用一个网络状的干涉器，在光通过干涉器的时候，利用它们相互之间的干涉和对干涉器的控制来进行线性运算，可以总结为用一个干涉器的集联来完成大规模的线性计算，以此应用于人工智能的矩阵计算。
当然这个是最初提出的理论，后来这个系统要想实际落地，远远比一个矩阵计算器要复杂得多。并且光还可以运用在很多方面，例如片上和片间的数据传输等等，之后的技术方案经历了多次迭代，变得越来越成熟。
在光计算芯片（硅光）上，一颗芯片需要集成上万个光器件，包括调制器、探测器、干涉器、波导、激光光源、混波器等等10种左右，这些都是纳米级。
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。
就像是光在凸透镜镜片里的传播过程，其实是模拟了一个类似傅里叶变换的数学过程。在光芯片里也是一样，光在芯片上波导传播的时候，当两个波导靠得很近的时候，里面的光信号就会相互干涉，这个干涉的过程就刚好模拟了一个线性计算过程。当有很多个波导，比如128根波导形成一个网络互相干涉的时候，我们就可以通过控制这些波导的干涉，来模拟任何一个通用的矩阵运算。
可编程光学系统的研究突破。图片来源：Deep learning with coherent nanophotonic circuits，nature photonics光计算到底是如何实现的？为什么说它适合于AI的矩阵运算。视频来源：量子位YouTube频道
举一个实际的例子，一个典型的光子矩阵计算是如何运作的？
首先最左边是数据加载，中间是矩阵，最右边是光信号接收，这个过程可总结为光信号通过矩阵接收的过程。
如果拿现实生活中的现象作类比，就类似于眼镜，近视的朋友在没有戴眼镜之前，眼前的世界是不清晰的，但戴了之后就变清晰了，而这个从模糊到清晰的过程，就是眼镜对图像信号做了一种处理，也可以理解成一种计算。这个计算的实现方法是眼镜前的光信号，通过眼镜这个计算单元来完成。
可编程光子矩阵乘法器原理示意图，在这个例子中，所有的光器件都集成在一块光芯片上，而光芯片的控制电路和内存都部署在电芯片上。图片来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》在2020年的一份视频演示中，曦智团队在原型产品上成功用光子芯片运行了Google Tensorflow自带的卷积神经网络模型，来处理MNIST数据集，这是一个使用计算机视觉识别手写数字的基准机器学习模型，也是机器学习中最著名的基准数据集之一。在测试中，整个模型超过95%的运算是在光子芯片上完成的处理。
测试结果显示，光子芯片处理的准确率已经接近电子芯片（97%以上），另外光子芯片完成矩阵乘法所用的时间是当时最先进的电子芯片的 1/100 以内。这也是世界上第一台完全独立的光学计算系统。
曦智科技开发的早期产品。图片来源：曦智科技
这款初代产品正在处理MNIST数据集。图片来源：曦智科技
光芯片的优势可以总结为：速度快/低延迟、低能耗、擅长AI矩阵计算。
首先是速度快/低延迟。光信号意味着光速，所以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（小于5纳秒），这个速度是非常惊人的。并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。
脉动矩阵计算和光子矩阵计算延迟对比示意图。图片来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》第二大优势是低能耗。镜片折射本身是不需要能量的，是一个被动过程，不耗能。当然，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还是需要耗能的。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，可媲美甚至凌驾先进制程的数字芯片。
第三大优势是擅长矩阵运算。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。
以上我们谈到了很多优势，但光芯片作为一项前沿技术，必然有很多挑战有待克服，下面我们就聊几个有待克服的难题。
首先由于要用于复杂计算，那么光器件的数量必然就会很多，要达到不错的性能至少需要上万个，这也会带来更复杂的结构和更大的尺寸。为了实现可编程，必然要对每个器件进行控制，也会要求高集成度。
这些要求会产生一些工艺上的挑战，同时导致成本很高，以及整体稳定性、生产良率都有挑战，所以必须找到一种低成本、高良率的方法，来控制大量光器件的技术。曦智采取的是3D堆叠的封装技术，在光芯片上方堆叠电芯片，电芯片可以集成各种各样的功能。电芯片、光芯片通过凸块上的调制器进行信号转换，把数字信号变成模拟信号去控制光器件，然后再返回。这时才能达到对复杂芯片的有效控制，最终作为一个整体集成在基板上，成为一个产品。
同时温度也是需要一定的控制，因为环境温度会对计算精度产生影响。因为是模拟计算，当整个环境对电芯片产生影响的时候，对光信号也会产生扰动。有一种办法是把整个芯片放在恒温环境下，通过温控电路来实现。但这会牺牲一些光计算的低能耗优势，因为如果为了控制它的精度而消耗很多能量，会有些得不偿失。
对于温度控制，还包括芯片内部发热，导致对周边器件的影响问题。比如两个器件靠很近，一个器件在发热，旁边会受影响。
另一个挑战是应用层面的精度问题。因为光计算是模拟计算，精度受限于物理本质，同水平下精度较难与数字计算一样。当然如果要想达到高精度（12比特、16比特等），也可以实现，但代价会非常大，所以核心是要寻求合适的应用场景，实际上在人工智能算法方面，并不需要那么高的精度。
以上这些都是可以预料到的技术挑战。
光芯片看起来是很不错的技术路径，但到底多久才能落地？
我们总结了当下市场中，其中一种比较快的商业化路径思路：
- 第一是短期内不寻求完全替代电，不改动基础架构，最大化地强调通用性，形成光电混合的新型算力范式。
- 第二是把光芯片模块化，不仅仅追求在计算领域的应用，还追求在片间传输光模块的“即插即用”。
硅光芯片不是靠尖端制程来获胜，更多是靠速度和功耗，比如光的调制解调的速度、功耗，还有多波复用，在一个波导里面同时能通过多少路光等等。所以光芯片的“摩尔定律”不体现在制程，而是主频和波长。
通过上文所说的商业化路径两点思路，可以看出硅光最大的优势在于技术通用性。例如在一个GPU中，有专门做线性计算的计算核部分，它可能占到整个芯片四分之一到三分之一的大小，可以优先把这部分换成光的计算核。
同时，尽量不调整其他部分，最终对于软件开发者或是使用芯片的人来说，甚至不会注意到这个改动。如果拿从燃油车迭代到电动车的过程来做比喻，司机不用改变驾驶习惯，油门、刹车的位置都不变，背后是发动机换成了电机。
无论是生产商还是客户，最大的诉求之一就是要确保通用性。越大的客户越想要这个产品实现“开箱即用”，才能够最大限度降低学习成本，不需要对现在的底层框架进行过多修改，就能够适配到成千上万个当前的应用场景中。所以不动基础架构，而是把线性计算的计算核部分用光来部分替代，形成光电混合的算力网络新形式，是最快的商业化路径。
从算力提升角度来看，一个计算系统主要有三块计算要素：数据处理、数据传输、数据存储。以上所说的是针对第一部分数据处理，可以用光代替电芯片来做大部分矩阵运算类的数据处理。
第二部分是数据传输，包括一块芯片上的数据传输，和芯片之间的数据传输，也就是片上互连和片间互连，这两部分也是光子芯片的用武之地。
我们简单介绍一下片上光网络和片间光网络：
用片上光网络（Optical Network On Chip，oNOC）来代替模块间的电互连，可以利用光的低延迟和低能耗优势。如下图所示，两个电芯片被堆叠在同一个光芯片上，电芯片之间的数据传输由光芯片上的光波导链路实现。由于光传输很快，所以无所谓距离有多远，片上光网络可以覆盖大量的长距离通道。光芯片能够扩展到整个晶圆，从而实现晶圆级的光互连网络。在这样的状态下，把计算任务映射到不同芯片的工作可以达到更高的利用率。
片上光网络系统侧视图与俯视图。来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》而对于片间光网络，目前在电芯片中，是通过以太网卡来实现互连，但它受限于互连延迟和带宽，在整体效率上有较大提升空间。利用光的优势，一种优化办法是取消网卡，将计算芯片直接和光电转换模块连接，以实现低延迟、高带宽、低能耗的片间光网络，当然这里面需要物理层和互连协议两方面的创新。
片间光网络示意图。来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》综合来说，结合光子矩阵计算（oMAC）、片上光网络（oNOC）和片间光网络（oNET）等新技术，可以构建光电混合数据中心。
片上光网络（晶圆级）可以令光计算芯片和传统电芯片有效协同，在单节点提高算力；片间光网络支持了高效传输和算力池化，使得大型分布式计算系统可以实现前所未有的高效、灵活和节能。
光电集成技术的光电混合数据中心示意图。来源：曦智科技《大规模光电集成赋能智能算力网络白皮书》从商业化角度，除了做整个光计算完整的解决方案以外，还可以把某些单个技术模块化，比如刚刚所说的光计算（矩阵运算），或是光片上互连、片间互连，这些技术也可以模块化成为产品。如果拿智能电动车行业作类比，就像除了做整车以外，电池、电机、操控系统等等都是单独的模块化产品，很多电芯片的设计公司也确实有相关需求。
总之，光子计算提供了一条超越摩尔定律的算力提升路径。
光子计算这个方向在过去五年中逐渐变热，除了像英伟达这样的芯片设计巨头有布局，最近2-3年国际上一些晶圆厂、EDA公司、封测厂等等，也开始正式布局硅光产线。硅光芯片虽然当下还主要是在光通讯、光传感的激光雷达等领域，这部分需求也驱动了相关的供应链投入。虽然光计算还没有完全落地，但硅光芯片每个产业链环节的全面性，是光计算芯片量产的前提。并且晶圆厂也无需为光芯片重新开发一整套工艺，很多工艺都是通用的。
展望未来，光计算芯片最大的应用场景，就是人工智能。其他的还包括自动驾驶、金融（追求低延迟的量化基金）等领域，以及未来很多科研包括对大气、地理、新材料和药物研发，都可以通过算力更高的光电混合芯片来提高现有研发进度。
对于这种前沿技术，我们要观察什么指标来判断它的发展进度？其中一个核心指标是集成度，就是光电混合芯片能集成多少光器件，并且能精确控制它们。
这是一个全新的赛道，“超越摩尔定律”也是一个激动人心的口号，但几乎没有前路可以借鉴，开拓者们正在披荆斩棘，技术挑战与商业化风险并存。但唯一可以确定的是，人类社会对提升算力的追求，正比以往任何一个时刻更加迫切。
1、 曦智科技，《大规模光电集成赋能智能算力网络白皮书》2、 曦智科技CTO孟怀宇，《集成光子学在计算领域的机会与挑战》3、 曦智科技创始人兼CEO沈亦晨等，《Deep learning with coherent nanophotonic circuits》（自然·光子杂志）4、 量子位，比RTX3080快350倍，光子芯片真的能帮我们实现“换道超车”吗？5、 DeepTech，曦智科技发布全球首个光子AI芯片原型6、 智东西：掀起数据中心算力新风口！大规模光电集成有多硬核？
