在当前AI领域，硬件体系结构都是基于传统的数字电子体系结构，尽管很多厂商已经准备跳出冯诺依曼体系结构的局限，例如开发神经形态加速器。但是他们不能跳出电子传输速度的局限，因此，处理器的主频还受到限制，要想达到百亿亿级甚至上亿级的算力，也只能从系统规模上做起。

基于这一困境，由光子学提出的方案正不断出现，使得CMOS技术能够生产出高度集成的光子芯片。基本原理是利用马赫-曾德干涉仪(MZI)制作的光子芯片，BQ3055DBT利用光信号进行线性计算，不仅不需要复杂的逻辑门，而且传输上的能量消耗也远远小于电信号。

近几年来，许多研究者发表了光学计算上的重大突破，也有几家公司朝这一方向努力，打算用一种全新的架构跳出这些局限，让AI更好地应用神经网络，甚至打破传统的摩尔定律。

Lightmatter以AI光子芯片为核心的初创企业Lightmatter今年推出了第一款通用AI光子加速器，并对Mars的原型芯片进行了改进。这种加速器与光电系统相结合，在其芯片结构上也显示，它包括除光子核之外的图形处理器.RISC内核和SRAM。 Envise支持INT8.INT16和bfloat16三种数字格式，并且还支持ReLU.GELU和sigmoid等神经网络中常见的激活功能。

Envise服务器结构/Lightmatter

根据Lightmatter提供的数据，4-U服务器由16块Envise芯片和2块AMDEPYC7002组成，由于功耗只有3kW，在Resnet-50模式下，推理速度要比英伟达DGX-A100高4倍，而DGX-A100在6.5kW的最大功耗范围内。

Lightmatter同时还推出了Passage，以解决扩展性问题。 Passage是一种晶圆级可编程光子连接技术，使异构芯片能高能量地高带宽地相互通信，支持CPU.内存和专用加速器。 Lightmatter声称，Passage的速度是现有芯片连接方案的数百倍，而芯片间最大传输延迟只有2ns。

启智科技CEO沉亦晨在去年的EmTechChina会议上说，由于光子芯片不太依赖制程，所以即使用28nm芯片也能达到7nm的性能，也能达到7nm。由此看来，光子芯片或许也是一条摆脱限制制程的重拳。据该公司官方网站透露，该公司目前正与早期用户密切合作，有望于2022年正式部署光学AI加速技术。

光子卷积加速器

一月份，几位澳大利亚研究者在《自然》杂志上发表了一篇名为“用于光学神经网络的11TOPS光学卷积加速器”的论文。卷积神经网络(CNN)灵感来源于生物视觉皮质，该神经网络可以提取原始数据的层次特征，大大降低了网络参数的复杂性，提高了预测的精度。 CNN已广泛应用于计算机视觉、语音识别和医学诊断等领域，但仍然受到电子结构的性能限制。

在本文中，研究者展示了一种通用的光学矢量卷积加速器。这种加速器结合了大量由克尔光频梳提供的波长通道，达到11TOPS的运算速度，并可同时产生8-bit分辨率250,000像素图像卷积，足够进行人脸识别。利用同一硬件，依次构成10个输出神经元的深度光学CNN，对500幅MINIST手写数字图像进行识别，精度达88%以上。

结语

除上面提到的一些公司和研究之外，市场上也有一些刚开始涉足光子芯片的公司，例如LuminousComputing，是由比尔盖茨投资的，但该公司CEOMarcusGomez在2019年接受采访时表示，该公司的产品预计将在2022年到2025年之间推出。今年，英特尔还推出了两项相关专利，其中一项就是将光子加速器与Xeon核的异构结合。

现在光子芯片仍然走光电结合的方向，光计算主要是用于加速神经网络等应用。由于受光器件，特别是马MZI的布线特性的限制，要实现MZI的互连，很难同时兼顾大小，所以全光子的方案在扩展性上还是差一点。而且我们平时接触的数字信号也离不开光电转换的过程，所以光子芯片的成功说到底还需要光电工程师的共同努力。而对于什么时候通用计算机可以使用光子芯片，还不清楚。曦智科技推出世界第一个光子芯片原型板。