计算机芯片的演进速度，长期由摩尔定律所驱动——大约每两年，芯片上集成的晶体管数量翻倍，从而带来性能与能效的跃升。然而，在深度学习时代，算力需求的增长速度正迅速超越这一定律，甚至快到令人担忧其可持续性。

国际能源署预测，到2026年，人工智能所消耗的电力将飙升至2023年的10倍。更直观的数据来自计算硬件公司Lightmatter的创始人尼克·哈里斯：AI所需的算力，每三个月便会翻一番。这一节奏，远超摩尔定律的预期。

面对这一压力，一种极具前景的替代方案悄然浮现：不再依赖电子处理信息，而是转向光子流。剑桥大学物理学家纳塔利娅·贝尔洛夫指出，光计算的发展“为人工智能等需要高速、高效处理的领域铺平了道路”。

光在理论上的潜力极为诱人。其一，光信号的带宽远超电信号，能够承载更多信息；其二，光的频率比电高得多，这意味着光系统可以在更短的时间内，以更低的延迟完成更多计算步骤。最后，是效率问题。传统电子芯片发热严重，以至于同一时刻只有极少部分晶体管能处于工作状态。而光学计算机，理论上可以同时进行更多操作，在消耗更少能源的同时处理更多数据。斯坦福大学的电气工程师戈登·韦茨斯坦直言：“如果我们能利用这些优势，许多新的可能性将被打开。”

正因为看到这些潜力，研究人员很早就开始探索光在AI领域的应用。上世纪80年代和90年代，人们便利用光学系统搭建了最早的神经网络。Demetri Psaltis与其两名同事在加州理工学院，借助一个早期光学神经网络（ONN）构建了一套颇具创意的面部识别系统。他们将其中一位研究人员的图像，以全息图形式存储在一块光折变晶体中，并用它来训练ONN。结果，该系统能够识别出研究对象的全新图像，并成功将其与同事区分开来。

当然，光也有其短板。光子通常不会相互作用，这意味着一个输入信号很难像晶体管那样去控制另一个信号。而晶体管，经过几十年的渐进式改良，如今已被集成在数十亿枚指甲盖大小的芯片上。

不过，近年来，研究人员找到了光学计算的一个杀手级应用：矩阵乘法。

一些简单的数学

矩阵——或称数字阵列——相乘的过程，是所有重型计算的基石。在神经网络中，无论是用旧数据训练网络，还是让训练好的网络处理新输入数据，矩阵乘法都是最基本的步骤。而光，在这件事上可能比电更擅长。

2017年，一个关键转折点出现了。麻省理工学院的Dirk Englund和Marin Soljačić领导的团队，描述了如何在硅芯片上构建光学神经网络。他们的方法，是将要相乘的变量编码成光束，再将光束通过一系列能改变其相位（即光波振荡方式）的组件。每一次相位变化，就代表乘法的一步。通过反复分裂光束、改变相位、再重新组合，光便能高效完成矩阵乘法。在芯片末端，研究人员放置了光电探测器来测量光束，从而读出结果。他们教会这个实验设备识别口语元音——这是神经网络领域经典的基准测试。结果证实，凭借光的优势，它在速度和效率上均领先于电子设备。

虽然其他研究人员早就知道光对矩阵乘法有好处，但2017年的这篇论文，真正展示了如何将其变为现实。正如康奈尔大学光子学专家Peter McMahon所言，这项研究“激起了人们对ONN的巨大兴趣，影响力非常大。”

聪明的想法

自2017年以来，随着各种新型光学计算机的提出，这个领域稳步前进。Englund与几位合作者最近推出了一个名为HITOP的新型光网络，它整合了多项先进技术。最重要的是，它试图通过时间、空间和波长三个维度来提升计算吞吐量。前麻省理工博士后、现任职于南加州大学的Zaijun Chen解释说，这个设计有助于克服光学神经网络的一个主要短板：数据在电子元件和光学元件之间来回传输时，会消耗大量能量。而HITOP通过将信息打包进光的三个维度，能更快地推动更多数据通过ONN，并将能量成本分散到大量计算任务中，从而降低单次计算的成本。研究人员报告称，HITOP能运行比以前基于芯片的ONN大25000倍的机器学习模型。

需要说明的是，这个系统还远不能与它的电子前辈正面抗衡。Chen指出，HITOP每秒约执行1万亿次运算，而先进的Nvidia芯片处理的量级是其300倍。不过，他希望未来能扩大这项技术的规模，使其更具竞争力。但在效率上，光学芯片的优势极其鲜明。“这里的重点在于，我们把能源成本降低了一千倍，”Chen说。

其他团队也打造了具有不同优势的光学计算机。去年，宾夕法尼亚大学的一个团队描述了一种全新的ONN，它提供了非同寻常的灵活性。这个基于芯片的系统，将激光照射在构成电子芯片的半导体部分上，从而改变半导体的光学特性。激光能够高效地映射光信号的路径，从而完成计算任务。这使得研究人员可以轻松地重新配置系统的功能。这一点，与大多数其他基于芯片的系统（无论是光学还是电子）截然不同——在那些系统里，信号路线是在制造工厂里就被严格定好的，很难再更改。正如该研究的主要作者吴天伟所说：“我们做的东西很简单。我们可以重新编程，动态改变激光图案。”研究人员用这个系统设计了一个神经网络，成功区分了不同的元音。大多数光子系统在构建前就需要进行训练，因为训练必然涉及重新配置连接。但由于这个系统极易重新配置，研究人员可以在将模型安装到半导体上之后再进行训练。他们计划下一步增加芯片尺寸，并用不同颜色的光编码更多信息，这应该会大大增加可处理的数据量。

即使是90年代那个面部识别系统的创建者Psaltis，也对如今的进展感到震撼：“和我们实际已经做到的事情相比，我们40年前最疯狂的梦想，都显得那么渺小。”

第一缕曙光

尽管光计算在过去几年发展迅速，但距离在实验室外取代电子芯片、驱动神经网络，还有很长的路要走。很多论文宣称光子系统比电子系统更优，但往往使用的是旧的网络架构和较小规模的工作负载。安大略皇后大学的Bha vin Shastri直言，许多关于“光子霸权”的报告数据，并没有讲出全部真相。“很难和电子产品进行同维度的比较，”他说：“比如，他们用到了激光，但并没有真正计算为激光供电所消耗的能量。”

实验室里的系统，需要被大幅扩展规模，才能真正展现出竞争力。Bha vin Shastri抛出一个关键问题：“要把它做到多大，才能获胜？”答案是：非常大。这也是为什么目前没人能撼动英伟达在AI芯片领域的统治地位——其背后是几十年来积累的工程优势。正如McMahon所说：“电子领域从一开始就拥有巨大的先发优势。”

一些研究人员认为，基于ONN的AI系统可能首先会在那些需要独特性能的专业化应用中取得成功。Shastri提到一个有前景的用途：抵消不同无线传输之间的干扰，比如5G蜂窝基站和飞机导航雷达高度计的信号冲突。今年年初，Shastri和几位同事创建了一个ONN，它能够梳理这些不同的传输信号，并实时挑选出感兴趣的信号。其处理延迟低于15皮秒（15万亿分之一秒）——不到电子系统所需时间的千分之一，而功耗仅为后者的七十分之一以下。

不过，Shastri认为，那个更宏大的愿景——打造一种能够超越通用电子系统的光学神经网络——仍然值得追求。去年，他的团队通过模拟预测，在十年内，足够大的光学系统可以将某些AI模型的效率，比未来的电子系统提升超过一千倍。“现在很多公司都在努力争取1.5倍的收益。一千倍的好处，那就太神奇了。如果成功的话，这可能是一个为期十年的项目。”