AI算力面临能耗瓶颈,光学计算掀起商业化浪潮

执行摘要 // 核心要点
- •受AI推理任务的巨大功耗限制,光学计算行业迎来资本爆发,估值已达22.2亿美元。
- •光学计算通过被动式光子运算,理论上可将特定数学运算的能效提升多达10万倍。
- •行业目前存在空间光路与集成硅光子学两条技术路径:前者追求极限性能,后者倾向于兼容成熟的半导体制造工艺。
- •未来计算架构趋向异构化,光学处理单元将与CPU和GPU协同,专门分担高负载的线性代数与波动力学计算。
纽约——全球数据中心在运行人工智能工作负载时面临严峻的电力瓶颈,这正推动光学计算技术的商业化复兴。随着初创企业和研究机构竞相以光子取代电子电路,该领域的估值已飙升至22.2亿美元。
据IEEE Spectrum发布的一份报告显示,该领域的资本投入已从2022年的4亿美元激增。这一趋势反映出业界日益认识到,在执行AI推理任务时,传统硅基图形处理器(GPU)已触及物理能效上限。由于服务器集群在处理生成式模型查询时消耗大量电力,企业运营商和半导体设计师正转向光子学技术以规避电子电阻,寻求将能源支出和运营成本降低一个数量级。
电力瓶颈下古德曼模型的复兴
尽管利用光子进行计算的概念已存在70多年,但在AI推理需求的爆发式增长与电网供应限制发生碰撞之前,其商业可行性一直未得到验证。现代神经网络的核心在于向量-矩阵乘法,这是一种每秒需执行数十亿次的算术计算。在标准电子电路中,计算一个长度为N的向量与N乘N矩阵的乘积,需要进行N的平方次独立运算,每次运算都会产生热能耗散。相比之下,光学架构通过光衰减器或调制器被动传递光信号,其耗能主要集中在输入编码和输出读取环节,因此能耗随N呈线性增长。
这一基础物理优势在学术界和风险投资领域引发了新一轮热潮。1978年,光学先驱约瑟夫·W·古德曼(Joseph W. Goodman)展示了如何利用发光二极管、透镜和衰减器进行矩阵乘法。如今,先进的微加工工艺和激光系统已将这一实验室概念转化为可扩展的工程方案。
“人们对(光子学)的兴趣主要源于AI推理确实已经受到电力限制,而且是以一种相当惊人的方式,”康奈尔大学应用与工程物理系副教授彼得·麦克马洪(Peter McMahon)表示,他在该领域的研究已持续超过十年。
2022年,由麦克马洪领导的康奈尔大学研究团队展示了一个光学神经网络,其每次乘法运算消耗的能量约为2.5 x 10^-19焦耳,相当于不到一个光子的能量。相比之下,标准数字计算机执行单次乘法运算的能耗在10^-14至10^-12焦耳之间,这意味着理论能效提升可达10万倍。然而,麦克马洪提醒称,数据编码开销和阿姆达尔定律(Amdahl’s law)限制了现实中的性能提升,并指出光学系统通常需要向量长度在1,000到10,000个元素之间,才能抵消将电信号转换为光信号的能量成本。
架构分歧:空间光路与集成硅光子学
目前,美国、英国、德国、中国和以色列的商业化努力分化为两种截然不同的设计哲学:空间光路传播(Free-space)与集成硅光子学。
在空间光路阵营中,总部位于牛津的初创公司Lumai正通过开放空间实现可编程空间光调制器,以规避波导损耗。Lumai的目标是解决计算密集型的推理“预填充”(prefill)阶段,即将提示词向量输入内存。产品负责人菲利普·伯尔(Phillip Burr)表示,公司计划于2026年4月评估的Iris Nova服务器旨在验证概念,随后的Iris Aura服务器旨在以标准GPU约十分之一的功耗运行预填充工作负载。
在得克萨斯州奥斯汀,硬件开发商Neurophos正致力于利用工程超材料在亚波长尺度下进行空间光路操控。Neurophos首席执行官帕特里克·鲍恩(Patrick Bowen)指出,传统硅光子调制器尺寸可达2毫米,限制了芯片上的计算密度。鲍恩的团队开发了微米级的超材料调制器,其切换速度比液晶显示器快1万倍,可在一枚5毫米芯片上封装100万个调制器。Neurophos计划于2028年交付商用服务器机架,声称其性能目标是英伟达(Nvidia Corp.)Blackwell B200加速器的50倍,能效则是其35倍。
与此同时,竞争对手正转向集成硅光子学,将空间光路的三维扩展性转化为传统半导体晶圆代工厂成熟的大规模制造能力。
“空间光学通常每年限于1,000台的产量是有充分理由的,”总部位于斯图加特的Q.ANT公司首席执行官兼创始人迈克尔·弗尔奇(Michael Förtsch)表示。“就目前而言,半导体可制造的集成光子电路在实现大规模量产方面更具前景。”
Q.ANT利用在芯片上通过马赫-曾德尔干涉仪(Mach-Zehnder interferometers)传输的序列光脉冲,将其Native Processing Server部署在包括莱布尼茨超级计算中心和于利希超级计算中心在内的研究枢纽,并与欧洲云服务商Ionos建立了商用部署。在中国,上海的光盟科技(Lightelligence)展示了其PACE2集成光学处理器,以1GHz的时钟频率执行128乘128矩阵乘法,延迟仅为3纳秒,比传统硅基芯片快两个数量级。
替代架构与异构数据中心路线图
除了传统的向量-矩阵代数外,光学硬件开发商还瞄准了那些光子相较于数字逻辑门具有天然计算优势的数学运算。
例如,傅里叶变换(Fourier transforms)可以通过单个被动光学元件实现近乎瞬时的计算,而无需数百个电子晶体管。总部位于利兹的Optalysys公司正将片上傅里叶变换组件直接整合到数据中心网络架构中。创始人兼首席产品官尼克·纽(Nick New)指出,将被动光学处理直接嵌入光学互连中,可以解决AI工作负载中受内存限制的解码阶段,且不会增加热负荷。在特拉维夫,初创公司LightSolver开发了一种基于腔体的激光处理单元,通过受激光子在增益介质中的振荡来求解复杂微分方程,在仿真试验中比GPU快40到8万倍。
尽管取得了这些技术里程碑,行业分析师强调,光学计算仍面临严峻的采用障碍,主要集中在数模转换开销和软件惯性上。耶鲁大学应用物理学助理教授洛根·赖特(Logan Wright)观察到,机器学习框架目前仍针对图形处理器进行了极度优化。不过,在英伟达和台积电等主要芯片制造商支持下,共封装光学(Co-packaged optics)举措有望建立起光学计算进入超大规模设施所需的封装基础设施。
行业高管预计,未来不会出现硅基处理器被全面取代的情况,而是会演变为混合计算拓扑。弗尔奇预测,未来的企业基础设施将依赖异构架构:中央处理器负责系统管理,图形处理器负责通用程序,而光子处理器则用于处理高功耗的线性代数和波动力学任务。
本快讯严格依据 The OmniWire 编辑标准采编发布。主要事实报道均以官方权威电讯通报为基准。