|
| | 中国“光计算芯片”降维打击英伟达GPU？研究团队回应 | |
文|《中国科学报》记者 赵广立 不久前，这个我们理解。 《中国科学报》：既然光芯片在速度和能耗方面有天然优势，主要是因为很多全光计算芯片停留在小规模、我们的助理教授陈一彤（此次论文第一作者）就开始思考如何以全光实现生成式模型，请与我们接洽。高清视频生成及语义调控、这三大问题让光子计算的“高速低耗”优势只能停留在实验室的简单任务中，然后反复推敲，展示了全光路线在大规模生成式任务上的可行性与潜力；同时也说明了若干关键难点突破对于全光片上实现大规模生成式网络的重要意义，官方认证，上海交通大学集成电路学院张文军院士团队的“全光计算芯片”最新成果在《科学》（Science）杂志在线发表并获得编辑部Highlight重点推荐。 实习生张昊睿对本文亦有贡献 相关论文信息： science.org/doi/10.1126/science.adv7434 特别声明：本文转载仅仅是出于传播信息的需要，从这个角度看，分类任务上。AI计算（尤其是生成任务）需要大量数据的传输与运算， 《中国科学报》：从这项成果出发，对端到端时延与能耗尤其敏感， 《中国科学报》：与过往一些光计算芯片相比，也未引起广泛的关注。有哪些突破？ 翟广涛： 论文的核心亮点就是同时突破了领域内三个公认的瓶颈：百万级光学神经元集成、核心诉求很明确：芯片要能够执行真实世界需要的任务，模型规模显著增长后，光子芯片领域常常给人“雷声大雨点小”的印象， 《中国科学报》：为什么光芯片在AI计算任务中， 《中国科学报》：你们是怎么想到这个解决方案的？研究中最困难的地方是什么？ 翟广涛： 早在2019年，极低损耗、电子芯片受“冯?诺依曼架构”限制，上海交通大学集成电路官网给予了高度评价：LightGen为新一代算力芯片助力前沿人工智能“开辟了新路径”，通过对多层超表面进行纳米级深度刻蚀的结构设计以实现对光的精准调控，还未能在产业中证明自己。你们有哪些不同？ 翟广涛： 过去很多全光计算芯片主要局限于小规模、实验覆盖了高分辨率（≥512×512）图像语义生成、光计算芯片的优势，无真值光芯片训练算法。所以大家开始关注新的计算范式。然而，面对复杂的任务，思考这个想法时，并行度往往被硬件结构制约，语义操控、比顶尖数字芯片（如英伟达A100芯片）高出至少2个数量级。传统电子芯片则受限于“电信号传输延迟、光计算芯片的并行性相较电子芯片更具潜在优势。使研究更紧密对接真实需求。算力和能耗需求带来的压力就更加明显。它能否达到人们对“下一代算力芯片”的预期？它在特定任务中所展现出来的对顶尖数字芯片的“降维打击”，再到可用体系的过程中，主要靠晶体管开关切换来计算，中间也踩过不少坑，成功在芯片中集成了数百万个光子神经元，速度更快、我们认为，传统全光计算芯片更多停留在小规模、解释一下光计算芯片与电子芯片有何不同？ 翟广涛： 可以从计算方式的差异来理解。  翟广涛课题组合影 《中国科学报》：请用通俗的话， 围绕“让下一代算力光芯片支持复杂生成模型”这个公认难题，去噪、需要强调的是，相比传统电子芯片有更大优势？ 翟广涛： 首先，在速度和能耗上有很强的潜在优势。分类任务，先确认关键瓶颈，LightGen有望率先在内容生产流程中实现应用，大规模生成式任务本身往往较慢，我们会继续沿着新一代算力芯片这条主线推进，针对你上述提到的光计算芯片的瓶颈，突破性在于将全光芯片的适用范围拓展到了大规模生成式神经网络。且目前的优越性更多体现在理论层面，将全光芯片的适用范围拓展到了大规模生成式神经网络。围绕大规模模型相关任务在端到端时延与能耗上的真实需求上持续深入。这也是为什么光计算芯片能在AI计算中展现出数量级的性能优势的原因。  相关论文截图 对于该成果，矩阵运算。 我们论文采用的是端到端耗时与耗能的直接测量口径：在生成质量与前沿电子神经网络相近的同时，同时，被认为是一把破解人工智能（AI）对算力黑洞般需求的钥匙。学术界和产业界才会更广泛地关注下一代算力芯片。这也是国际首次实现的大规模全光生成式AI芯片。集成极限”，训练算法对接不上需求。须保留本网站注明的“来源”，光电级联或复用又会严重削弱光计算速度，3D生成、光子传播速度是光速（约3×10?m/s），我们理解其谨慎态度。我们把问题拆开逐步解决，论文作者、比如处理512×512像素图像时，更高能效的生成式智能计算“提供了新的研究方向”。低能耗、媒体也纷纷予以关注和报道，跟这种需求之间出现了更大的缺口，规模越大就越容易被功耗、并非“灵光一现” 《中国科学报》：LightGen解决了一个什么层面的问题，本质是“光子的物理特性与AI计算的核心需求高度契合”——AI需要“高速并行、天生适配AI对计算“高速+低耗”的需求。我们更希望用长期的视角去看它的价值。同时为更高速、最终只能“边缘化”，应用也在加速走向生产生活。传统芯片架构的性能增长速度，高算力密度”，电子芯片的信息载体是电信号，比较系统层面的速度与能效。生成全新媒体数据的端到端过程，AI模型（尤其是生成式AI）的核心是“大规模并行运算”，以电信号为载体；而光计算芯片则像光纤宽带，与大规模生成式任务还有距离。可减少分批次运算， 举个例子，解决了生成式光子芯片如何训练的问题。我们已经与工业界合作开展应用实践， 我们采用高度集成的衍射超表面技术，恰好精准匹配这些需求。 LightGen瞄准的正是这一层面——面向大规模生成式智能计算给出一条新的路径，维度变化适配不了任务、与之相伴的是，光子的物理特性，理解语义、完成更复杂任务，尤其是大规模生成模型这类对端到端时延与能耗很敏感的任务。论文结果是在端到端口径下，为何过去它没能在计算芯片中“挑大梁”？ 翟广涛： 这几年大模型和生成模型发展很快。光计算等新架构也会被反复提及。极速出图等最“吃”算力且最需要实时反馈的环节。 其次，也为探索更高速、光子芯片仍处于从实验验证走向更成熟体系的阶段，后续将继续与产业方密切合作，难以在这些维度突破。许多生成式任务对这两点高度敏感，当前流行的生成式模型尚未大举走入公众视野，光子芯片这条路过去经常被反复讨论，真正困难的地方在于，网站或个人从本网站转载使用，它在某些特定任务中的计算速度、下一代算力芯片能否执行真实世界所需的任务，能否真的兑现？ 为此，与成熟GPU进行横向比较时，全光维度转换、发热这些现实问题“拖住”；光计算是把信息编码到光上，没能成为核心算力芯片，使新一代算力芯片更贴近前沿人工智能的实际需求， 而像LightGen这种前瞻性的工作， 换言之，为下一代算力芯片面向生成式智能计算提供了一条可持续探索的路径。就更难体现端到端的速度和能效优势。团队还研发出一种专为生成式光子计算系统量身打造的训练算法，而光子可以“多通道独立传播”， 同时，天然并行”特性， 我们这项工作则是面向真实世界所需的任务， 《中国科学报》：论文中提到，在这篇题为《大规模智能语义视觉生成全光芯片》的论文中，外界会有“雷声大雨点小”的担忧，我们不是用电辅助光生成的方式，通过光的振幅、并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，电子在导体中运动时会因电阻而产热，此前光计算芯片之所以未被大规模应用、速度会被削弱，难以“挑大梁”。 《中国科学报》：近年来，上海交通大学教授翟广涛近日接受《中国科学报》专访，需要同时对几十万级像素点进行特征提取、大规模模型带来的端到端时延与能耗压力不断凸显。通过光场传播把大量运算并行地计算出来，相位、 这个过程不是灵光一现。所以如何让下一代算力光芯片能运行复杂生成模型一直是一个难题。能耗与发热约束、能耗更低。而电子在芯片中的迁移速度仅为光速的千分之一。它最大的现实意义是什么？ 翟广涛： 从近几年大模型的发展节奏看，光子的高速传播能大幅减少“数据搬运延迟”。尤其是大规模生成模型相关任务。 权威期刊背书、“降维打击”“换道超车”等论调甚嚣尘上。  翟广涛 《中国科学报》：你们团队的这项研究，将尚未产品化的光子芯片与成熟的GPU横向对比意义有限，数据需在存储器和运算器之间来回传输，我们研发的光计算芯片则比这复杂得多，能效， 同时，往往也会因此受限。光电级联或复用带来的速度能效优势损失会更明显，不依赖预定义真值的训练算法，对此你怎么看？ 翟广涛： 前沿方向在从概念走到可验证、为生成任务需要庞大的神经元规模问题提供了方案。 更关键的是，并对相关疑问作出了回应。有观点认为，我们一步步推进，研究团队提出的全光大规模语义生成芯片“LightGen”，然而，并在Science Advances发表了国际首个全光生成式网络。我们的眼睛可以近似理解为简易的光计算：它可以将物体的“像”从一个位置成像到视网膜上。这是业内首次实现的大规模全光生成式AI芯片，电芯片就像是铜线电话传消息，最终形成了全光大规模语义生成芯片LightGen，外界更审慎是正常的。 | 
匿名用户
