光子晶片:一場發生在MIT校友之間的競賽

在科技圈，有一個大多數人都很熟悉的定律，那就是「摩爾定律」，它指出計算機晶片上的電晶體數量每隔18個月左右就會增加一倍。這種算力上的指數級增長很好地解釋了為什麼你我手中的手機和電腦等設備會隔不久就更新換代。

可如今，「摩爾定律」已死的聲音不絕於耳，加之人工智慧對計算能力提出了差異化的要求。所以，近年來，電氣工程師和計算機科學家一直在努力想辦法實現更快、更有效地計算，包括GPU、ASIC和FPGA等方案也越來越火爆。

不過，在解決算力困境的競賽中，傳統的「電子」選手也迎來了新的對手——「光子計算」（Optical computing）。這是一個完全不同的計算範式，由於光子計算則提出使用光子來進行計算（光子是光的基本粒子），再結合光纖傳輸之後，我們可以實現更高效的計算和容量更大、距離更長的數據傳輸。

更有意思的是，目前發力光子計算晶片的兩家公司Lightmatter和曦智科技（Lightelligence）都源於麻省理工學院（MIT），兩位創始人Nicholas Harris和沈亦晨也恰好是曾經的校友。如此一來，這場發生在同學之間的比拼為光子計算技術的發展又增添了幾分戲劇色彩。

一切源於MIT   

光子計算是指使用雷射或二極體產生的光子進行計算。事實上，光子計算有著悠久的歷史。早在20世紀50年代末，它就被用來處理一些第一批合成孔徑雷達（SAR）圖像，而當時的數字計算機甚至還不能進行必要的數學計算。

幾十年來，研究人員不時重提用光來計算的想法。早期，大多數研究項目的重點是用光子設備取代對應的計算機部件，從而形成一個處理二進位數據的光子數字計算機系統。

這種方法似乎為商業化的光子計算提供了最佳的出路，然而，光電子器件在將電子能轉換為光子並返回的過程中會損失30%的能量。同時，這種轉換也會減慢信息的傳輸速度。

後來，光子集成電路（PIC）的概念又被提出，這是一種集成了多種（至少兩種）光子功能的器件，因此類似於電子集成電路。兩者之間的主要區別在於，光子集成電路提供的功能是施加在通常在可見光譜或近紅外850nm-1650nm的光波長上的信息信號。

近年來，基於人工神經網絡的「深度學習」系統模仿大腦從實例積累中學習的方式已經成為計算機科學的熱門話題。但這些系統所進行的計算非常複雜，要求很高，即使是最強大的計算機也應對吃力。

在此背景下，麻省理工學院的一個研究小組嘗試將「光子計算」與「人工智慧」結合起來，利用這種已發展多年但又仍處前沿的技術提高深度學習計算的速度和效率。

2017年6月12日，他們的成果發表在《自然光子學》（Nature Photonics）雜誌上，標題為「Deep learning with coherent nanophotonic circuits」（利用相干納米光子電路進行深度學習）。論文作者恰好就包括前文提到的麻省理工學院博士後沈亦晨、博士Nicholas Harris以及教授Marin Solja i 和Dirk Englund等人。

Solja i 說，「當涉及到某些重要的神經網絡任務所需的各種計算時，傳統的計算機架構並不是很高效。這類任務通常涉及矩陣的重複乘法，在傳統的CPU或GPU晶片中，這可能是非常密集的計算。」

但麻省理工學院的團隊想出了一種以光子方式代替執行這些操作的方法。「這種晶片，一旦你對它進行調整，就可以在原則上以零能量進行矩陣乘法，幾乎是瞬間完成。」Solja i 說。

Solja i 指出，新方法使用了多束光線，它們的波相互作用，產生幹涉圖案，傳達預期操作的結果。研究人員稱這種設備為可編程納米光子處理器（Programmable Nanophotonic Processor）。

這種新型的可編程納米光子處理器是由Harris和他的合作者共同開發，它使用一個波導陣列，這些波導以一種可以根據需要修改的方式相互連接，為特定的計算編寫一組波束。「你可以在任何矩陣操作中編程，」Harris說。

沈亦晨表示，使用這種架構的光子晶片原則上可以以典型的人工智慧算法執行計算，速度要快得多，並且每次操作使用的能量不到傳統電子晶片的千分之一。他說：「使用光子來進行矩陣乘法的天然優勢在提速和省電方面起到了很大的作用，因為密集矩陣乘法是人工智慧算法中最耗電和耗時的部分。」

沈亦晨

Englund補充說，可編程納米光子處理器還可以有其他應用，包括數據傳輸的信號處理。「由於光本身就是一種模擬介質，所以高速模擬信號處理比其他將信號轉換成數字形式的方法更快。」他說。

Harris表示，一旦該系統得以實現規模化，它可以找到很多使用場景，比如數據中心或安全系統。另外，這套系統也可以應用於自動駕駛或無人機中。總之，「無論何時，只要你需要做大量的計算，但你沒有大量的電力或時間時，用光子晶片就對了。」

各立山頭   

在校期間，Harris是麻省理工學院量子光子學實驗室的博士生，師從Dirk Englund教授，沈亦晨是Marin Solja i 教授的光子學和現代電磁學小組的博士後物理研究員。二人此前同為Lightmatter團隊的成員，並共同參與了麻省理工學院組織的創新挑戰賽。

沈亦晨(左起第二位)和Nicholas Harris(右起第三位)

不過，在比賽結束後的某個時候，沈亦晨從Lightmatter團隊中出來，與哈佛商學院的學生Paul Xie一起創辦了Lightelligence。

Harris也與研究員Darius Bunandar和谷歌前員工、麻省理工學院斯隆管理學院學生Thomas Graham正式創辦了Lightmatter。兩人分開的原因目前還不得而知。

Darius Bunandar、Nicholas Harris和Thomas Graham

值得玩味的是，在事關公司發展的專利上，Lightelligence發表了一份聲明，它將「獨家」從麻省理工學院技術授權辦公室獲得技術授權。該公司表示，創始團隊在麻省理工學院從事研究工作時就申請了專利，這些專利涵蓋了基本原理、組件設計、系統設計和算法。

如果聲明屬實，那麼這兩家創業公司可能是被授予不同的專利，或者將技術的不同方面商業化。但在2018年的一次麻省理工學院活動上，沈亦晨表示，在2016年他就將論文發布在arXiv.org上，之後來自Founders Fund的一位投資人還給他發了一封郵件，鼓勵他將這項研究商業化。

2018年，雙方各自在首輪融資中籌集了1000多萬美元，甚至連時間也只相隔了幾天。其中，Lightmatter由波士頓投資者支持，當地風投公司Matrix Partners和Spark Capital領投了A輪1100萬美元。而Lightelligence則由中國科技巨頭支持，百度風投是領投方之一。

由此可見，除了技術和商業方面，Lightelligence與Lightmatter的競爭也恰恰在無形之中構成了中美之間AI技術競賽的一個縮影。

2020年的現狀  

在今年8月份的Hot Chips大會上，Lightmatter公司帶來了他們的新型光子晶片「Lightmatter Mars」，該晶片有望在2021年秋季發布。

該公司表示，該測試晶片在最先進的人工智慧模型上的表現優於Nvidia顯卡、英特爾和AMD處理器，甚至優於谷歌的張量處理單元（TPU）等專用硬體。

儘管有些誇張，但 Lightmatter 表示，他們的通信平臺——「蟲洞」(Wormhole)已經允許大約50個測試晶片處理器在沒有光纖的情況下以超過100Tbps的速率交換數據。

Harris表示，該公司的晶片雖然複雜，但卻有很好的良品率，很大程度上是因為納米光子元件與尖端電子設備中的元件相比其實並沒有那麼小。「你不會得到相同的點缺陷，因此，保持高良率和低價格的產品足以與GPU競爭。」Harris說。

而在Lightelligence方面，他們已經在 2019年4月發布了全球首款光子計算晶片原型板卡（Prototype）。並且用光子晶片運行了Google TensorFlow自帶的卷積神經網絡模型來處理MNIST數據集，整個模型超過95%的運算是在光子晶片上完成。

在運行過程中，光子晶片處理的準確率已經接近電子晶片（97%以上），另外光子晶片完成矩陣乘法所用的時間是最先進的電子晶片的1%以內。

另外，沈亦晨團隊還探索了光子片之間的高速互聯，在同樣距離上進行數據傳輸，耗能僅是電子晶片的十分之一。

目前，Lightelligence計劃流片產品級光子計算晶片，單個晶片集成 3000 個光子元器件，比之前光通信光子晶片多出 100 倍，產品預計會在明年推出。

結語

2020年，Lightelligence已完成由經緯中國和中金資本旗下中金矽谷基金領投的2600萬美元A輪融資，以及和利資本等機構的數千萬美元A+輪融資，總共超過7000 萬美元。而Lightmatter也不甘示弱，從GV(Alphabet的風險投資部門)、Spark Capital和Matrix Partners等投資者那裡共籌集了3300萬美元。

除了這兩家龍頭之外，Ayar Labs、LightOn、Optalysis和Fathom Computing都在爭奪新興的光子晶片市場的一杯羹，其中不乏MIT背景的創業者。例如，Ayar Labs就在本月獲得了3500萬美元的B輪融資，用於開發光學互連晶片。

未來，隨著電子晶片發展日益迫近瓶頸，將思路轉換到光子晶片不失為一種可選項，而在高算力和低功耗等優勢的加持下，早早布局該領域的企業和資本也將從中獲益。就像沈亦晨所說的那樣，「這將取代英特爾！」