清華大學近日實現“從0到1”的突破，發布了新型光子芯片“太極”，計算能效超現有人工智能芯片2-3個數量級，或將為實現比人類更聰明的通用人工智能（AGI）帶來強大的訓練和推理能力。這項研究已發表在《科學》雜志上，編輯還專門在論文前進行了總結，稱這項工作是朝著支持AI各種應用的現實世界光子計算邁出的充滿希望的一步。

所謂AGI，通用人工智能，朋友們可能已耳熟能詳，那就是具備人類同等智能，或超越人類智能，能表現出正常人類所有智能行為的人工智能，又被稱為強人工智能。一旦AGI出現，就意味著人類與人工智能共同存在、共同演化的時代來臨，整個世界都將天翻地覆，變成我們現在的人所無法想象。

一些人認為OpenAI的GPT-5就有可能成為AGI，另一些人則認為，要實現AGI還有兩大瓶頸，一是計算能力，二是能源消耗。以至于ChatGPT之父山姆·奧特曼滿世界找7萬億美元來制造AI芯片，而馬斯克則聲稱，到2025年，我們可能就沒有足夠的電力來運行所有芯片了。甚至還有一個傳言說，英偉達創始人黃仁勛表示，AI的盡頭是光伏和儲能，AI將燒掉14個地球的能源。

雖然這個傳言有點以訛傳訛，但AGI將需要遠超現在的算力，消耗遠超現在的電力無疑是迫在眉睫的現實，而光子芯片，有可能就是解決這兩大瓶頸的關鍵。因為光子芯片相比電子芯片，具有以下五大優勢：

速度和帶寬

光子芯片利用光信號而不是電信號進行數據傳輸和處理。光信號傳輸速度極快，幾乎接近光速，并且具有極大的帶寬，可以傳輸大量數據，特別適合處理大量數據的密集型AI應用。

能效

光子芯片能耗低于電子芯片。電子芯片依靠電流的流動，會在導線中產生熱量，導致能量損失。光子芯片則使用光波傳輸數據，幾乎不受電阻和熱損失的影響，在能效上具有顯著的優勢。

熱管理

光子芯片產生的熱量較少，熱管理更為簡單，這樣就可以更密集地打包光子組件，無需擔心過度加熱，對于構建大規模集成電路尤為重要。

并行處理能力

光子芯片可以在同一光纖中傳輸多個頻率的光信號，允許同時并行處理多個數據流，為AI應用中的大規模計算提供了可能。

減少延遲

光子芯片中數據幾乎可以瞬間傳輸，減少了在復雜AI算法中處理大規模數據的延遲問題。

光子芯片既然在理論和實驗研究中具有如此巨大的潛力，為什么電子芯片仍然是AI大潮中的主力，賺得盆滿缽滿呢？這是因為它們目前仍然面臨巨大的挑戰，如制造成本高、集成度限制、技術成熟度低、生態系統構建等各種難題。

中國工程院院士、清華大學信息科學技術學院、院長戴瓊海教授長期致力于立體視覺、三維重建和計算攝像儀器等研究，試圖揭示神經系統結構和功能等腦科學規律，為創建新一代人工智能提供支撐。清華大學電子工程系、長聘副教授方璐，主要從事光場智能成像理論與技術研究，率先提出了大規模可重構光電計算理論與架構，研制出掃描光場元成像傳感器，為百億像素光場智能成像提供了新路徑。

戴瓊海和方璐領導的團隊，去年11月創造性地提出光電融合全新計算框架，研制出全世界首個全模擬光電智能計算芯片（ACCEL），運算速度高達4.6千萬億次/秒，是英偉達A100人工智能芯片0.312千萬億次/秒的15倍；而它的系統能效是74.8千萬億次/瓦秒，超過高性能芯片400萬倍，這意味著這些芯片運行一個小時的電量，就可以供它運行500年以上！這項成果發表在《自然》雜志上，我也曾做過解讀。

而近日，戴瓊海和方璐團隊再接再厲，進一步探索干涉光與衍射光的優勢特性，摒棄傳統電子深度計算范式，在世界上首創了干涉—衍射分布式廣度光計算架構，并將其命名為Taichi，也就是“太極”的意思。方璐說，這是希望在大模型通用人工智能蓬勃發展的時代，用光子之道，為高性能計算探索新靈感、新架構、新路徑。

具體來說，這種新架構不再依賴深層次的網絡堆疊，而是利用光計算的“全連接”和“高并行”屬性，轉向分布式廣度計算，從而提高計算速度和效率，同時保持系統的魯棒性。然后在太極架構中，復雜的智能任務被拆分成多個多通道高并行的簡單子任務，通過分布式“大感受野”淺層光網絡來處理執行，不僅簡化了問題，還減少了物理模擬設備，在多層級聯中可能出現的計算誤差。

所謂"感受野"（Receptive Field），是指生物感覺神經元受到刺激能夠引起反應的區域，引申到機器視覺的深度神經網絡中，就是一個單元能感知的輸入數據范圍。一個“大感受野”意味著網絡單元能夠接收并處理來自較大輸入區域的信息。

你可以想象為一張能覆蓋很大區域的網，即使它只有一層（淺層），也能捕捉到很多信息，從而快速有效地處理數據。這種網絡結構特別適合需要快速響應的應用，因為它不需要通過很多層來處理信息，可以大大提高處理速度和效率。同時由于結構簡單，它的能耗也相對較低。

基于太極計算架構，清華團隊研制出了干涉—衍射異構集成智能光計算芯片，計算能效超現有智能芯片2-3個數量級，可為百億像素大場景光速智能分析、百億參數大模型訓練推理毫瓦級低功耗自主智能無人系統提供強有力的算力支撐。

通過將多個太極芯片拼接在一起，清華團隊實現了一個由1396萬人工神經元組成的光神經網絡（ONN），比現在最大競爭對手的147萬個幾乎大了10倍。在廣泛用于評估機器學習模型性能的Omniglot數據集上進行的分類測試中，太極能夠識別超過1000個類別，準確率達到了91.89%，在高保真人工智能生成內容方面實現了高達兩個數量級的效率改進。這表明太極芯片處理大模型復雜任務的巨大潛力，或將為光學計算的實際應用、基礎模型的支撐及AGI新時代的發展提供加速。

另外就是太極的能效指標了，論文中聲稱達到了160.82TOPS/W，也就是每瓦特160.82萬億次操作，我看到國外一篇文章說，這個效率是英偉達明星AI芯片H100的1000倍，不過我沒有找到H100的相關數據，所以暫時無法證實。但光子芯片本身用電極少，所以這應該是不足為奇的。

總之，不管是從計算能力還是能源消耗上，光子芯片都大大優于電子芯片，太極架構及芯片的問世，有可能成為一個重要的里程碑，正如科學家們在論文中所說，這將為大規模光子計算和高級任務鋪平道路，進一步發掘光子技術在現代通用人工智能（AGI）中的靈活性和潛力。