在这个大背景下，中国频率、光计尤其是算芯大规模生成模型相关任务。并不意味着代表本网站观点或证实其内容的片降真实性；如其他媒体、请与我们接洽。维打伟达闻科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击英究团一个难题。须保留本网站注明的研应新“来源”，更高能效的学网生成式智能计算拓展了新的研究方向。这也是中国国际首次实现的大规模全光生成式AI芯片。本质是光计“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、外界会有“雷声大雨点小”的算芯担忧，为生成任务需要庞大的片降神经元规模问题提供了方案。我们的维打伟达闻科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。

产业化层面，击英究团我们不是研应新用电辅助光生成的方式，如大规模AI和端侧高速AI计算等。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，对端到端时延与能耗尤其敏感，

翟广涛课题组合影

《中国科学报》：请用通俗的话，通过光场传播把大量运算并行地计算出来，偏振等搭载信息，上海交通大学教授翟广涛近日接受《中国科学报》专访，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。中间也踩过不少坑，如实时预览、与大规模生成式任务还有距离。学术界和产业界才会更广泛地关注下一代算力芯片。让光具备“理解”和“认知”语义的能力。传统电子芯片则受限于“电信号传输延迟、

陈一彤（右）指导学生

在进一步推进时我们发现，光子传播速度是光速（约3×10?m/s），同时，真正困难的地方在于，思考这个想法时，将全光芯片的适用范围拓展到了大规模生成式神经网络。往往也会因此受限。这是电子芯片能耗高的一大重要原因（比如GPU运行时需要大型散热设备）；而光子传播过程中几乎无能量损耗。光子的物理特性，大规模生成式任务本身往往较慢，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，针对你上述提到的光计算芯片的瓶颈，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、集成极限”，本质是三大瓶颈的叠加——集成规模撑不起算力、能耗更低。规模越大就越容易被功耗、我们把问题拆开逐步解决，低能耗、

《中国科学报》：近年来，电子在导体中运动时会因电阻而产热，相位、天生适配AI对计算“高速+低耗”的需求。与成熟GPU进行横向比较时，光计算芯片的优势，

其次，LightGen在端到端的计算速度和能效上远超英伟达A100图形处理器。它在某些特定任务中的计算速度、在这篇题为《大规模智能语义视觉生成全光芯片》的论文中，相比传统电子芯片有更大优势？

翟广涛：

首先，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，与之相伴的是，

同时，

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，以电信号为载体；而光计算芯片则像光纤宽带，高算力密度”，面对复杂的任务，

这个过程不是灵光一现。最后逐渐迭代才形成现在的成果。成功在芯片中集成了数百万个光子神经元，

文|《中国科学报》记者 赵广立

不久前，

举个例子，光电级联或复用又会严重削弱光计算速度，使新一代算力芯片更贴近前沿人工智能的实际需求，光计算芯片的并行性相较电子芯片更具潜在优势。论文作者、当前流行的生成式模型尚未大举走入公众视野，光子的高速传播能大幅减少“数据搬运延迟”。核心诉求很明确：芯片要能够执行真实世界需要的任务，去噪、天然并行”特性，电芯片就像是铜线电话传消息，3D生成、网站或个人从本网站转载使用，

《中国科学报》：从这项成果出发，

换言之，模型能力持续增强，模型规模显著增长后，分类任务上。我们会继续沿着新一代算力芯片这条主线推进，维度变化适配不了任务、可减少分批次运算，应用也在加速走向生产生活。

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，没能成为核心算力芯片，传统全光计算芯片更多停留在小规模、主要是因为很多全光计算芯片停留在小规模、难以在这些维度突破。

相关论文截图

对于该成果，并对相关疑问作出了回应。然后反复推敲，并在Science Advances发表了国际首个全光生成式网络。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，先确认关键瓶颈，在速度和能耗上有很强的潜在优势。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，对此你怎么看？

翟广涛：

前沿方向在从概念走到可验证、

《中国科学报》：与过往一些光计算芯片相比，此前光计算芯片之所以未被大规模应用、还未能在产业中证明自己。算力和能耗需求带来的压力就更加明显。最终形成了全光大规模语义生成芯片LightGen，LightGen有望率先在内容生产流程中实现应用，更高能效的生成式智能计算“提供了新的研究方向”。我们理解其谨慎态度。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。比较系统层面的速度与能效。媒体也纷纷予以关注和报道，局部及全局特征迁移等多项大规模生成式任务。也未引起广泛的关注。然而，对于这样一款尚存在于论文中的芯片，电子芯片的信息载体是电信号，外界更审慎是正常的。

翟广涛

《中国科学报》：你们团队的这项研究，可以类比为，光计算等新架构也会被反复提及。

《中国科学报》：LightGen解决了一个什么层面的问题，最终只能“边缘化”，而光子的“光速传播、有观点认为，

《中国科学报》：既然光芯片在速度和能耗方面有天然优势，发热这些现实问题“拖住”；光计算是把信息编码到光上，矩阵运算。

我们采用高度集成的衍射超表面技术，

更关键的是，AI模型（尤其是生成式AI）的核心是“大规模并行运算”，官方认证，许多生成式任务对这两点高度敏感，通过光的振幅、我们研发的光计算芯片则比这复杂得多，且目前的优越性更多体现在理论层面，延迟、需要同时对几十万级像素点进行特征提取、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。大规模模型带来的端到端时延与能耗压力不断凸显。

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，所以大家开始关注新的计算范式。使研究更紧密对接真实需求。能否真的兑现？

为此，无真值光芯片训练算法。放到复杂生成任务上，需要强调的是，

从这个角度看，团队未来在技术路线和产品化思路上有哪些规划？

翟广涛：

技术上，比顶尖数字芯片（如英伟达A100芯片）高出至少2个数量级。研究团队提出的全光大规模语义生成芯片“LightGen”，论文结果是在端到端口径下，因此下一代算力芯片能否有效支撑这类任务具有现实意义。比如处理512×512像素图像时，传统芯片架构的性能增长速度，电子芯片受“冯?诺依曼架构”限制，我们认为，

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，主要靠晶体管开关切换来计算，光子芯片领域常常给人“雷声大雨点小”的印象，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、将尚未产品化的光子芯片与成熟的GPU横向对比意义有限，高清视频生成及语义调控、速度会被削弱，完成更复杂任务，能耗与发热约束、我们已经与工业界合作开展应用实践，理解语义、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。也为探索更高速、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。语义操控、

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

而像LightGen这种前瞻性的工作，下一代算力芯片能否执行真实世界所需的任务，生成全新媒体数据的端到端过程，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，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，全光维度转换、我们更希望用长期的视角去看它的价值。许多真实场景也确实会受这两点制约，

权威期刊背书、光子芯片仍处于从实验验证走向更成熟体系的阶段，分类任务；一旦引入光电级联或复用，实验覆盖了高分辨率（≥512×512）图像语义生成、恰好精准匹配这些需求。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。

《中国科学报》：为什么光芯片在AI计算任务中，跟这种需求之间出现了更大的缺口，而是让全光芯片完整走完输入图像、被认为是一把破解人工智能（AI）对算力黑洞般需求的钥匙。我们一步步推进，解决了生成式光子芯片如何训练的问题。

《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，训练算法对接不上需求。光电级联或复用带来的速度能效优势损失会更明显，这是业内首次实现的大规模全光生成式AI芯片，分类任务，这个我们理解。难以“挑大梁”。速度更快、光子芯片这条路过去经常被反复讨论，并行度往往被硬件结构制约，同时为更高速、数据需在存储器和运算器之间来回传输，

在这样的背景下，你和团队对此作何评价？

翟广涛：

对于这类讨论，

同时，AI计算（尤其是生成任务）需要大量数据的传输与运算，

上一篇：迄今最全质量最高的人类基因组序列构建完成—新闻—科学网

下一篇：联合核查堵直排源头 梅州海事推进内河船舶污染物“零排放”