當(dāng)前的人工智能世界耗電且計(jì)算有限。模型開發(fā)的軌跡很快，但隨著這種進(jìn)步，需要大幅增加計(jì)算能力?，F(xiàn)有的基于晶體管的計(jì)算正在接近其物理極限，并且已經(jīng)難以滿足這些不斷增長的計(jì)算需求。

大型企業(yè)已經(jīng)嘗試通過開發(fā)自己的定制芯片解決方案來解決這個問題。然而，硬件瓶頸可能過于嚴(yán)重，無法用傳統(tǒng)的電子處理器來克服。那么，技術(shù)如何才能充分滿足對計(jì)算能力呈指數(shù)級增長的需求呢?

矩陣乘法

在大型語言模型中，90%以上的計(jì)算任務(wù)都使用矩陣乘法。通過以結(jié)構(gòu)化方式進(jìn)行乘法和加法的基本運(yùn)算，矩陣乘法支持人工智能的不同功能塊。這不僅僅是語言模型。這種基本的線性代數(shù)運(yùn)算是幾乎每種神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)：實(shí)現(xiàn)神經(jīng)元的大規(guī)?；ミB，執(zhí)行圖像分類和對象檢測的卷積，處理順序數(shù)據(jù)等。這是一個簡單的概念，但對于有效操縱和轉(zhuǎn)換支持人工智能和無數(shù)其他應(yīng)用的數(shù)據(jù)來說是不可或缺的，因此矩陣乘法的重要性怎么估計(jì)都不為過。

隨著人工智能模型變得越來越大，必須執(zhí)行更多的矩陣運(yùn)算，這意味著需要越來越多的計(jì)算能力。為了達(dá)到所需的性能，即使是現(xiàn)在，電子產(chǎn)品也被推到了極限。還有其他選擇嗎?

光學(xué)矩陣乘法

光學(xué)已經(jīng)以多種方式用于改變我們的生活，最引人注目的是光纖網(wǎng)絡(luò)中的光通信。光學(xué)計(jì)算自然是下一步。數(shù)字電子學(xué)需要大量晶體管來執(zhí)行最簡單的算術(shù)運(yùn)算，而光學(xué)計(jì)算則利用物理定律進(jìn)行計(jì)算。輸入信息被編碼為光束，并利用光學(xué)的自然特性(例如干涉和衍射)執(zhí)行矩陣乘法。信息可以以多種波長、偏振和空間模式進(jìn)行編碼，從而允許無限量的并行處理，并且計(jì)算實(shí)際上以光速進(jìn)行。

通過3D光學(xué)添加新維度

隨著登納德縮放定律和摩爾定律的結(jié)束，是時(shí)候重新審視計(jì)算的基礎(chǔ)知識了。數(shù)字電子產(chǎn)品本質(zhì)上局限于“2D”布局——晶體管柵極和電路制造在晶圓上，計(jì)算是通過2D平面上不同單元之間的信息流動進(jìn)行的。這種2D計(jì)算架構(gòu)需要不斷增加的晶體管密度，導(dǎo)致嚴(yán)重的互連問題，并遭受臭名昭著的內(nèi)存瓶頸。隨著3D堆疊存儲器的發(fā)展，2D設(shè)計(jì)的變革現(xiàn)已開始，但整個行業(yè)的適應(yīng)還有很長的路要走。

現(xiàn)在，光學(xué)可以通過在3D空間中自然地執(zhí)行計(jì)算來徹底改變游戲規(guī)則。添加新維度可以放松傳統(tǒng)計(jì)算中的許多限制?；ミB組件更容易，能源效率更高，并且它允許不斷增加的吞吐量(在給定時(shí)間內(nèi)可以執(zhí)行多少計(jì)算)，而不影響延遲(每次計(jì)算執(zhí)行的速度)。這對于3D光學(xué)來說是完全獨(dú)特的：無論是將10個數(shù)字相乘還是10,000個數(shù)字相乘，這一切都會以光速同時(shí)發(fā)生。這對光學(xué)處理器的可擴(kuò)展性產(chǎn)生了巨大的影響，使其能夠達(dá)到當(dāng)前數(shù)字處理器速度的1000倍。

除了3D光學(xué)固有的可擴(kuò)展性之外，光學(xué)器件的時(shí)鐘速度可以提供比傳統(tǒng)電子器件快100倍的速度，并且波長復(fù)用(使用多個波長的光并行處理信息)的能力為進(jìn)一步提高100倍打開了大門。將這一切結(jié)合在一起，使能夠以指數(shù)方式擴(kuò)展計(jì)算速度，并具有更高的吞吐量、更低的延遲和更高的可靠性，而這些只有3D光學(xué)矩陣乘法才能提供。

這對人工智能意味著什么?

無論應(yīng)用如何，矩陣乘法構(gòu)成了所有人工智能計(jì)算的支柱。值得注意的是，3D光學(xué)帶來的高吞吐量和低延遲對于數(shù)據(jù)中心的人工智能推理任務(wù)特別有價(jià)值，這是一種由實(shí)時(shí)響應(yīng)能力和效率推動的應(yīng)用程序。

與傳統(tǒng)電子或集成光子學(xué)相比，3D光學(xué)計(jì)算在帶寬、延遲、速度和可擴(kuò)展性方面取得顯著改進(jìn)，再加上與現(xiàn)有機(jī)器學(xué)習(xí)算法的兼容性，有望徹底改變所有人工智能應(yīng)用。