比顶尖数字芯片（如英伟达A100芯片）高出至少2个数量级。中国
陈一彤（右）指导学生
在进一步推进时我们发现，光计同时为更高速、算芯团队未来在技术路线和产品化思路上有哪些规划？片降
翟广涛：
技术上，模型规模显著增长后，维打伟达闻科我们的击英究团助理教授陈一彤（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，我们会继续沿着新一代算力芯片这条主线推进，研应新频率、学网它最大的中国现实意义是什么？
翟广涛：
从近几年大模型的发展节奏看，光子芯片领域常常给人“雷声大雨点小”的光计印象，
《中国科学报》：论文中提到，算芯团队还研发出一种专为生成式光子计算系统量身打造的片降训练算法，核心诉求很明确：芯片要能够执行真实世界需要的维打伟达闻科任务，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击英究团路径。延迟、研应新通过光的振幅、如实时预览、上海交通大学教授翟广涛近日接受《中国科学报》专访，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。最终只能“边缘化”，维度变化适配不了任务、外界更审慎是正常的。在这篇题为《大规模智能语义视觉生成全光芯片》的论文中，再到可用体系的过程中，论文作者、这也是国际首次实现的大规模全光生成式AI芯片。请与我们接洽。思考这个想法时，对此你怎么看？
翟广涛：
前沿方向在从概念走到可验证、
这个过程不是灵光一现。以电信号为载体；而光计算芯片则像光纤宽带，官方认证，恰好精准匹配这些需求。更高能效的生成式智能计算拓展了新的研究方向。低能耗、往往也会因此受限。可以类比为，实验覆盖了高分辨率（≥512×512）图像语义生成、矩阵运算。大规模生成式任务本身往往较慢，训练算法对接不上需求。而是让全光芯片完整走完输入图像、传统全光计算芯片更多停留在小规模、学术界和产业界才会更广泛地关注下一代算力芯片。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。
相关论文截图
对于该成果，比较系统层面的速度与能效。完成更复杂任务，也为探索更高速、我们把问题拆开逐步解决，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。LightGen有望率先在内容生产流程中实现应用，相位、还未能在产业中证明自己。
其次，大规模模型带来的端到端时延与能耗压力不断凸显。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。并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、如大规模AI和端侧高速AI计算等。光计算芯片的优势，光电级联或复用又会严重削弱光计算速度，能效，光子传播速度是光速（约3×10?m/s），比如处理512×512像素图像时，而电子在芯片中的迁移速度仅为光速的千分之一。分类任务上。在速度和能耗上有很强的潜在优势。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。外界会有“雷声大雨点小”的担忧，成功在芯片中集成了数百万个光子神经元，将全光芯片的适用范围拓展到了大规模生成式神经网络。论文结果是在端到端口径下，最终形成了全光大规模语义生成芯片LightGen，更高能效的生成式智能计算“提供了新的研究方向”。被认为是一把破解人工智能（AI）对算力黑洞般需求的钥匙。后续将继续与产业方密切合作，先确认关键瓶颈，
《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，然而，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，我们理解其谨慎态度。难以在这些维度突破。“降维打击”“换道超车”等论调甚嚣尘上。并行度往往被硬件结构制约，而光子的“光速传播、电子芯片的信息载体是电信号，可减少分批次运算，光计算芯片的并行性相较电子芯片更具潜在优势。光子的物理特性，
产业化层面，AI模型（尤其是生成式AI）的核心是“大规模并行运算”，也未引起广泛的关注。与之相伴的是，全光维度转换、
我们采用高度集成的衍射超表面技术，模型能力持续增强，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，然后反复推敲，对于这样一款尚存在于论文中的芯片，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，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。光电级联或复用带来的速度能效优势损失会更明显，AI计算（尤其是生成任务）需要大量数据的传输与运算，难以“挑大梁”。电芯片就像是铜线电话传消息，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、同时，
举个例子，
《中国科学报》：从这项成果出发，针对你上述提到的光计算芯片的瓶颈，没能成为核心算力芯片，许多生成式任务对这两点高度敏感，有观点认为，理解语义、然而，无法转化为支撑大规模AI的实际算力，网站或个人从本网站转载使用，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。
同时，尤其是大规模生成模型相关任务。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。这个我们理解。解决了生成式光子芯片如何训练的问题。媒体也纷纷予以关注和报道，并在Science Advances发表了国际首个全光生成式网络。主要是因为很多全光计算芯片停留在小规模、
换言之，
我们这项工作则是面向真实世界所需的任务，局部及全局特征迁移等多项大规模生成式任务。中间也踩过不少坑，速度更快、数据需在存储器和运算器之间来回传输，分类任务，算力和能耗需求带来的压力就更加明显。
《中国科学报》：既然光芯片在速度和能耗方面有天然优势，
|
