前英特尔CEO用光束重启摩尔定律，为AI铺路

帕特·基辛格（Pat Gelsinger），这位曾带领英特尔走过芯片行业风云变幻的前CEO，如今正将目光投向一种截然不同的计算媒介——光。在近日的一次技术发布会上，基辛格提出：用微型光束替代传统电子信号，可以打破摩尔定律的物理枷锁，为日益膨胀的人工智能需求提供源源不断的算力。

摩尔定律的黄昏与光子黎明

摩尔定律——芯片上晶体管数量每两年翻一番的经典预言——在过去十年中已明显放缓。随着制程逼近1纳米，量子隧穿效应和散热问题让硅基半导体举步维艰。与此同时，AI模型规模呈指数级增长：从GPT-3到GPT-5，训练所需的计算量每18个月就翻一番。这种“剪刀差”迫使业界寻找替代路径。

基辛格提出的方案是“光子互连+光子计算”的混合架构。他认为，光子在传输速度、带宽和能耗上拥有天然优势：光纤中的光信号几乎不受电阻和电磁干扰，且能同时传输多个波长（波分复用），理论上可将芯片间通信带宽提升100倍以上，而功耗仅为电信号的十分之一。“我们不需要放弃硅，”基辛格在演讲中说，“但我们需要让数据以光速流动。”

“摩尔定律并未死亡，它只是需要换一个引擎。这个引擎就是光。” ——帕特·基辛格

从电到光：技术鸿沟与突破路径

将光子引入计算机并非新概念。过去二十年，学术界和产业界（如英特尔自己的硅光子研究）一直在探索光互连——用光缆替代铜导线连接芯片。但真正的挑战在于“片上光计算”：让光本身参与逻辑运算，而不仅仅是传输数据。

基辛格目前担任一家名为“Lightmatter”的初创公司首席顾问。该公司已推出基于“光子张量核”的AI加速器，能在光域内完成矩阵乘法——这是神经网络中最基本的运算。据基辛格透露，原型芯片在特定推理任务上的能效比NVIDIA H100高出两个数量级。“这不是渐进式改进，而是阶跃变化。”他断言。

不过，光子计算也面临集成度、成本和制造工艺的挑战。当前方案仍依赖边缘的电子-光转换器（如硅基调制器和探测器），这增加了系统复杂性和功耗。基辛格认为，未来十年内，完全集成的光子CPU将诞生，届时摩尔定律将以“光跃迁”而非“晶体管翻倍”的形式复活。

人工智能的“光饥渴”

AI对算力的贪婪是光子计算的直接驱动力。以GPT-4为例，训练一次需要约2.5万块A100 GPU连续运行数十天，耗电高达数万兆瓦时。OpenAI预测，到2030年，AI训练能耗可能占全球发电量的1%。基辛格指出：“我们可以建造更多数据中心，但电网和散热能力有极限。光子计算能从源头降低能耗。”

除了训练，推理阶段的延迟也至关重要。自动驾驶、实时翻译、手术机器人等场景要求毫秒级响应。光子计算的低延迟特性（几乎不受RC延迟限制）使其成为边缘AI的理想选择。基辛格的团队正在开发一款“光子推理芯片”，专为车载和移动设备设计，功耗低于1瓦。

编者按：光的力量与现实的引力

基辛格的愿景无疑令人兴奋，但我们需要保持审慎的乐观。光子计算在实验室中已展现惊人性能，但大规模量产和商业化仍面临巨大障碍。当前的台积电和三星生产线是为电子芯片设计的，要生产光子芯片，需要全新的工艺和材料（如铌酸锂、氮化硅）。此外，光子的逻辑门实现复杂，目前仅限于特殊运算（如矩阵乘法），无法执行通用计算。

尽管如此，基辛格作为半导体的老将，其号召力不容小觑。他曾在英特尔主导“硅光电子”项目，并在离开英特尔后创办了VMware。他对行业趋势的判断——AI将吞噬一切算力，而现有技术无法满足——已被验证。如果光子计算能率先在AI加速器中落地，它将为后摩尔时代开辟一条务实路径。

也许，正如基辛格所言，摩尔定律并未死亡，只是准备换一个引擎。而光束，或许就是这个新引擎的燃料。

本文编译自WIRED