在人工智能的算力竞赛中，芯片巨头英特尔（Intel）正在押注一项看似微小却可能改变游戏规则的技术——光。英特尔首席执行官帕特·基辛格（Pat Gelsinger）近日提出，利用微小的光束来驱动人工智能计算，可能是通往更强大AI系统的关键路径。这一设想不仅挑战了传统电子芯片的物理极限，也为整个半导体行业指明了新的发展方向。
基辛格的愿景并非凭空而来。随着AI模型的规模呈指数级增长，从GPT-3到GPT-4，再到未来的多模态大模型，传统基于电子传输的芯片架构正面临日益严峻的瓶颈。电子在导线中移动时会产生热量，导致能耗飙升，同时信号在长距离传输中也会衰减。这些问题在数据中心和高性能计算集群中尤为突出，限制了AI训练和推理的效率。基辛格认为，光通信技术——即使用光子而非电子来传输数据——能够从根本上解决这些难题。
光的优势在于其速度和带宽。光子以光速传播，几乎不产生热量，且可以在同一光纤中承载多个波长的信号，实现极高的并行传输能力。英特尔近年来一直在推动所谓“硅光子学”（Silicon Photonics）的研发，即将光学元件集成到传统的硅芯片上。基辛格强调，通过将光互连技术嵌入到芯片内部或芯片之间，可以大幅降低延迟，同时提升数据传输的带宽和能效。这对于AI工作负载至关重要，因为AI模型需要频繁地在处理器、内存和存储之间搬运海量数据。
行业分析人士指出，英特尔的这一战略布局并非孤例。长期以来，光互连技术一直被视为“计算界的圣杯”，但受限于制造工艺和成本，始终未能大规模商用。然而，AI的爆发式需求正在改变这一局面。根据市场研究机构LightCounting的数据，到2027年，用于数据中心的光模块市场规模预计将超过150亿美元。英特尔在硅光子学领域拥有超过十年的积累，其开发的“集成光子”技术已经能够将激光器、调制器和探测器等光学组件与硅基芯片在同一个封装中制造。这为基辛格的光束AI计划提供了现实基础。
从更广阔的视角来看，基辛格的设想也反映了整个半导体行业对“后摩尔时代”的焦虑与探索。摩尔定律——即芯片上晶体管数量每两年翻一番——正在放缓，传统工艺微缩带来的性能提升越来越有限。为了继续推动AI算力的增长，业界不得不寻求架构创新和材料革命。除了光计算，还有诸如量子计算、神经形态计算等方案被提出。但光互连被认为是短期内最有可能落地的技术之一，因为它不需要完全颠覆现有的CMOS（互补金属氧化物半导体）制造流程，而是可以在现有芯片上叠加光学层。
然而，挑战依然存在。将光子器件集成到芯片上需要极高的制造精度，且成本高昂。此外，光计算在逻辑运算方面目前仍不如电子成熟，因此短期内更可能扮演“辅助者”角色，即负责数据传输，而核心计算仍由电子芯片完成。基辛格本人也承认，这一技术需要数年的持续投入才能实现规模化应用。但英特尔显然已经将其视为未来十年竞争力的关键组成部分。在近期的一次技术峰会上，英特尔展示了基于硅光子学的800Gbps（千兆比特每秒）光互连模块，并计划在2025年前推出1.6Tbps的产品。
对于AI行业而言，英特尔的这一动向意味着什么？首先，更高效的数据传输将直接提升AI训练速度。目前，大型AI模型训练往往需要数千块GPU（图形处理器）协同工作，而芯片之间的通信瓶颈常常导致大量算力闲置。光互连可以显著缩短数据搬运时间，从而让模型训练更快、更便宜。其次，能效的提升有助于降低AI的碳足迹。据估算，训练一个大型语言模型所产生的碳排放相当于数辆汽车终身排放的总和。如果光通信能减少数据中心20%的能耗，其环境效益将不可估量。
在全球科技博弈的背景下，英特尔的这一技术路线也带有战略意义。美国、欧盟和日本都在加大对半导体自主化的投入，而光芯片被视为下一代半导体技术的重要制高点。中国在硅光子学领域也有一批初创企业和研究机构在积极布局，例如中科院微电子所和华为等。基辛格多次强调，英特尔的目标是重新夺回半导体制造的领先地位，而光互连正是其差异化竞争的关键武器之一。
当然，从实验室到量产，从技术验证到生态构建，还有很长的路要走。基辛格的光束AI计划能否成功，不仅取决于英特尔自身的研发能力，还取决于整个产业链的协同——包括光刻机、封装、测试以及软件栈的适配。但无论如何，这一设想已经为AI硬件的发展打开了一扇新的窗户。当AI模型越来越庞大，当数据中心的能耗越来越惊人，人类或许真的需要借助光的力量，来照亮通往通用人工智能的道路。
