摘要
光正在进入AI算力系统，但这次不只是拿来传数据，而是直接参与计算。 华中科技大学与上海交通大学团队最新在Nature Communications上发表成果，将可编程光子神经网络写入玻璃内部，构建出一个三维光学计算核心。 该芯片实现了二维图像的直接片上光学处理—— MNIST手写数字分类准确率达93%，片上光学图案生成保真度94%，理论计算吞吐量达到6554 TOPS。 其关键架构路径是： 二维空间输入→三维光场混合→可编程相位调控→片上神经网络推理。 这不仅是把光学矩阵做大，更是回答了一个核心问题——光学计算核心如何做大、可编程，并承载真实数据。 把光子神经网络写进玻璃三维空间 过去几年，随着AI集群规模持续扩大，产业界谈到光，更多是在谈光互连：用光连接芯片、板卡、机柜和数据中心，让数据以更高带宽、更低功耗传输。 这个方向已经成为AI硬件里非常明确的技术趋势。 但光的价值不止于“传数据”。 光在传播过程中可以复用、耦合、干涉和混合；在很多线性计算中，这些物理过程本身就可以成为计算过程。 对于AI推理中大量存在的矩阵计算来说，光不仅可以是连接计算单元的媒介，也可能成为计算核心的一部分。 真正困难的是：什么样的光学计算核心，才能把这种优势放大？ 光计算系统需要激光器、调制器、探测器、电控和封装。如果规模太小，这些外围开销很难被摊薄；如果结构仍然局限在二维平面，输入、互连、波导交叉和通道扩展又会限制芯片规模。 也就是说，光计算要真正走向AI推理硬件，不能只证明“光能算”，还要回答“光学计算核心如何做大、如何可编程、如何承载真实数据”。 2023年， Peter McMahon在Nature期刊发表了一篇综述。 文章系统梳理了光可用于计算的多种物理特性，也指出光计算的优势并不是简单来自“光速快”，而是要靠架构设计同时调用多种光学自由度。 这篇综述引出了一个更具体的问题：现有光计算芯片到底利用了光的哪些优势？又有哪些自由度还没有被真正打开？ 这就是这项工作的起点。 基于这个思路，华中科技大学张新亮、董建绩团队联合上海交通大学唐豪、徐晓芸团队，把可编程光子神经网络写入玻璃内部，构建一个三维光学计算核心。