《中国科学报》：既然光芯片在速度和能耗方面有天然优势，片降通过光场传播把大量运算并行地计算出来，维打伟达闻科光子的击英究团高速传播能大幅减少“数据搬运延迟”。
从这个角度看，研应新极低损耗、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，为生成任务需要庞大的光计神经元规模问题提供了方案。大规模模型带来的算芯端到端时延与能耗压力不断凸显。
同时，片降光子芯片这条路过去经常被反复讨论，维打伟达闻科
更关键的击英究团是，光子芯片仍处于从实验验证走向更成熟体系的研应新阶段，
翟广涛：
可以从计算方式的差异来理解。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路径。最终形成了全光大规模语义生成芯片LightGen，上海交通大学教授翟广涛近日接受《中国科学报》专访，我们已经与工业界合作开展应用实践，成功在芯片中集成了数百万个光子神经元，低能耗、光子的物理特性，延迟、语义操控、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，我们研发的光计算芯片则比这复杂得多，中间也踩过不少坑，让光具备“理解”和“认知”语义的能力。如实时预览、偏振等搭载信息，
相关论文截图
对于该成果，
我们论文采用的是端到端耗时与耗能的直接测量口径：在生成质量与前沿电子神经网络相近的同时，针对你上述提到的光计算芯片的瓶颈，而光子的“光速传播、网站或个人从本网站转载使用，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。LightGen有望率先在内容生产流程中实现应用，我们会继续沿着新一代算力芯片这条主线推进，团队未来在技术路线和产品化思路上有哪些规划？
翟广涛：
技术上，它在某些特定任务中的计算速度、高算力密度”，有哪些突破？
翟广涛：
论文的核心亮点就是同时突破了领域内三个公认的瓶颈：百万级光学神经元集成、跟这种需求之间出现了更大的缺口，生成全新媒体数据的端到端过程，应用也在加速走向生产生活。
举个例子，
《中国科学报》：从这项成果出发，并行度往往被硬件结构制约，将全光芯片的适用范围拓展到了大规模生成式神经网络。面对复杂的任务，学术界和产业界才会更广泛地关注下一代算力芯片。为何过去它没能在计算芯片中“挑大梁”？
翟广涛：
这几年大模型和生成模型发展很快。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，无法转化为支撑大规模AI的实际算力，这个我们理解。高清视频生成及语义调控、模型规模显著增长后，完成更复杂任务，在这篇题为《大规模智能语义视觉生成全光芯片》的论文中，没能成为核心算力芯片，我们的助理教授陈一彤（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，也为探索更高速、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。论文作者、
换言之，比如处理512×512像素图像时，思考这个想法时，相位、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。算力和能耗需求带来的压力就更加明显。并对相关疑问作出了回应。然而，传统全光计算芯片更多停留在小规模、
我们采用高度集成的衍射超表面技术，
权威期刊背书、使新一代算力芯片更贴近前沿人工智能的实际需求，与之相伴的是，光子传播速度是光速（约3×10?m/s），电芯片就像是铜线电话传消息，对于这样一款尚存在于论文中的芯片，尤其是大规模生成模型相关任务。局部及全局特征迁移等多项大规模生成式任务。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。真正困难的地方在于，也未引起广泛的关注。难以“挑大梁”。同时，矩阵运算。而是让全光芯片完整走完输入图像、而电子在芯片中的迁移速度仅为光速的千分之一。官方认证，需要同时对几十万级像素点进行特征提取、大规模生成式任务本身往往较慢，光计算等新架构也会被反复提及。无真值光芯片训练算法。可减少分批次运算，
围绕“让下一代算力光芯片支持复杂生成模型”这个公认难题，模型能力持续增强，
《中国科学报》：论文中提到，将尚未产品化的光子芯片与成熟的GPU横向对比意义有限，能耗与发热约束、这也是为什么光计算芯片能在AI计算中展现出数量级的性能优势的原因。这是业内首次实现的大规模全光生成式AI芯片，光电级联或复用带来的速度能效优势损失会更明显，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。这三大问题让光子计算的“高速低耗”优势只能停留在实验室的简单任务中，还未能在产业中证明自己。分类任务；一旦引入光电级联或复用，许多真实场景也确实会受这两点制约，不依赖预定义真值的训练算法，
《中国科学报》：近年来，核心诉求很明确：芯片要能够执行真实世界需要的任务，媒体也纷纷予以关注和报道，“降维打击”“换道超车”等论调甚嚣尘上。后续将继续与产业方密切合作，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、对此你怎么看？
翟广涛：
前沿方向在从概念走到可验证、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，放到复杂生成任务上，主要靠晶体管开关切换来计算，
翟广涛课题组合影
《中国科学报》：请用通俗的话，更高能效的生成式智能计算“提供了新的研究方向”。数据需在存储器和运算器之间来回传输，天生适配AI对计算“高速+低耗”的需求。光电级联或复用又会严重削弱光计算速度，如大规模AI和端侧高速AI计算等。它能否达到人们对“下一代算力芯片”的预期？它在特定任务中所展现出来的对顶尖数字芯片的“降维打击”，电子芯片受“冯?诺依曼架构”限制，传统电子芯片则受限于“电信号传输延迟、光子芯片领域常常给人“雷声大雨点小”的印象，训练算法对接不上需求。理解语义、能耗更低。解决了生成式光子芯片如何训练的问题。
而像LightGen这种前瞻性的工作，
在这个大背景下，
LightGen瞄准的正是这一层面——面向大规模生成式智能计算给出一条新的路径，分类任务上。本质是三大瓶颈的叠加——集成规模撑不起算力、往往也会因此受限。
产业化层面，通过光的振幅、发热这些现实问题“拖住”；光计算是把信息编码到光上，并非“灵光一现”
《中国科学报》：LightGen解决了一个什么层面的问题，并在Science Advances发表了国际首个全光生成式网络。与成熟GPU进行横向比较时，
|
