人工智能不断发展，对保持AI运行所需的计算能力的渴望也与日俱增。

　　Lightmatter，一家诞生于MIT的初创公司，他们正在押注一款使用光运算的AI芯片，他们认为这种无尽的渴求正在给他们带来新的机会。

　　Lightmatter首席执行官尼克·哈里斯（Nick Harris）说：“在这种场景下，要么我们发明新的计算机以继续下去，要么人工智能放慢速度。”

　　常规的计算机芯片通过使用晶体管来控制通过半导体的电子流来工作。通过将信息减少为一系列的1和0，这些芯片可以执行各种逻辑运算，并为复杂的软件提供功能。

　　相比之下，Lightmatter的芯片仅设计用于执行特定类型的数学计算，这对于运行功能强大的AI程序至关重要。

　　哈里斯（Harris）最近在公司位于波士顿的总部向WIRED公司展示了这种新芯片。它看起来像是一个普通的计算机芯片，上面有几根光纤线。但是它通过在细小的通道内分离和混合光束（仅几纳米）来执行计算。下层的硅芯片可协调光子部件的功能，并提供临时的存储器存储。

　　Lightmatter计划在今年晚些时候开始发售其首款基于光的AI芯片，称为Envise。它的合作伙伴将发货包含16个Envise芯片的刀片服务器，以适合常规数据中心。该公司已从GV（前Google Ventures），Spark Capital和Matrix Partners筹集了2200万美元。

　　该公司表示，根据任务的不同，其芯片的运行速度比顶级Nvidia A100 AI芯片快1.5至10倍。例如，Lightmatter运行一个名为BERT的自然语言模型，说Envise的速度是Nvidia芯片的五倍。但仅消耗了六分之一的功耗。针对这个，英伟达拒绝置评。

　　该技术具有技术限制，那就是他们可能很难说服公司转而使用未经验证的设计。但是，Semico的分析师Rich Wawrzyniak简要介绍了这项技术，他说他相信这项技术很有可能获得关注。他说：“他们向我展示的东西-我认为这很好。”

　　Wawrzyniak期望大型科技公司至少可以测试该技术，因为对AI的需求及其使用成本增长如此之快。他说：“从许多不同的角度来看，这是一个紧迫的问题。” 数据中心的电力需求“像火箭一样攀升”。

　　对于某些AI计算，Lightmatter的芯片速度更快，效率更高，因为可以在不同波长的光中更高效地编码信息，并且控制光比通过晶体管控制电子流所需的功率更少。

　　Lightmatter芯片的一个关键限制是它的计算是模拟的，而不是数字的。这使它本质上不如数字硅芯片准确，但是该公司已经提出了提高计算精度的技术。Lightmatter最初会将其芯片推向市场，用于运行预先训练的AI模型，而不是用于训练模型，因为后者需要较低的精度，但是Harris原则上可以做到两者兼而有之。

　　该芯片将基于训练大型或“深度”神经网络以理解数据并做出有用的决策，从而对一种称为“深度学习”的AI最为有用。该方法为计算机提供了图像和视频处理，自然语言理解，机器人技术以及使业务数据有意义的新功能。但这需要大量的数据和计算功能。

　　训练和运行深度神经网络意味着需要执行许多并行计算，这项任务非常适合高端图形芯片。深度学习的兴起已经激发了新芯片设计的兴旺发展，从用于数据中心的专用芯片设计到用于移动设备和可穿戴设备的高效设计。

　　加州大学洛杉矶分校（UCLA）从事光子计算的Aydogan Ozcan教授认为，人工智能的兴起可以使Lightmatter等技术脱颖而出。他建议向新形式的光子计算的转变甚至可能会开辟新的AI方式。他说：“我们可能会看到在计算速度，功能和并行性方面的重大进步，这将进一步推动并加速AI的成功。”

　　使用光进行计算的想法可追溯到1950年代。但是事实证明，电子计算对于开发和商业化更为实用。贝尔实验室（Bell Labs）在1980年代尝试创建一种通用的基于光的芯片，但由于难以构建有效的光敏晶体管而失败了。

　　Lightmatter表示，其芯片可以放入现有的数据中心，并可以与大多数主要的AI软件一起使用。该公司计划在今年晚些时候推出一种新技术，以使用其光子技术连接芯片，包括其他公司制造的芯片。光被广泛用于使用光纤电缆在计算机之间传递信息。

　　哈里斯（Harris）认为，由于成本和能源使用的上涨以及即将出现的工程限制，人工智能将在未来几年陷入困境。随着工程师试图将更多的晶体管塞入芯片以提高性能，芯片可能变得过热而无法管理。

　　即使芯片制造商继续使用聪明的工程和制造方法从设计中提取更多的计算量，但AI领域似乎处于几乎不可持续的轨道上。OpenAI的最新数据显示，进行具有里程碑意义的AI研究所需的计算机能力大约每3.4个月翻一番-在2012年至2018年期间增长了300,000倍。

　　但是一些AI专家警告说，由于不断扩大计算机功能的成本，AI的进展可能会开始放缓。其他人则担心耗电量大的AI算法的广泛使用对环境的潜在影响。