光芯片火力全开_芯片_光子

近几十年以来，微电子技能与电子芯片家当遵照着摩尔定律不断发展，随着传统制程工艺逼近极限，电子芯片在进一步提升打算速率和降落功耗方面的技能打破，面临难以办理的瓶颈。

在后摩尔时期，光芯片这一颠覆性技能被视为破局的关键。

尤其是当前对算力的需求来看，随着AI的爆发，在未来10年中，增长越来越缓慢的电子芯片，难以匹配增长越来越快的数据需求。

由此，光芯片进入了人们的视野。

然而，从行业现状来看，光芯片仿佛始终是“雷声大，雨点小”，并未在市情上见到太多运用案例。
那么，在强大上风背后，光打算芯片目前发展现状究竟如何？取得了哪些打破和进展，以及还面临哪些棘手的寻衅？

光芯片，难觅用武之地？

实际上，光芯片很早就有，已经很成熟，比如2000年前后的海底光缆，光通讯两端的收发模块都是光子芯片，乃至在上课或开会时用的激光笔，里面也有激光器芯片，也是一种光子芯片。

但这些是不可编程的光学线性打算单元，以是无法利用于打算领域。
要想通过光来提升算力，具有实用代价的打算单元就必须具备可编程性。

可编程光学系统的研究打破

（图源：nature photonics）

而针对光打算的研究也很早就开始了，始于20世纪60年代，但受到当时运用范围有限以及电子打算技能快速发展的影响，光打算处理器未能成功迈向商用。

直到最近10年，这种光打算芯片才逐渐取得打破性进展。

尤其是在当前时期，AI运用正推动对算力的需求，光芯片作为主要的潜在颠覆性技能路径，光打算芯片近年来又重新受到广泛关注。

光芯片的核心是用波导来代替电芯片的铜导线，来做芯片和板卡上的旗子暗记传输，实在便是换了一种介质。
当光在波导里面传输的时候，波导和波导之间涌现光旗子暗记干涉，用这个物理过程来仿照线性打算这一类的打算过程，即通过光在传播和相互浸染之中的信息变革来进行打算。

与最前辈的电子神经网络架构及数字电子系统比较，光子打算架构在速率、带宽和能效上上风突出。
因此，光子打算能够有效打破传统电子器件的性能瓶颈，知足高速、低功耗通信和打算的需求。

片上光子打算处理示意图

（图源：SEMI半导体研究院）

须要指出的是，光子打算的发展目标不是要取代传统打算机，而是要赞助已有打算技能在根本物理研究、非线性方案、机器学习加速和智能旗子暗记处理等运用处景更高效地实现低延迟、大带宽和低能耗。

硅光打算芯片通过在单个芯片上集成多种光子器件实现了更高的集成度，还能兼容现有半导系统编制造工艺，降落本钱，办理后摩尔时期AI硬件的性能需求，打破冯·诺依曼架构的速率和功耗瓶颈。
（聊硅光加微信Monica2049ME）

综合来看，光芯片的上风可以总结为：速率快/低延迟、低能耗、善于AI矩阵打算等。

因此，光打算芯片在AI时期迎来新的用武之地。

光芯片迎来打破性进展

光打算芯片可对神经网络演习和推理过程中的大规模矩阵运算、神经元非线性运算进行加速，还可通过对不同神经网络的拓扑构造进行硬件构造映射，来提高芯片的通用性和灵巧性。

据理解，在人工神经网络打算加速方面，基于硅光平台的神经网络已取得多项进展。

早在2016年，麻省理工学院（MIT）的光子AI打算研究团队就打造了首个光学打算系统，2017年就以封面文章的形式揭橥在了顶级期刊Nature Photonics杂志上。

国际著名光学科学家、斯坦福大学终生正教授David Miller, 曾评价称这一系列的研究成果极大地推动了集成光学在未来取代传统电子打算芯片的发展。
于是一篇论文在环球范围内启示了许多人投入到光子AI芯片的开拓中，可以说是首创了光子AI打算领域发展的先河，受到业内瞩目。

2017年，曦智科技创始人沈亦晨（MIT团队成员之一）等人提出一种基于硅光平台的全光前馈神经网络架构，采取马赫-曾德干涉仪（MZI）进行神经元线性部分的打算，非线性激活函数则通过电域仿真的方法实现。

随着技能不断发展，基于硅光平台的神经网络也逐步走向商业化。
例如，美国AI芯片公司Lightmatter推出通用光子AI加速器方案“Envise”；曦智科技在2019年4月对外宣告开拓出了天下第一款光子芯片原型板卡，2021年推出了光子打算处理器“PACE”。

环球第一个示范出光子上风的打算系统PACE

据悉，“PACE”把最早4×4的乘法器，提升到了把上万个光器件集成在一块芯片上面，单颗光芯片上的器件集成度提高了3个数量级，系统时钟达1GHz，运行特定循环神经网络速率可达目前高端GPU的数百倍，这是光子打算领域一个长足的进步。

沈亦晨表示，“PACE是环球仅有的，第一个示范出光子上风的打算系统，也是已知环球集成度最高的光子芯片，能够展示光子打算在人工智能和深度学习以外的运用案例。
如果和英伟达的GPU 3080跑同一个循环神经网络算法，PACE花的韶光可以做到GPU的1%以内。
”

在此之前，华为在2019年公开了一份名为“光打算芯片、系统及数据处理技能”的发明专利，接着在2021年华为环球剖析师大会上表示，“到2030年，算力需求将增加100倍，如何打造超级算力将是一个巨大的寻衅，未来仿照打算、光子打算面临巨大的运用处景，以是目前华为也在研究仿照打算与光子打算。
”

近几年来，国内外企业、高校和研究机构也纷纭对此展开研究，取得了一系列成果和打破。

清华团队研发超高速光电打算芯片，算力超3000倍

去年10月，清华大学自动化系戴琼海院士、吴嘉敏助理教授与电子工程系方璐副教授、乔飞副研究员联合攻关，提出了一种“解脱”摩尔定律的全新打算架构：光电仿照芯片（ACCEL），算力可达到目前高性能商用GPU芯片的3000余倍，能效提升四百万余倍，为超高性能芯片研发开辟全新路径。

干系成果以《面向高速视觉任务的纯仿照光电打算芯片》（All-analog photo-electronic chip for high-speed vision tasks）为题揭橥在 Nature 上。

光电打算芯片ACCEL的打算事理和芯片架构

（来源：Nature）

据理解，在这枚光电打算芯片中，清华大学攻关团队创造性地提出了光电深度领悟的打算框架。
从最实质的物理事理出发，结合了基于电磁波空间传播的光打算，与基于基尔霍夫定律的纯仿照电子打算，“解脱”传统芯片架构中数据转换速率、精度与功耗相互制约的物理瓶颈，在一枚芯片上打破大规模打算单元集成、高效非线性、高速光电接口三个国际难题。
在担保高任务性能的同时，还实现超高的打算能效和打算速率。

实测表现下，ACCEL光电领悟芯片的系统级算力较现有的高性能芯片架构提升了数千倍。

然而，这还只是这枚芯片诸多上风的个中之一。

在研发团队演示的智能视觉任务和交通场景打算中，光电领悟芯片的系统级能效，实测达到了74.8 Peta-OPS/W，是现有高性能芯片的四百万余倍。
形象来说，原来供现有芯片事情一小时的电量，可供它事情五百多年。

此外，在超低功耗下运行的ACCEL有助于大幅度改进发热问题，对付芯片的未来设计带来全方位打破，并为超高速物理不雅观测供应算力根本。

更进一步，该芯片光学部分的加工最小线宽仅采取百纳米级，而电路部分仅采取180nm CMOS工艺，已取得比7nm制程的高性能芯片多个数量级的性能提升。
同时所利用的材料大略易得，造价仅为后者的几十分之一。

凭借诸多上风，ACCEL未来有望在无人系统、工业检测和 AI 大模型等方面实现运用。
目前团队仅研制出特定运算功能的光电领悟事理样片，需进一步开展具备通用功能的智能视觉运算芯片研发，以进行大范围运用。

可以预见，随着我国芯片加工技能不断提升，更多新材料的加入，这种颠覆性架构未来的潜力将得到更多开释。

新型芯片开启光速AI打算之门

前不久，美国宾夕法尼亚大学工程师也开拓了一种新型芯片，它利用光而不是电来实行演习AI所必需的繁芜数学运算。

该芯片有可能从根本上加快打算机的处理速率，同时还可降落能源花费。
干系研究揭橥在《自然·光子学》上。

据先容，该芯片首次将本杰明·富兰克林奖章得到者纳德·恩赫塔在纳米尺度上操纵材料的首创性研究与硅光子(SiPh)平台结合起来。
前者涉及利用光进行数学打算，后者利用的是硅。

光波与物质的相互浸染代表着开拓打算机的一种可能路子，这种方法不受当今芯片局限性的限定。
新型芯片的事理实质上与20世纪60年代打算革命初期芯片的事理相同。

研究职员描述了这种芯片的开拓过程，其目标是开拓一个实行向量矩阵乘法的平台。
向量矩阵乘法是神经网络开拓和功能中的核心数学运算，而神经网络是当今支持AI工具的打算机体系构造。

恩赫塔阐明说，他们可将硅晶片做得更薄，比如150纳米，并且利用高度不屈均的硅晶片，在无需添加任何其他材料的情形下，这些高度的变革供应了一种掌握光在芯片中传播的方法，由于高度的变革可导致光以特定的模式散射，从而许可芯片以光速进行数学打算。
但这仅限于特定领域。

除了更快的速率和更少的能耗之外，新型芯片还具有隐私上风。
由于许多打算可同时进行，因此无需在打算机的事情内存中存储敏感信息，从而使采取此类技能的未来打算机险些无法被入侵。

逆向设计高集成度光打算芯片

逆向设计高集成度光子集成器件是近年来的前沿热点研究方向。

近日，美国宾夕法尼亚大学Vahid Nikkhah，Nader Engheta等学者提出了高效率仿真新方法，逆向设计了大矩阵维度的光学向量-矩阵乘法打算芯片。

传统的逆向设计过程中，光场仿真韶光随器件面积指数级增长，这限定了器件的设计面积与矩阵打算维度。

为理解决这个问题，该团队提出一种压缩光场仿真韶光的方法——p2DEIA，基于光传播的二维有效折射率近似，能够大幅缩减逆向设计仿真韶光，打破传统方法在器件面积上的限定，从而设计大矩阵维度的光学向量-矩阵乘法芯片。

此外，由于p2DEIA方法折半射率的约束，该芯片具有无定形透镜型构造，可以避免谐振特色引起的窄带宽和制造偏差敏感性，这在实现大规模集成的光打算芯片中发挥关键浸染。

(a)：p2DEIA方法示意图；

(b)：无定型透镜构造示意图

干系研究职员利用该方法，打破了仿真本钱造成的逆向设计面积瓶颈，并成功设计出了大矩阵维度的光学向量-矩阵乘法器，可以完成1×N向量与N×N矩阵的乘法。

向量-矩阵乘法器设计示意图

研究职员利用该方法设计了3种向量-矩阵乘法器芯片，矩阵维度分别是2×2、3×3和10×10，并进行了干系器件测试。
实验结果表明，该乘法器的实测性能与仿真性能非常靠近，这为实现大规模集成的光打算芯片供应了新的方法和思路。

中科院成功研制出光打算芯片

据宣布，中科院李明研究员和祝宁华院士团队也成功研制出光打算芯片。

目前而言，绝大多数传统芯片都是基于冯·诺依曼打算范式的电子芯片。
但电子芯片存在的能耗较高、随意马虎发热等一些问题始终无法办理，而且在打算时还会涌现数据潮汐的传输问题。
当电子数据犹如海潮一样平常袭来，数据吸收和处理端自然会有点“惊悸失措”，影响其性能。

然而，光打算则不同。

光芯片利用光波作为载体进行信息处理，具有低延时、低功耗、大带宽等诸多优点，这是一种“传输即打算，构造即功能”的打算架构，有望避免冯·诺依曼打算范式中涌现的数据潮汐传输问题。

尤其是在人工智能领域，常常须要处理大规模的数据和实行繁杂的打算任务，因此须要强大的打算能力和高速的数据传输能力。

对此，中国科学院开启了全速研发，2023年5月，中国科学院发布称，已成功研制出一款超高集成度光学卷积处理器，成功打破了“光打算”技能的壁垒。
干系研究成果揭橥在《自然-通讯》上。

据悉，这款芯片的运算速率比英伟达的A100还要快1.5-10倍。
同时，这款光打算芯片功耗比传统的AI芯片功耗要低很多，关键是不须要利用高端光刻机就可以完成生产。

研究者表示，光学卷积处理单元通过两个4×4多模干涉耦合器和四个移相器，布局了三个2×2干系的实值卷积核。
与其它光打算方案比较，该方案具有高算力密度、超高的线性扩展性。

基于这种技能，光芯片性能再次提升，而一旦这种技能运用于AI领域，能实现对现有AI芯片的颠覆，其速率可能不但是快1.5倍-10倍，可能会更快，运用空间广阔。

环球领先的微波光子芯片

日前，喷鼻香港城市大学副教授王骋团队与喷鼻香港中文大学研究职员互助，利用铌酸锂为平台，开拓出处理速率更快、能耗更低的微波光子芯片，可利用光学进行超快仿照电子旗子暗记处理及运算。
研究成果已在国际威信学术期刊《自然》上揭橥。

据理解，微波光子技能利用光学元件以产生、传输和调控微波讯号，但集成微波光子系统一贯难以同时实现芯片集成、高保真度及低功耗的超高速仿照旗子暗记处理。

为办理这一难题，该团队开拓了集成微波光子系统，将超快电光转换模块与低损耗、多功能旗子暗记处理模块同时结合在一块芯片上，这是前所未有的成果。

据先容，这种芯片比传统电子处理器的速率快1000倍，且耗能更低，运用范围广泛，涵盖5/6G无线通讯系统、高解析度雷达系统、人工智能、打算机视觉以及图像和视频处理。
能实现这种卓越效能，是透过基于薄膜铌酸锂平台的集成微波光子处理引擎，该平台能实行仿照旗子暗记的多用场处理及打算事情。

未来，铌酸锂光子集成芯片有望像硅基集成电路一样，成为高速率、高容量、低能耗光学信息处理的主要平台，在光量子打算、大数据中央、人工智能及光传感激光雷达等领域彰显其运用代价。

麻省理工光学AI芯片实现里程碑式打破

麻省理工学院（MIT）光学人工智能团队首次提出将“韶光-空间复用”运用在打算的光芯片设计理念，并采取光电效应做乘法和加法运算。
2023年7月，干系论文以《Deep learning with coherent VCSEL neural networks》为题揭橥在 Nature Photonics 上。

干系论文

（图源：Nature Photonics）

这个打算架构在垂直表面发射激光器（VCSEL）阵列实现，并进行实验验证，实现了整体性能打破。

值得关注的是，该系统实现了光学打算芯片对电子打算的上风，提升了100倍的能量效率和20倍的打算密度，有望在近期内实现多个数量级的提升。

当前，AI正在对人们的生活和事情办法产生颠覆性的变革。
然而，运转大规模的AI模型须要巨大的打算能力、韶光和能量。
例如，演习GPT-4用到16000个NVIDIA A100 GPU连续运转4至7个月，花费本钱高达1亿美金。

光学芯片是在光而非电子的运动根本上进行打算。
由于超高光学带宽和低损耗的数据传输，光打算芯片有可能在短期内实现几个数量级的算力打破，从而成为下一代打算处理器。

但是，目前，与电子打算芯片比较，光打算芯片的能耗、打算密度等性能仍旧有显著差距，可规模化程度低。
其紧张缘故原由包括：电光转换的效率较低导致的高能耗、集成光器件的尺寸较大导致打算密度低、短缺非线性运算导致高延时等。

与现有的光学打算系统比较，这种新型光电系统具有三方面的上风，包括低能量损耗、高打算密度、光学非线性。

新型AI光子打算芯片系统实验方案和结果

（图源：Nature Photonics）

光学打算领域专家、耶鲁大学Logan Wright教授对该研究评价称，“该团队基于调制VCSEL阵列的系统可能是实现大规模、高速光学神经网络的可行路子，这一点鼓舞着我以及该领域的许多其他研究职员。
”

并且他对该技能的发展前景给予充分肯定，他认为，虽然目前这技能仍远未达到实际有用设备所需的规模和本钱，但对未来几年可以实现的目标感到乐不雅观，特殊是考虑到这些系统必须加速非常大规模、非常昂贵的人工智能系统，例如ChatGPT等盛行文本GPT系统中利用的系统。

目前，麻省理工学院博士，现为南加州大学电子工程系助理教授陈在俊课题组致力于开拓高算力、规模化的光学AI打算方法。
据悉，目前团队已经干系申请专利。
通过整合目前已有的集成封装技能，加速规模化。

存内光打算

牛津大学博士后董博维所在的课题组，是目前环球唯一实现存内光打算的实验室。
该团队由Harish Bhaskaran院士卖力，紧张研究存内光打算，即存内打算与光打算的结合。

在传统的冯诺依曼架构之中，由于大量数据在内存和处理器之间通报，故会带来能耗问题和延时问题。
而在存内打算之中，内存和处理器在空间上可以重叠放置，从而很好地办理上述问题。

对付光打算来说，它能很好地利用光的高速、低能耗、高并行度等上风，从而办理电打算的对应瓶颈。

要想实现存内光打算，光存储器是一个必不可少的组件。
光存储器能够以非易失落性的办法，改变功能材料的光学特性，即改变材料的折射率或接管率，从而实现非易失落性光存储。

2015年，董博维所在团队曾利用锗锑碲材料首次实现硅光芯片上可控非易失落性光存储，并于2019年实现存内光矩阵的运算。

对付人工智能的数据处理来说，高并行度可谓至关主要。
传统的中心处理器CPU，采取的是线性处理的办法，即在单位韶光之内实行一次运算。
图像处理器GPU则采取并行处理办法，在单位韶光之内可以并行处理多次运算。
这也正是GPU被广泛用于人工智能家当的缘故原由。

高并行度，是光的一大上风。
同时，由于光具备不同的自由度，因此可被用于提高其处理并行度，比如不同的偏振、不同的空间模式、不同的波长等。

过去，人们认为采纳波分复用的办法，可以供应上限最高的并行度。
直到2021年，董博维所在课题组通过利用光的波分复用特性、以及存内光矩阵运算，实现了并行度为4的存内光矩阵运算，并将其成功用于高速图像卷积处理运用中。

近期，该团队创造波分复用所供应的并行度提升并不是存内光打算的上限。
通过光电集成，可以很方便地将射频自由度引入存内光打算，实现数个量级的打算并行度提升，这不仅对光打算大有裨益，同时还可用于光通信、光传感等领域。

此外，该团队采取了光电稠浊芯片的设计办法，个中的可控光学交叉阵列设计十分奥妙，具有很强的拓展性。
当把运算单元在二维平内内平铺展开，即可实现大存内光打算矩阵。

为了展示高并行度的上风，课题组在实验中仅利用一个芯片，就能对100张心电图同时进行卷积处理，在患者去世亡风险判别上实现了93.5%的准确率。

通过并行利用更多的光波长与射频频率，利用这一方法将能在单一芯片中，针对1000多个数据流进行同时处理，从而能在边缘云打算场景中发挥主要浸染。

未来，各团队将连续拓展存内光打算芯片的输入、输出规模，让其能够知足更多的运用处景。

其余，他们还将实现更高效的光电集成。
在本次事情中，课题组只是验证通过引入射频自由度来提高光打算并行度的可行性，然而当前不少光电器件采取的依然是片外独立器件。

因此在接下来的事情中，他们非常期待可以将光调制器、光电探测器、解（复用）器件，乃至是光源都集成到单个芯片中，实现高集成度系统。

此外，本次研究中利用了波长自由度和射频自由度，但是光还具有其它自由度，比如常见的偏振自由度和空间模式自由度，基于此课题组还将通过利用更多光自由度，进一步地提高系统并行性。

超大规模集成光量子打算芯片

2023年4月，北京大学王剑威研究员、龚旗煌教授课题组与互助者经由6年联合攻关，研制了基于超大规模集成硅基光子学的图论“光量子打算芯片”——“博雅一号”，发展出了超大规模集成硅基光量子芯片的晶圆级加工和量子调控技能，首次实现了片上多光子高维度量子纠缠态的制备与调控，演示了基于图论的可任意编程玻色取样专用型量子打算。

干系研究成果以《超大规模集成的图量子光子学》为题，在线揭橥于《自然·光子学》。

据研究团队先容，图论是数学和打算机科学的一个主要分支，可以用来描述被研究工具间的繁芜关系。
图论也为描述与刻画量子态、量子器件和量子系统等供应了强有力的数学工具，如图纠缠态是通用量子打算的主要资源态，量子行走可以仿照图网络构造，图可以描述量子关联、研究量子网络等。

图论“光量子打算芯片”是一种以数学图论为理论架构，描述、映射并在芯片上实现光量子打算功能的新型量子打算技能。

北京大学课题组与互助者经由6年联合攻关，发展出了基于互补金属氧化物半导体工艺的晶圆级大规模集成硅基光量子芯片制备技能和量子调控方法，研制了一款集成约2500个元器件的超大规模光量子芯片，实现了基于图论的光量子打算和信息处理功能。

宣布指出，这一光量子芯片可与复数图完备逐一对应，图的边对应关联光子对源，顶点对应光子源到探测器的路径，芯片输出多重光子计数对应于图的完美匹配。
通过编程该光量子芯片可任意重构八顶点无向复图，并实行与图对应的量子信息处理和量子打算任务。

量子纠缠是研究量子根本物理和量子打算前沿运用的核心资源。
然而，如何在芯片上制备多光子且高维度的量子纠缠态，一贯存在诸多理论和实验寻衅。

研究团队利用该光量子芯片，首次实现了多光子且高维度的量子纠缠态的制备、操控、丈量和纠缠验证，验证了四光子三维GHZ真纠缠。
在图论统一架构下，单一芯片编程实现了多种主要量子纠缠态。
多光子高维纠缠可为高维通用型量子打算供应关键资源态。
据先容，基于图论的可编程玻色取样专用型量子打算芯片有望为化学分子仿照、图优化求解、量子赞助机器学习等供应有效办理方案。

光芯片成果不断，落地缓慢？

光芯片看起来是很不错的技能路径，但到底多久才能落地？

经纬创投认为，光芯片商业化有两大路径：第一种思路是短期内不寻求完备替代电，不改动根本架构，最大化地强调通用性，形成光电稠浊的新型算力网络；另一种思路是把光芯片模块化，不仅仅追求在打算领域的运用，还追求在片上、片间的传输领域运用，追求光模块的“即插即用”。

硅光芯片不是靠尖端制程来得胜，更多是靠速率和功耗，比如光的调制解调的速率、功耗，还有多波复用，在一个波导里面同时能通过多少路光等。

可以理解为，光芯片最大的上风在于技能通用性。

这也不难明得，由于无论是生产商还是客户，最大的诉求之一便是要确保通用性。
产品实现“开箱即用”才能够最大限度降落学习本钱，不须要对现在的底层框架进行过多修正，就能够适配到成千上万个运用处景中。
以是不动根本架构，而是把线性打算的打算核部分用光来部分替代，形成光电稠浊的算力网络新形式，是最快的商业化路径。

另一方面，环球光打算芯片竞赛，各国和地区相继出台政策推动发展。

美国国防部高等研究操持局(DARPA) 早在2019年就启动“未来打算系统”项目，以研究具备深度学习能力、高算力和低功耗的集成光子芯片。

欧盟在2020开始启动PHOOUSING项目，致力于开拓基于集成光子技能的将经典过程和量子过程结合起来的稠浊打算系统。

我国科技部“十四五”重点专项报告指南中，也将信息光子技能、高性能打算、物态调控、光电稠浊AI加速打算芯片列为主要内容，个中包括光电稠浊AI加速打算芯片、量子打算、基于固态微腔光电子芯片、光学神经拟态打算系统等技能的研发。

能看到，如何为智能时期供应更强大算力，许多国家已在思考下一波的发展浪潮，光打算正是颇具潜力的选项之一。

潜力之下，光芯片寻衅尚在

虽然提到了很多上风，但光芯片作为一项前沿技能，一定有很多寻衅有待战胜。

对付我国光芯片家当的发展路径，有业内人士认为或将经历两个阶段：

1）在细分领域凭借自身技能实力，绑定优质客户实现入口替代；

2）产品品类横向扩展，打开远期发展天花板。

由于光芯片行业具备细分品类较多等特点，中短期内看好在细分领域中具备深厚技能积累，且已绑定优质客户的国产厂商，有望率先开启入口替代步伐，霸占先发上风；长期来看，具备较强暴向扩展能力的光芯片企业更具备竞争上风。

写在末了

光子打算供应了一条超越摩尔定律的算力提升路径。

这一技能方向在过去几年中正在逐渐变热，除了上述高校、研究机构和初创企业的研究之外，包括一些芯片巨子、晶圆厂、EDA公司、封测厂等各环节企业都在积极布局。

虽然光打算还没有完备落地，但硅光芯片每个家当链环节的全面性，是光打算芯片量产的条件。

正如一位投资人所言：这是一个全新的赛道，“超越摩尔定律”也是一个激动民气的口号，但险些没有前路可以借鉴，开拓者们正在披荆斩棘，技能寻衅与商业化风险并存。
但唯一可以确定的是，人类社会对提升算力的追求，正比以往任何一个时候都更加急迫。

经纬创投：英伟达暴涨、ChatGPT浪潮下，一条超越摩尔定律的算力提升路径——光打算芯片

科技日报：新型芯片开启光速AI打算之门

与非网：打破摩尔定律限定，光子打算是实现超级算力的归途

DeepTech深科技：清华团队研发光电领悟芯片，算力是商用GPU的3000余倍，推动构建生态友好的AI打算框架