人工智能不斷發(fā)展，對保持AI運行所需的計算能力的渴望也與日俱增。
Lightmatter，一家誕生于MIT的初創(chuàng)公司，他們正在押注一款使用光運算的AI芯片，他們認為這種無盡的渴求正在給他們帶來新的機會。
Lightmatter首席執(zhí)行官尼克·哈里斯（Nick Harris）說：“在這種場景下，要么我們發(fā)明新的計算機以繼續(xù)下去，要么人工智能放慢速度。”
常規(guī)的計算機芯片通過使用晶體管來控制通過半導體的電子流來工作。通過將信息減少為一系列的1和0，這些芯片可以執(zhí)行各種邏輯運算，并為復雜的軟件提供功能。
相比之下，Lightmatter的芯片僅設計用于執(zhí)行特定類型的數(shù)學計算，這對于運行功能強大的AI程序至關重要。
哈里斯（Harris）最近在公司位于波士頓的總部向WIRED公司展示了這種新芯片。它看起來像是一個普通的計算機芯片，上面有幾根光纖線。但是它通過在細小的通道內(nèi)分離和混合光束（僅幾納米）來執(zhí)行計算。下層的硅芯片可協(xié)調(diào)光子部件的功能，并提供臨時的存儲器存儲。
Lightmatter計劃在今年晚些時候開始發(fā)售其首款基于光的AI芯片，稱為Envise。它的合作伙伴將發(fā)貨包含16個Envise芯片的刀片服務器，以適合常規(guī)數(shù)據(jù)中心。該公司已從GV（前Google Ventures），Spark Capital和Matrix Partners籌集了2200萬美元。
該公司表示，根據(jù)任務的不同，其芯片的運行速度比頂級Nvidia A100 AI芯片快1.5至10倍。例如，Lightmatter運行一個名為BERT的自然語言模型，說Envise的速度是Nvidia芯片的五倍。但僅消耗了六分之一的功耗。針對這個，英偉達拒絕置評。
該技術具有技術限制，那就是他們可能很難說服公司轉而使用未經(jīng)驗證的設計。但是，Semico的分析師Rich Wawrzyniak簡要介紹了這項技術，他說他相信這項技術很有可能獲得關注。他說：“他們向我展示的東西-我認為這很好。”
Wawrzyniak期望大型科技公司至少可以測試該技術，因為對AI的需求及其使用成本增長如此之快。他說：“從許多不同的角度來看，這是一個緊迫的問題。” 數(shù)據(jù)中心的電力需求“像火箭一樣攀升”。
對于某些AI計算，Lightmatter的芯片速度更快，效率更高，因為可以在不同波長的光中更高效地編碼信息，并且控制光比通過晶體管控制電子流所需的功率更少。
Lightmatter芯片的一個關鍵限制是它的計算是模擬的，而不是數(shù)字的。這使它本質(zhì)上不如數(shù)字硅芯片準確，但是該公司已經(jīng)提出了提高計算精度的技術。Lightmatter最初會將其芯片推向市場，用于運行預先訓練的AI模型，而不是用于訓練模型，因為后者需要較低的精度，但是Harris原則上可以做到兩者兼而有之。
該芯片將基于訓練大型或“深度”神經(jīng)網(wǎng)絡以理解數(shù)據(jù)并做出有用的決策，從而對一種稱為“深度學習”的AI最為有用。該方法為計算機提供了圖像和視頻處理，自然語言理解，機器人技術以及使業(yè)務數(shù)據(jù)有意義的新功能。但這需要大量的數(shù)據(jù)和計算功能。
訓練和運行深度神經(jīng)網(wǎng)絡意味著需要執(zhí)行許多并行計算，這項任務非常適合高端圖形芯片。深度學習的興起已經(jīng)激發(fā)了新芯片設計的興旺發(fā)展，從用于數(shù)據(jù)中心的專用芯片設計到用于移動設備和可穿戴設備的高效設計。
加州大學洛杉磯分校（UCLA）從事光子計算的Aydogan Ozcan教授認為，人工智能的興起可以使Lightmatter等技術脫穎而出。他建議向新形式的光子計算的轉變甚至可能會開辟新的AI方式。他說：“我們可能會看到在計算速度，功能和并行性方面的重大進步，這將進一步推動并加速AI的成功。”
使用光進行計算的想法可追溯到1950年代。但是事實證明，電子計算對于開發(fā)和商業(yè)化更為實用。貝爾實驗室（Bell Labs）在1980年代嘗試創(chuàng)建一種通用的基于光的芯片，但由于難以構建有效的光敏晶體管而失敗了。
Lightmatter表示，其芯片可以放入現(xiàn)有的數(shù)據(jù)中心，并可以與大多數(shù)主要的AI軟件一起使用。該公司計劃在今年晚些時候推出一種新技術，以使用其光子技術連接芯片，包括其他公司制造的芯片。光被廣泛用于使用光纖電纜在計算機之間傳遞信息。
哈里斯（Harris）認為，由于成本和能源使用的上漲以及即將出現(xiàn)的工程限制，人工智能將在未來幾年陷入困境。隨著工程師試圖將更多的晶體管塞入芯片以提高性能，芯片可能變得過熱而無法管理。
即使芯片制造商繼續(xù)使用聰明的工程和制造方法從設計中提取更多的計算量，但AI領域似乎處于幾乎不可持續(xù)的軌道上。OpenAI的最新數(shù)據(jù)顯示，進行具有里程碑意義的AI研究所需的計算機能力大約每3.4個月翻一番-在2012年至2018年期間增長了300,000倍。
但是一些AI專家警告說，由于不斷擴大計算機功能的成本，AI的進展可能會開始放緩。其他人則擔心耗電量大的AI算法的廣泛使用對環(huán)境的潛在影響。