Akhetonics 光子计算：速度提升 1000 倍的 CPU

# Akhetonics 光子计算：快 1,000 倍的 CPU！ 来源：https://medium.com/@timventura/akhetonics-photonic-computing-1-000x-faster-cpus-b9e91c470079 ## 了解 Akhetonics 如何将光子转化为可编程的太赫兹级处理器——以及他们仍需攻克的内存、封装和功耗难题。 Tim Ventura (https://medium.com/@timventura?source=post_page---byline--b9e91c470079-----------------------------------------) *Akhetonics 表示，他们的光子 CPU 是一种革命性全光计算机的开端：数据以光的形式进入、以光的形式进行交换、以光的形式在内存中循环、再以光的形式输出。公司联合创始人兼首席技术官 Leonardo Del Bino 将最难的工程问题浓缩为五个字："光不喜欢停下来。"公司联合创始人兼首席执行官 Michael Kissner 表示，公司计划在 2026 年底前与一家主要客户部署首台商用机器。在这些说法之间，包含了整个赌注——一个已发表的两位光子 CPU 架构、近 30 代光子芯片、一个旨在接受熟悉代码的编译器、太赫兹时钟频率的雄心，以及关于功耗、封装、内存、制造，以及这一切能否在实验室之外超越电子计算的未解之谜。* ## 一台由光纤和封装模块构成的光子计算机 要理解 Akhetonics 的光学计算机，首先要明白它目前还不是一台完整的机器。它是一组设备、测试结构、封装芯片、软件、架构理念和日益集成的原型的集合。在公司慕尼黑运营中心的画面中，Del Bino 穿过一个正在组装早期系统的房间时为凌乱的场面道了歉。在一个标准机架机箱内，放置着一块计算板，板上设计用于在封装模块中安装四块光子芯片，还配有一个负责信息路由的协调器。光纤阵列将光引入芯片并把输出带走。电气连接为选定的设备供电。仪器测量各组件是否按照设计运行。 这个场景看起来可能很熟悉，直到弄清所有这些光纤的用途。光子学已经嵌入到现代数字世界中：光纤网络承载着跨洲跨洋的互联网流量，光收发器连接数据中心设备，硅光子技术正稳步向处理器靠近。但这些系统中的大多数在开始计算时会将光转换为电信号。Akhetonics 希望消除这一边界。Kissner 在描述预期的数据路径时说："我们没有任何电子转换。"他的意思是，被处理的信息应该保持光的形式——而不是说这台机器完全没有电子元件。 激光仍然需要电力。放大器、调谐器、监控电路、控制系统、主机和其他支持设备同样需要。公司更准确的说法是，计算数据不必在光学域和电子域之间反复转换。在 Akhetonics 描述的最终架构中，信息将通过光学接口进入，经过光学逻辑处理，在光学内存中循环，并在专用光学单元之间传递。常规电力将维持机器运行，但光子将承载那些重要的比特。 当公司讨论"原型"时，多个开发阶段可能会变得模糊。有一个已发表的两位处理器架构，旨在展示通用光学计算。还有单独的光学逻辑门、解码器、内存结构、路由设备和多芯片实验室组装。然后是 Kissner 说将由数十块或数百块光子芯片组成的更大商用系统。关键问题不是 Akhetonics 是否已经让光完成了计算——他们已经记录了一套可信的架构和组件工作。问题是所有这些部件能否变成一台可靠的、可编程的、具有经济价值的计算机。 ## 引领向光的安全问题 Kissner 并非通过半导体研究的常规路径走向光子计算。他在德国军队担任了 12 年空降步兵军官，他说自己从事过特种作战相关的工作，同时在计算、编程、网络安全和白帽黑客领域维持着平行的人生。后来他完成了计算机科学博士研究，方向是用于心理模拟的神经-符号框架，研究涉及逆向图形学、直觉物理、元学习、情景记忆，以及将符号推理与神经网络结合的系统。他说："我一直是个极客，"承认这份履历不像经营一家光学芯片公司的标准准备。 他最初的关切不是如何制造最快可能的处理器。而是如何制造一台可以被信任的处理器。现代高性能芯片包含数十亿个晶体管、复杂的供应链、层层叠叠的专有知识产权，以及客户在实践中无法逐个门电路检查的设计细节。对于一个思考后门和安全计算的人来说，复杂性本身就是一种风险。Kissner 回忆当时问的问题是："你怎么造一台超高安全性的 CPU？"任何有用的答案还必须保留足够的性能来运行严苛的加密运算，而不能让安全变成不可承受的减速。 全同态加密就是一个例证。它可以在加密数据上进行计算，而不向执行任务的机器暴露底层信息，从而为一种"云服务永远看不到客户未加密数据"的场景提供了概念路径。但计算成本可能是巨大的。数学上可行，硬件上往往不切实际。Kissner 寻找能够兼顾可检查性、安全性和速度的架构，最终引导他走向了光学计算——也走向了一位已经花了多年试图让光表现得像逻辑的激光科学家。 Del Bino 此前一直在研究用于超冷原子和量子模拟的激光器，后来在英国国家物理实验室和德国马克斯·普朗克光科学研究所的研究中转向了全光逻辑门和内存。Kissner 在新冠疫情期间通过 LinkedIn 联系了他。Del Bino 的第一反应是怀疑："这个疯子是谁？"当限制放宽后，他们在巴伐利亚的一家啤酒花园见面，做了粗略的计算，得出结论：没有明显的物理定律否定这个想法。更重要的是，他们认识到 Del Bino 的器件层面方法和 Kissner 的架构层面方法必须共同发展。 ## 当更快的计算机不再变快 几十年来，计算机用户将进步体验为一个简单的节奏：新一代处理器到来，软件变得更苛刻，下一代硬件让一切再次变得飞快。缩小晶体管持续而稳定地提高了密度、性能和经济效益，以至于业界几乎将摩尔定律视为自然法则。一个在某一代硬件上吃力的程序，几年后可能轻松运行。晶体管数量在增长，时钟速度在攀升，程序员们可以期待明天的机器拯救今天的低效代码。 这种模式在 2000 年代中期被打破了。随着电压和晶体管尺寸不再像以前那样整齐地同步缩小，推高时钟频率在散热上变得昂贵。处理器制造商越来越多地转向双核、四核和多核设计。并行性维持了整体进步，但它改变了这场交易。仅仅因为新芯片包含更多核心，单一线程的指令序列并不会自动变得显著更快。软件必须暴露可以同时执行的工作，而有些问题固执地保持着串行性质。 现代处理器的能力远非其前辈可比，但主流 CPU 的时钟频率仍停留在几 GHz 的水平。如今的收益来自于更好的微架构、推测执行、更大的缓存、向量指令、更多核心、专用单元、先进封装、小芯片和更快的内存接口。处理器芯片面积的很大一部分并非用于算术运算，而是用于保留和搬运数据：缓存、互连、控制器，以及防止快速执行单元等待慢速内存的机制。 这并不意味着摩尔定律简单地终结了，也不意味着电子计算停止了进步。也不应该将"3 纳米"等现代节点名称理解为每个晶体管上某个实际特征的尺寸。这些名称现在描述的是技术世代，而非单一的物理维度。更重要的一点是，最前沿的制造已变得异常困难和昂贵，缩小器件不再保证早期时代那种轻而易举的性能和效率提升。Akhetonics 押注于一种不同的物理介质能够开辟一条不同的扩展路径。 ## AI 隐藏的数据搬运税 人工智能使得当前架构的局限性变得格外明显。GPU 可以并行执行大量数学运算，尤其是支配神经网络训练和推理的矩阵计算。但算术只是工作的一部分。模型权重、激活值、中间结果、提示、上下文和生成的输出必须不断在加速器核心、高带宽内存、主机处理器、网络设备和存储系统之间搬运。 一块 GPU 可能在等待下一批数据的同时已经准备就绪。一组 GPU 可能在等待网络交换机在机架间搬运信息的同时准备就绪。一个 AI 代理可能调用一个模型，等待答案，决定调用哪个工具，检索更多数据，然后将另一个作业送回加速器。每次转换都带来延迟。每条电气走线和电缆都有物理限制。每次转换、重定时器、交换和内存访问都会为一个总成本可能被搬运而非乘法主导的过程增加能量。 这就是为什么光子学已成为那些不试图建造光学 CPU 的公司计划的核心。用光链路替代较长的电气链路可以增加带宽并降低每比特传输的能耗。共封装光学将光学接口拉近到交换芯片旁边。光学小芯片可以缩短处理器与其承载数据的光纤之间的电气距离。这些变化都不要求放弃电子 CPU 或 GPU。它们改善的是它们之间的道路。 近期的产业投资规模表明，既有的半导体世界对这个问题有多重视。2026 年 3 月，Nvidia 宣布分别向 Coherent 和 Lumentum 投资 20 亿美元，以扩展光子学研究、组件、制造产能，以及为未来 AI 系统提供获取渠道。其 Spectrum-X 光子学项目推动了共封装光学交换机的每端口 1.6 太比特每秒速率，以及供应商声称的在效率和弹性方面的显著提升。5 月，Nvidia 和 Corning 宣布计划将 Corning 在美国的光学连接产能提高十倍，并将国内光纤产能扩大超过 50%。对 AI 带宽问题的主流回应正变得越来越光子化。 ## Akhetonics 拒绝止步于更好的光学导线 大多数行业出于充分的理由选择了混合路线。光链路可以缓解通信瓶颈，同时基本保留已被验证的电子计算和内存。数据中心可以采用光子网络，而无需重写每个应用程序或更换每个处理器。这种方法降低了技术风险，保留了熟悉的制造和软件生态系统，并让公司在经济效益最清晰的地方引入光学技术。 Akhetonics 认为这个方案走得不够远。Kissner 将混合光电系统比作混合动力汽车：有用的机器，但不是一个人在完全投入新介质后会设计的架构。只要光学信号仍需转换为电子来进行逻辑运算和内存访问，公司认为，系统就保留了转换延迟、电气数据搬运，以及光子学本应避免的许多瓶颈。 因此，其提出的计算机远比光互连宽泛得多。一个光学数据接口将接收和发送信息。一个数字光学处理器将控制程序流。光学局部内存和栈内存将保存工作数据。只读光学内存可以存放代码，而更大的全局内存可以存储模型和数据集。可重构的功能单元将执行专用运算。多个波长可以在共享结构中承载独立的信息流。电力将为辅助装置提供能量，但数据本身将保持光学形态。 公司最初将这一广泛的架构称为 XPU，即跨域处理单元，因为它旨在融合数字、模拟以及潜在的量子光子功能。其更近期的商业身份现在是 RPU，即推理处理单元。这一变化不仅仅是品牌重塑。它反映了一个战略决定：首先聚焦于串行、分支密集型的工作负载，如自动推理、验证和优化——Akhetonics 认为这些问题被主导 AI 的并行架构服务不足。 ## 教一束光控制另一束光 现代电子计算机由晶体管构成：一个微小的器件，其中一个电信号控制另一个。Kissner 认为，如果你在光中重现这个基本功能，光子数字计算机的基础就开始浮现。所需的器件是一个全光开关——一束光决定另一束光是通过、改变还是被抑制。 Kissner 用变色太阳镜作直观类比。阳光改变镜片，使其变暗并影响穿过它们的其他光线。Akhetonics 芯片内部的真实器件要复杂得多，但概念类似：光改变材料的光学特性，而这种改变控制着第二路光学信号。这是一种非线性相互作用，因为输出不是输入的简单比例复制。 困难在于，光通常不愿与其他光发生相互作用。这正是光纤通信如此有效的原因之一：多个信号可以在同一介质中共享而不会自动碰撞。计算需要在精心选择的位置产生相反的行为。机器需要强而可控的非线性来实现逻辑门、信号恢复、分支、内存、模拟激活函数和量子前馈。Akhetonics 表示，他们在光子集成电路中使用了 III-V 族半导体材料和二维材料来创造这些相互作用。 Akhetonics 的光子设计工程师 Peter Caruana 背景涵盖物理学、光学、计算机科学、机器学习和图形学，他将集成芯片上的低功率光学非线性称为光子学的"圣杯"。硅提供了成熟的制造工艺，但可能引入不需要的非线性效应，如双光子吸收。氮化硅因其相对低损耗的波导而具有吸引力。磷化铟可以提供有源特性、放大功能和有用的非线性效应。其奥妙不在于选择某一种神奇的物质，而在于将材料、器件和代工工艺组合成一个能反复工作的系统。 ## 理论与制造现实相遇的实验室 光子设计始于