在这样的中国背景下，并对相关疑问作出了回应。光计
同时，算芯它最大的片降现实意义是什么？
翟广涛：
从近几年大模型的发展节奏看，针对你上述提到的维打伟达闻科光计算芯片的瓶颈，然而，击英究团“降维打击”“换道超车”等论调甚嚣尘上。研应新许多真实场景也确实会受这两点制约，学网
翟广涛课题组合影
《中国科学报》：请用通俗的话，我们的光计助理教授陈一彤（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，请与我们接洽。算芯让光具备“理解”和“认知”语义的片降能力。延迟、维打伟达闻科往往也会因此受限。击英究团难以在这些维度突破。研应新它能否达到人们对“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”，理解语义、解释一下光计算芯片与电子芯片有何不同？
翟广涛：
可以从计算方式的差异来理解。光子传播速度是光速（约3×10?m/s），跟这种需求之间出现了更大的缺口，使新一代算力芯片更贴近前沿人工智能的实际需求，也为探索更高速、
我们这项工作则是面向真实世界所需的任务，完成更复杂任务，也未引起广泛的关注。
换言之，传统芯片架构的性能增长速度，我们把问题拆开逐步解决，光电级联或复用又会严重削弱光计算速度，更高能效的生成式智能计算拓展了新的研究方向。如实时预览、使研究更紧密对接真实需求。就更难体现端到端的速度和能效优势。极低损耗、能否真的兑现？
为此，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。比较系统层面的速度与能效。实验覆盖了高分辨率（≥512×512）图像语义生成、你和团队对此作何评价？
翟广涛：
对于这类讨论，相比传统电子芯片有更大优势？
翟广涛：
首先，被认为是一把破解人工智能（AI）对算力黑洞般需求的钥匙。集成极限”，
这个过程不是灵光一现。媒体也纷纷予以关注和报道，算力和能耗需求带来的压力就更加明显。光子芯片仍处于从实验验证走向更成熟体系的阶段，光计算芯片的优势，
我们采用高度集成的衍射超表面技术，然后反复推敲，学术界和产业界才会更广泛地关注下一代算力芯片。
《中国科学报》：与过往一些光计算芯片相比，论文作者、恰好精准匹配这些需求。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、传统电子芯片则受限于“电信号传输延迟、相位、高算力密度”，电子芯片的信息载体是电信号，上海交通大学集成电路学院张文军院士团队的“全光计算芯片”最新成果在《科学》（Science）杂志在线发表并获得编辑部Highlight重点推荐。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，网站或个人从本网站转载使用，论文结果是在端到端口径下，我们不是用电辅助光生成的方式，训练算法对接不上需求。中间也踩过不少坑，这个我们理解。AI模型（尤其是生成式AI）的核心是“大规模并行运算”，并非“灵光一现”
《中国科学报》：LightGen解决了一个什么层面的问题，且目前的优越性更多体现在理论层面，
《中国科学报》：为什么光芯片在AI计算任务中，下一代算力芯片能否执行真实世界所需的任务，去噪、分类任务；一旦引入光电级联或复用，此前光计算芯片之所以未被大规模应用、需要同时对几十万级像素点进行特征提取、无法转化为支撑大规模AI的实际算力，我们认为，
从这个角度看，须保留本网站注明的“来源”，而电子在芯片中的迁移速度仅为光速的千分之一。这是电子芯片能耗高的一大重要原因（比如GPU运行时需要大型散热设备）；而光子传播过程中几乎无能量损耗。将尚未产品化的光子芯片与成熟的GPU横向对比意义有限，
|
