可重构多功能集成光计算芯片：算力瓶颈下的技术路径与工程挑战

这两年只要聊到算力，绕不开的话题就是AI推理和训练对硬件的巨大胃口。电芯片的工艺节点正在逼近物理极限，而大模型的参数量还在往上走，两者之间越拉越大的剪刀差，让很多人重新把目光投向了光计算。口号喊了很多年，但说句实在话，真正能在芯片上把多种计算功能做出来、还能按需切换的演示，在公开报道里并不多见。所以当胡小永、杨起帆、龚旗煌团队在eLight上发表的这篇可重构多功能集成光计算芯片的工作进入视野时，我第一时间就顺着线索仔细过了一遍这类技术的基本逻辑——因为它踩中的，正是光计算从"原理演示"走向"实际可用"最要害的那一步：如何让一块芯片不改变硬件结构，就在不同计算任务之间自由切换。这篇文章就围绕这条技术路径，把我对可重构集成光计算的理解、技术细节和一些观察完整梳理一遍，供同行参考。

1. 算力瓶颈下，为什么偏偏是"可重构"光芯片被推到台前

1.1 电计算的墙，不是修修补补能绕过去的

传统数字芯片的基本工作方式是取指、译码、执行、写回，每一层都牵涉到数据搬运，而数据搬运消耗的能量远远高于计算本身。AI加速卡表面上是并行计算，实际上相当一部分功耗消耗在片上互连和片外存储带宽上。业界常说的memory wall和power wall，本质是同一个问题：冯·诺依曼架构里计算单元和存储单元是分开的，两者之间的通道就是瓶颈。

光在这个问题上的优势不在单个运算有多快，而在于数据传输本身几乎不耗能、带宽天然巨大、还能通过波分复用把多路信号叠在同一条光纤或波导里并行传输。打个比方，电计算像在一条单车道公路上跑车，每过一个路口还要停车收费；光计算相当于修了一条多车道高速，车还几乎不烧油。这就是为什么从数据中心到边缘设备，所有人都在盯着"光进电退"的机会。

1.2 但"能算"和"能换着花样算"完全是两码事

光计算真正卡壳的地方，从来不是原理，而是功能固化。早期很多光学计算演示，比如用衍射元件做傅里叶变换、用自由空间干涉仪做矩阵乘法，速度确实快，但一套光学系统只能干一件事。想让它从矩阵乘法切换成卷积运算，要么换器件，要么手工重新调光路——这在实验室里可行，落到数据中心、车载设备、边缘节点上就完全不现实。

可重构的意义恰恰在这里：让同一个硬件平台具备可编程能力，就像FPGA和ASIC的区别。ASIC算得快但焊死在一种任务上，FPGA可以改逻辑但要牺牲一部分性能和面积。光计算领域的可重构芯片，要解决的就是把"FPGA式的灵活性"和"光的高速低耗"结合起来。这篇工作能被eLight接收，很大程度上就是因为它在集成芯片尺度上实现了这种灵活性，而不是停留在原理验证阶段。

2. 可重构的底层逻辑：从固定光路到可编程算子

2.1 芯片上的"乘法器"是怎么做出来的

要理解可重构芯片，先得知道光芯片上最基本的运算单元是怎么构造的。目前集成光计算最常用的单元是马赫-曾德尔干涉仪（MZI），它由两个分束器和一段可调相位的波导组成。输入光被分成两路，其中一路被施加一个相位改变，两路再干涉合成。这个过程的数学本质是：输出光强是输入光强的加权叠加，权重由相位差决定。换句话说，一个MZI就是一个可以连续调节的"乘法器"，两路输入两路输出时可以看作一个2x2的矩阵单元。

多个MZI按特定拓扑连成网状结构，就能表达一个大得多的矩阵。神经网络里最耗时的矩阵乘法，在光域里是天然并行完成的——光走一遍干涉网络就是一次矩阵运算，速度取决于光在芯片中的传播时间，纳秒量级都算慢的。这也是光学神经网络在理论上比电学方案快几个数量级的根本原因。

2.2 可重构的关键在"相位"，而相位可以被电、热、光控制

可重构的核心在于MZI中那段"可调相位的波导"。目前工程上最成熟的手段是热光调谐：在波导旁边做一层微型加热器，通电加热后材料折射率随之改变，光通过时的相位就变了。这个过程速度在微秒到百纳秒量级，精度足够做权重调节，而且工艺上和标准CMOS流程兼容性好，是大多数光计算芯片的首选。

更快的方案是电光调谐，比如用薄膜铌酸锂这类电光系数高的材料，电压一加折射率立刻变化，响应速度能到皮秒级。还有通过光注入改变载流子浓度的硅光方案，也很快，但会伴随一定的额外损耗。不同调谐手段的取舍，直接影响芯片的功耗、速度和集成密度。

这类工作在学术界引发关注，通常不只是因为用了某种调谐机制，而是在同一块芯片上把多种调谐手段和多种功能模块组合起来。这也是"多功能集成"几个字的实际分量：不是做一个能算的芯片，而是做一个能算多种题、还能随时切换题目的芯片。

2.3 同一块芯片如何从"做乘法"切换成"做卷积"

多功能切换的数学基础，是很多看起来不同的运算其实共享同一套线性代数结构。卷积在数字信号处理里可以转化为矩阵乘法，矩阵乘法本身就是一系列内积。所以只要芯片上的MZI网络能表达任意的线性变换，它就能在矩阵乘法、卷积、离散傅里叶变换、信号滤波这些任务之间来回切换。

切换的方式也不复杂：针对目标任务，把对应的权重矩阵解算出来，换算成每个MZI需要的相位值，然后通过加热器或电极把相位设置到位。这个过程相当于给芯片"烧录"新的程序。今天的可重构光芯片，控制电路已经能做到动态更新这些相位配置，切换时间主要受限于调谐速度，而不是光学结构本身。

这里有一个容易被忽略的细节：网络权重通常是实数甚至是复数，而光学干涉只能直接表达特定的实数变换结构。工程上需要在芯片拓扑设计时就考虑到这种限制，要么用对称结构补偿，要么把复数运算拆成多步。这也是为什么看一篇光计算论文，不能只看它宣称的算力，还要看它实际表达的矩阵类型和精度。

3. 多功能集成：一套硬件框架能装下多少种算子

3.1 矩阵乘法、卷积、滤波，本质是同一个数学家族

多功能集成听起来像是要把很多种光学结构堆到一片芯片上，实际上更高明的做法是让同一套可编程网络通过调整参数就能覆盖不同算子。矩阵乘法是神经网络前向推理的核心，卷积是图像处理和CNN的主力，傅里叶变换是通信和信号处理的基础。这些运算在线性代数层面都有统一的表示形式，因此一套足够灵活的MZI网络，理论上有能力依次充当它们。

这正是可重构芯片相对"专用光芯片"的降维打击。专用光芯片针对单一算法做了结构优化，效率确实高，但算法一更新硬件就作废。可重构芯片更像一个光域里的通用处理器，算法变了就重新配置相位，硬件本身不需要改动。对于算力需求变化极快的AI场景来说，这种面向未来的兼容性非常关键。

3.2 不同任务间切换的代价与权衡

当然，灵活性不是免费的。可重构芯片要付出的代价主要在三个方面。

一是精度。相位调谐器在大范围调节时，线性度和稳定性不如小范围工作时那么好，权重误差会直接影响矩阵运算的精度。二是速度。热光调谐灵活但慢，适合推理场景中不频繁的权重更新；电光调谐快，但工艺成本高。三是面积。控制电极、加热器、走线要占用芯片面积，功能越多，控制开销越大。

所以在评估这类芯片时，我一般会建议大家同时关注三个指标：单次运算的能效、权重更新的延迟、以及芯片面积的利用效率。只看峰值算力意义不大，因为可重构芯片的瓶颈往往不在光学计算本身，而在配置权重的"编程"环节。

提示：看光计算论文时，别被报道标题里的"xx TOPS"带偏。真正重要的是它支持哪些算子、精度多少、切换一次权重要多久、功耗里有多少花在了调谐上。这几个参数才决定它离实际场景有多近。

4. 主流光计算技术路线的取舍：为什么各家方案差异这么大

4.1 硅光：CMOS兼容性无敌，但调谐慢、损耗不低

硅光是最成熟的集成光计算平台，原因很简单：工艺线可以直接借用成熟的CMOS代工厂，成本低、良率高、能和电芯片做共封装。硅光的调谐主要靠热光效应，速度较慢但稳定，适合不需要频繁更新权重的推理任务。缺点是硅波导的传输损耗和散射损耗相对偏大，大规模集成时累积损耗会限制网络规模。

4.2 相变材料：非易失但有寿命和精度问题

相变材料方案近几年热度很高，思路是在波导上集成GST这类材料，通过相变状态来改变折射率。它的最大优势是非易失——权重写进去之后断电也不丢，功耗可以做得极低。但问题同样明显：相变材料的反复切换存在循环寿命限制，而且中间态的精度和重复性目前还不够理想。作为未来方向很有意思，但要走到产品阶段还需要材料科学层面的突破。

4.3 薄膜铌酸锂：速度王者，但工艺还在爬坡

薄膜铌酸锂因为电光系数高、损耗低、调制带宽大，被视作下一代高速光芯片的候选平台。用它做可重构光计算，相位响应速度快，理论上能支撑在线学习和动态场景。难点在于加工工艺还不像硅光那样标准化，刻蚀深度、侧壁粗糙度、电极设计的控制都需要积累。做研究没问题，量产良率是另一个故事。

把这几个平台放在一起看，会发现不存在十全十美的答案。胡小永团队这类工作涉及的可重构多功能芯片，往往不把自己绑死在单一材料上，而是思考如何在现有工艺约束下把多种功能模块集成起来。这种系统层面的设计能力，在产业界可能比单一材料突破更有实用价值。

5. 从实验室演示到工业部署，还隔着哪几道关

5.1 光纤耦合与封装损耗，是第一道现实毒打

实验室里测光芯片，可以用精细的对位平台把光纤慢慢对准芯片端面，测完拉走就行了。工业场景不行，封装必须自动化、可重复、耐温度变化。光芯片和光纤之间的耦合损耗，哪怕一个端面多个0.5 dB，整个系统的插损就会明显恶化。越复杂的可重构芯片，输入输出端口越多，耦合问题越痛。

这也是为什么现在很多团队都在做边缘耦合器、光栅耦合器的优化，甚至考虑用激光直写做三维模场匹配。封装不是光计算独有的问题，却是决定产品能不能落地的隐形门槛。很多时候论文里指标漂亮，一封装就掉了几个量级的性能，这一关过不去，什么都白搭。

5.2 校准问题：光芯片比电芯片更难"修"

电芯片出厂后基本不需要校准，时钟一跑就能用。光芯片不一样，受温度波动、工艺误差、应力分布的影响，每个MZI的实际相位和设计值都有偏差。可重构芯片在工作前，需要对整片网络的相位做一次系统校准，把偏差记录下来并在权重配置时补偿。这个过程看似简单，实际非常耗时，而且温度一变可能又要来一遍。

目前的主流做法是在片内集成参考探测器，通过试探信号反推每个相位调谐器的实际响应。校准算法做得好不好，直接决定了芯片的可用性。我在跟进这个方向时的一个深刻体会是：光芯片的"软件层"——校准、补偿、控制算法——和硬件层同等重要，甚至更重要。一篇好的工作如果在校准策略上有扎实的内容，含金量往往超过只堆器件指标的工作。

5.3 外围电子学决定了真实性能

还有一个容易被忽视的问题：光芯片不能脱离电学控制独立工作。每一个相位调谐器都要有对应的数模转换通道和驱动电路，权重更新越快，对电子控制部分的要求就越高。如果控制电路延迟大、通道数少，光核心算得再快，整体系统依然会被"电脖子"卡住。

这其实回到了一个很朴素的观点：光计算从来不是用光替代所有电，而是让光去做最擅长的高并行度、低能耗数据运算，让电去负责控制、存储和其他复杂逻辑。将来真正能落地的方案，大概率是光电混合架构。可重构光芯片的价值，是在这种混合架构里找到一个合适的位置，而不是试图单挑整个计算体系。

6. 写在最后：我看这类工作背后的三个信号

第一个信号是产业界对光计算的态度正在从观望转向试探。过去大家觉得光计算至少还要十年，但大模型对算力的需求加速了这个进程，越来越多的投资和团队开始往光计算方向试水。可重构多功能芯片这种"通用性"路线，天然比专用光加速器更容易获得产业方的信任。

第二个信号是交叉学科的作用越来越明显。胡小永、杨起帆、龚旗煌团队的背景横跨非线性光学、集成光子学、微纳加工，这种组合在整个领域里都算豪华。光计算芯片的竞争，本质上是光学设计、材料工艺、电子控制、算法软件四个方向的综合竞争。单点突破的工作依然有价值，但系统级的工作正在拿到更高的行业地位。

第三个信号是合适的评价体系比追逐热点更重要。我见过不少团队在宣传时强调"比GPU快几个数量级"，但一细看，比的是理想条件下的原始光传输速度，没有计入数模转换、权重加载、误差校准的时间。这种对比没有意义。真正值得关注的是端到端性能，是放到真实AI推理流程里跑一圈之后，跟现有方案比到底有没有优势。

回到这篇eLight工作本身，它让我比较在意的其实是"可重构"和"多功能"这两个词同时出现。单项做得好是常见的事，两项同时做好并且能衔接起来，难度是平方级的。对从业者来说，这条技术路径最大的启示不是某个具体指标被刷新了，而是它证明了一点：集成光计算芯片正从"能算某道题"走向"能按需算多种题"，这正是所有计算硬件走向成熟必须经历的一步。

最后说点个人的实际感受。我在看这类论文时，习惯把芯片的能效、切换延迟和校准成本这三项单独抄在本子上，因为它们才是判断一种光计算路线能不能从论文走向产品的分水岭。如果你也在评估某个光计算方案，建议你也这么做——把注意力从"快了多少倍"转移到"能不能用、好不好用、稳不稳定"上，会少踩很多坑。