英偉達(dá) CEO 黃仁勛最近聲稱英偉達(dá)的 GPU“非常好，即使競爭對手的芯片是免費的，但它也不夠便宜”。

黃仁勛進(jìn)一步解釋說，就 AI 數(shù)據(jù)中心的總擁有成本（TCO）而言，英偉達(dá) GPU 的定價并不重要。

根據(jù)斯坦福經(jīng)濟(jì)政策研究所（SIEPR）放出的一段會議視頻，SIEPR 前 Trione 主任、斯坦福大學(xué) Charles R. Schwab 經(jīng)濟(jì)學(xué)名譽(yù)教授 John Shoven 問道：“你們制造了完全先進(jìn)的芯片，這是有可能的嗎？你將面臨足夠好而且便宜得多的競爭，這是威脅嗎？”

黃仁勛表示：“我們的競爭比地球上任何公司都激烈，在某些情況下，甚至英偉達(dá)的客戶也是競爭對手。此外，英偉達(dá)還積極幫助正在設(shè)計替代 AI 處理器的客戶，甚至向他們透露了即將推出的英偉達(dá)芯片路線圖。”

黃仁勛稱，英偉達(dá)以“完全開放的方式”運作，同時與業(yè)內(nèi)幾乎所有其他人合作。買賣芯片的人會考慮芯片的價格，而運營數(shù)據(jù)中心的人會考慮運營成本。當(dāng)然，公司會很清楚總體擁有成本，這基本上意味著英偉達(dá)的優(yōu)勢，如部署時間、性能、利用率和靈活性。即使競爭對手的芯片是免費的，它也不夠便宜。

黃仁勛在結(jié)束對 Shoven 的回答時強(qiáng)調(diào)，英偉達(dá)的目標(biāo)是“以無與倫比的 TCO 保持領(lǐng)先地位”。


英偉達(dá)，憑什么遙遙領(lǐng)先？

和其它半導(dǎo)體企業(yè)相比，英偉達(dá)是“遙遙領(lǐng)先”的，起碼在市值上如此。

如今，在全球前十的半導(dǎo)體企業(yè)中，不算臺積電和阿斯麥這樣的純代工廠和光刻機(jī)廠商，英偉達(dá)的市值約等于剩下七家市值的總和，甚至還有富余。

撐起英偉達(dá)市值的，是其全球領(lǐng)先的AI計算芯片，包括A100、H100和即將上市的H200。根據(jù)富國銀行的統(tǒng)計，英偉達(dá)目前在全球數(shù)據(jù)中心AI加速市場擁有98%的份額，處于絕對的統(tǒng)治地位。

很多時候，這些芯片花錢也都很難買到。早在2023年8月的時候，就有媒體報道，英偉達(dá)的訂單排到了2024年。其芯片的交付周期，也曾一度高達(dá)8~11個月（如今已經(jīng)縮短為3~4個月）。產(chǎn)能不足，供不應(yīng)求，這些需求應(yīng)該自然溢出到其他廠商。從供應(yīng)鏈安全的角度考慮，面對如此集中的市場，企業(yè)似乎也不應(yīng)該只選擇英偉達(dá)這一家的產(chǎn)品。

但全球的企業(yè)排著隊將訂單送到英偉達(dá)手中，難道，除了英偉達(dá)的芯片之外，AMD、英特爾這些企業(yè)的芯片都辦法訓(xùn)練大模型嗎？

答案當(dāng)然不是，但使用英偉達(dá)的芯片，目前仍然是訓(xùn)練和運行大模型的最優(yōu)選擇。這種優(yōu)勢體現(xiàn)在四個方面，包括硬件性能、軟件生態(tài)、適用范圍和整體性價比。

首先是硬件性能。

以英偉達(dá)在2020年5月發(fā)布的NVIDIA A100 GPU為例，這款芯片采用7nm制程和NVIDIA Ampere架構(gòu)，擁有540億個晶體管和6912個CUDA核心，最高可以提供80GB的GPU顯存，以及2TB/s的全球超快顯存帶寬。在大模型訓(xùn)練和推理常用的FP16(半精度浮點運算）Tensor Core峰值性能可以達(dá)到312TF，使用稀疏計算的情況下，可以達(dá)到624TF。

很多人對這些指標(biāo)沒什么概念，我們來簡單解釋一下。

芯片的制程決定著同樣大小的芯片能夠放下的晶體管的數(shù)量，而晶體管的數(shù)量越多，芯片的計算能力越強(qiáng)，這也是5納米的芯片一定比7納米的芯片先進(jìn)的原因。

至于CUDA核心，即CUDA線程，是英偉達(dá)CUDA平臺編程模型中的基本執(zhí)行單元。我們都知道，GPU最強(qiáng)的能力是并行計算，而CUDA核心越多，意味著芯片能同時并行計算的數(shù)量也就越多，芯片的性能更強(qiáng)，完成同樣任務(wù)的速度更快。

需要注意的是，芯片的計算能力強(qiáng)和計算效率高是兩個概念。制程和晶體管的數(shù)量代表著計算能力，而CUDA核心的數(shù)量，代表著計算效率。

至于顯存和帶寬，則決定了GPU在運行時的效率。其中顯存決定GPU同時能夠存儲的最大數(shù)據(jù)，而顯存帶寬，則決定顯存和顯卡之間的數(shù)據(jù)傳輸速度。

舉一個簡單直白的例子，在一個流水線上，原材料需要從庫房運送到車間進(jìn)行裝備，然后將成品再運回庫房。顯存決定了庫房能夠放多少原材料，而顯存帶寬，則決定每次從庫房送原材料的速度。如果庫房不夠大，或者材料傳輸速度不夠快，那車間的生產(chǎn)能力再強(qiáng)，也無法生產(chǎn)出成品。所以顯存和帶寬，其實決定芯片能夠參與訓(xùn)練多大參數(shù)規(guī)模的大模型，以及訓(xùn)練大模型的速度。

明白了這些基本概念，我們再用最有代表性的兩家企業(yè)，進(jìn)行對比。

首先是AMD，目前主打的芯片是MI250X，發(fā)布于2021年年底，采用7nm工藝，擁有582億個晶體管，顯存128G，顯存帶寬3.2768 TB/s，F(xiàn)P16峰值性能為369 TF，只有60個計算單元。

其次是英特爾，目前主打芯片Ponte Vecchio，同樣發(fā)布于2021年，采用7nm工藝，宣稱晶體管數(shù)量達(dá)到1020億，是全世界晶體管數(shù)量最多的芯片。這款芯片顯存128GB，顯存帶寬3.2TB/s，F(xiàn)P16峰值性能184TF，計算單元102個。

我們會發(fā)現(xiàn)，即使從單純的數(shù)據(jù)上看，英特爾和AMD也沒有完全被英偉達(dá)甩開，甚至在某些領(lǐng)域，這兩家的芯片還領(lǐng)先英偉達(dá)的A100。

但是這里有兩個誤區(qū)，第一個誤區(qū)是，英特爾和AMD這兩款芯片的發(fā)布時間比A100都要晚一年，他們真正對標(biāo)的對手，其實應(yīng)該是英偉達(dá)在2022年初發(fā)布的H100，而現(xiàn)在英偉達(dá)的芯片已經(jīng)更新到H200了。

第二個誤區(qū)在于，硬件指標(biāo)并不完全等于芯片的整體能力，軟件生態(tài)是決定芯片性能和使用的第二個關(guān)鍵指標(biāo)。

這就像手機(jī)和操作系統(tǒng)一樣，手機(jī)的硬件配置再好，沒有一個好的操作系統(tǒng)，對于消費者來說仍然不是一款好的手機(jī)。而這里需要提到的，就包括英偉達(dá)的CUDA平臺、NVLink和Tensor Core等軟件生態(tài)。

比如CUDA平臺，我們前面提到的CUDA核心就是這個平臺的產(chǎn)物，它可以提高芯片的并行計算能力；它可以通過編程，提高GPU的能效比，讓同樣的工作耗費更少的能源。

此外，CUDA平臺還支持廣泛的應(yīng)用程序，包括科學(xué)計算、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、圖像處理、視頻處理等等，它還允許技術(shù)人員通過C++等常用的編程語言來編寫GPU代碼。打一個不恰當(dāng)?shù)谋确剑@相當(dāng)于中國人不用學(xué)習(xí)英文，直接使用中文指揮外國人做事情，幫助技術(shù)人員節(jié)省了巨大成本。

但目前市面上大多數(shù)程序員已經(jīng)深度依賴CUDA平臺和開發(fā)工具，就像我們使用微信許多年了，你的朋友、聊天記錄、朋友圈都在這個微信上，即使現(xiàn)在出現(xiàn)一個更好用的社交軟件，你也很難遷移。

CUDA帶來的生態(tài)壁壘也類似這個道理，其他平臺雖然也有自己的軟件生態(tài)，比如AMD有自己的GCN 架構(gòu)，英特爾有Xe架構(gòu)，甚至為開發(fā)者提供類似“一鍵換機(jī)”遷移功能，但都很難與英偉達(dá)競爭。

當(dāng)然，這里面也有一些曲線救國的做法，比如以AMD為首，越來越多的芯片企業(yè)采用了“打不過就加入”的策略，選擇將自己的芯片兼容到CUDA平臺，早在2012年的時候，AMD就與Nvidia 達(dá)成了一項協(xié)議，允許AMD在其GCN架構(gòu)GPU中使用 CUDA 技術(shù)，所以現(xiàn)在我們在AMD的芯片中，也會看到CUDA核心。

當(dāng)然，對于英偉達(dá)來說，CUDA也只是護(hù)城河的一部分，其他的技術(shù)如NVLink也至關(guān)重要。

作為大模型訓(xùn)練的GPU，沒有哪家企業(yè)會單獨使用一張GPU，每次都會使用至少幾百張卡，甚至上萬張卡一起建立計算集群。NVLink是一種鏈接技術(shù)，可以實現(xiàn)GPU之間的高速、低延遲的互聯(lián)。如果沒有這種技術(shù)，整個芯片算力的集群就無法實現(xiàn)1+1>3的效果，而且會增加GPU之間的通信延遲，執(zhí)行任務(wù)的效率會降低，芯片的功耗會增加，最終增加整個系統(tǒng)的運行成本。

大模型訓(xùn)練實際上是一個非常消耗能源的事情，國盛證券做過一個計算，假設(shè)每天約有1300萬獨立訪客使用ChatGPT，那每天的電費就需要5萬美元。而如果沒有NVLink，這筆成本還會指數(shù)級上升。

芯片某種程度上就像購車一樣，購車只是第一次成本，之后的油費、保養(yǎng)、保險才是成本的大頭。所以黃仁勛才說，“AI系統(tǒng)最重要的不是硬件組成的成本，而是訓(xùn)練和運用AI的費用。”

所以，雖然AMD、英特爾在某些芯片上把價格定得比英偉達(dá)更低，但是從長期成本來考慮，具有更優(yōu)軟件生態(tài)和協(xié)同、配套工具的英偉達(dá)芯片仍然是性價比最高的選擇。

當(dāng)然，這里面還要考慮到使用場景的問題。

比如英偉達(dá)的大客戶，主要是以Meta、微軟、亞馬遜、Google為代表的云計算平臺。有媒體報道，頭部云計算廠商在英偉達(dá)H100 GPU整體市場份額中的占比達(dá)到50%。

而云廠商采購芯片的邏輯，主要是構(gòu)建算力集群，然后通過云服務(wù)平臺將這些算力再賣出去。但這里就會存在一個問題，就是云廠商并不知道客戶會拿這些算力來做些什么，比如有的企業(yè)會用來做機(jī)器學(xué)習(xí)，有企業(yè)需要大模型訓(xùn)練，也有企業(yè)需要做大模型推理。

不同的需求，背后對應(yīng)的算力配置也不盡相同，它需要底層的芯片能夠支持多種編程模型，支持多種數(shù)據(jù)類型，有較好的可拓展性和良好的性能和功耗等等。而這些，恰恰是英偉達(dá)硬件能力加軟件生態(tài)帶來的優(yōu)勢。

綜合來看，無論是從硬件性能，還是軟件生態(tài)；無論是從開發(fā)工具和部署工具，到長期使用的成本和可開發(fā)應(yīng)用場景。對比同類競爭對手，英偉達(dá)都屬于最有性價比，且遙遙領(lǐng)先的存在。

這就是為什么明明需要排著長隊、忍受長時間等待，大家卻仍然執(zhí)著于英偉達(dá)芯片的原因。


AI芯片新貴，各出奇招

最近兩年的人工智能繁榮，讓英偉達(dá)憑借GPU登上了芯片之巔。于是包括AMD、Intel、Graphcore、Cerebras和Tenstorrent等在內(nèi)的傳統(tǒng)和新貴芯片企業(yè)試圖在這個領(lǐng)域?qū)⒂ミ_(dá)拉下馬。

不過，雖然他們都非常努力，但似乎依然難動英偉達(dá)分毫。于是，市場上又冒出來了一群AI芯片新公司，他們希望用不同的架構(gòu)和思路，以期將英偉達(dá)趕下神壇。


韓國AI芯片：功耗和尺寸大幅下降

來自韓國科學(xué)技術(shù)院 (KAIST) 的科學(xué)家團(tuán)隊在最近的 2024 年國際固態(tài)電路會議 (ISSCC) 上詳細(xì)介紹了他們的“Complementary-Transformer”人工智能芯片。新型C-Transformer芯片據(jù)稱是全球首款能夠進(jìn)行大語言模型（LLM）處理的超低功耗AI加速器芯片。

在一份新聞稿中，研究人員對瘋狂叫板Nvidia ，聲稱 C-Transformer 的功耗比綠色團(tuán)隊的 A100 Tensor Core GPU 低 625 倍，尺寸小 41 倍。它還表明，三星晶圓代工芯片的成就很大程度上源于精細(xì)的神經(jīng)擬態(tài)計算技術(shù)。

盡管我們被告知 KAIST C-Transformer 芯片可以完成與 Nvidia 強(qiáng)大的A100 GPU之一相同的 LLM 處理任務(wù)，但我們在新聞或會議材料中都沒有提供任何直接的性能比較指標(biāo)。這是一個重要的統(tǒng)計數(shù)據(jù)，由于它的缺失而引人注目，憤世嫉俗的人可能會猜測性能比較不會給 C-Transformer 帶來任何好處。

上面的圖片有一張“芯片照片”和處理器規(guī)格的摘要。您可以看到，C-Transformer 目前采用三星 28nm 工藝制造，芯片面積為 20.25mm2。它的最高運行頻率為 200 MHz，功耗低于 500mW。最好的情況下，它可以達(dá)到 3.41 TOPS。從表面上看，這比 Nvidia A100 PCIe 卡聲稱的 624 TOPS 慢 183 倍（但 KAIST 芯片據(jù)稱使用的功率低 625 倍）。然而，我們更喜歡某種基準(zhǔn)性能比較，而不是查看每個平臺聲稱的 TOPS。

C-Transformer 芯片的架構(gòu)看起來很有趣，其特點是三個主要功能塊：首先，Homogeneous DNN-Transformer / Spiking-transformer Core (HDSC) 和混合乘法累加單元 (HMAU：Hybrid Multiplication-Accumulation Unit) 可以有效處理動態(tài)變化的分布能量。其次，我們有一個輸出尖峰推測單元（OSSU：Output Spike Speculation Unit）來減少尖峰域處理的延遲和計算量。第三，研究人員實施了帶有擴(kuò)展符號壓縮（ESC:Extended Sign Compression）的隱式權(quán)重生成單元（IWGU：Implicit Weight Generation Unit），以減少外部存儲器訪問（EMA）能耗。

據(jù)解釋，C-Transformer 芯片不僅僅添加了一些現(xiàn)成的神經(jīng)擬態(tài)處理作為其壓縮 LLM 大參數(shù)的“special sauce”。韓國科學(xué)技術(shù)院的新聞稿稱，此前，神經(jīng)擬態(tài)計算技術(shù)對于法學(xué)碩士的使用不夠準(zhǔn)確。然而，研究團(tuán)隊表示，它“成功提高了該技術(shù)的準(zhǔn)確性，以匹配[深度神經(jīng)網(wǎng)絡(luò)]DNN”。

盡管由于沒有與行業(yè)標(biāo)準(zhǔn)人工智能加速器進(jìn)行直接比較，第一款 C-Transformer 芯片的性能存在不確定性，但毫無疑問，它將成為移動計算的一個有吸引力的選擇。同樣令人鼓舞的是，研究人員利用三星測試芯片和廣泛的 GPT-2 測試取得了如此大的進(jìn)展。


徹底改變?nèi)斯ぶ悄艿男酒?/span>

最近，普林斯頓大學(xué)的先進(jìn)人工智能芯片項目由DARPA和 EnCharge AI 支持，有望顯著提高能源效率和計算能力，旨在徹底改變?nèi)斯ぶ悄艿目杉靶院蛻?yīng)用。

普林斯頓大學(xué)電氣和計算機(jī)工程教授納文·維爾馬 (Naveen Verma) 表示，新硬件針對現(xiàn)代工作負(fù)載重新設(shè)計了人工智能芯片，并且可以使用比當(dāng)今最先進(jìn)的半導(dǎo)體少得多的能源運行強(qiáng)大的人工智能系統(tǒng)。領(lǐng)導(dǎo)該項目的維爾馬表示，這些進(jìn)步突破了阻礙人工智能芯片發(fā)展的關(guān)鍵障礙，包括尺寸、效率和可擴(kuò)展性。

“最好的人工智能僅存在于數(shù)據(jù)中心，有一個非常重要的限制，”維爾馬說。“我認(rèn)為，你從中解鎖了它，我們從人工智能中獲取價值的方式將會爆炸。”

在普林斯頓大學(xué)領(lǐng)導(dǎo)的項目中，研究人員將與 Verma 的初創(chuàng)公司EnCharge AI合作。EnCharge AI 總部位于加利福尼亞州圣克拉拉，正在將基于 Verma 實驗室發(fā)現(xiàn)的技術(shù)商業(yè)化，其中包括他早在 2016 年與電氣工程研究生共同撰寫的幾篇重要論文。

根據(jù)項目提案，Encharge AI“在強(qiáng)大且可擴(kuò)展的混合信號計算架構(gòu)的開發(fā)和執(zhí)行方面處于領(lǐng)先地位”。Verma于 2022 年與前 IBM 院士 Kailash Gopalakrishnan 和半導(dǎo)體系統(tǒng)設(shè)計領(lǐng)域的領(lǐng)導(dǎo)者 Echere Iroaga 共同創(chuàng)立了該公司。

Gopalakrishnan 表示，當(dāng)人工智能開始對計算能力和效率產(chǎn)生大量新需求時，現(xiàn)有計算架構(gòu)的創(chuàng)新以及硅技術(shù)的改進(jìn)開始放緩。即使是用于運行當(dāng)今人工智能系統(tǒng)的最好的圖形處理單元 (GPU)，也無法緩解行業(yè)面臨的內(nèi)存和計算能源瓶頸。

“雖然 GPU 是當(dāng)今最好的可用工具，”他說，“但我們得出的結(jié)論是，需要一種新型芯片來釋放人工智能的潛力。”

普林斯頓大學(xué) 凱勒工程教育創(chuàng)新中心主任 Verma 表示，從 2012 年到 2022 年，人工智能模型所需的計算能力實現(xiàn)了指數(shù)級增長。為了滿足需求，最新的芯片封裝了數(shù)百億個晶體管，每個晶體管之間的寬度只有一個小病毒的寬度。然而，這些芯片的計算能力仍然不足以滿足現(xiàn)代需求。

當(dāng)今的領(lǐng)先模型將大型語言模型與計算機(jī)視覺和其他機(jī)器學(xué)習(xí)方法相結(jié)合，每個模型都使用超過一萬億個變量來開發(fā)。推動人工智能熱潮的英偉達(dá)設(shè)計的 GPU 變得非常有價值，據(jù)報道，各大公司都通過裝甲車運輸它們。購買或租賃這些芯片的積壓已經(jīng)達(dá)到了消失的程度。

為了創(chuàng)建能夠在緊湊或能源受限的環(huán)境中處理現(xiàn)代人工智能工作負(fù)載的芯片，研究人員必須完全重新構(gòu)想計算的物理原理，同時設(shè)計和封裝可以使用現(xiàn)有制造技術(shù)制造并且可以與現(xiàn)有計算技術(shù)良好配合的硬件，例如中央處理單元。

“人工智能模型的規(guī)模呈爆炸式增長，”維爾馬說，“這意味著兩件事。” 人工智能芯片需要在數(shù)學(xué)計算方面變得更加高效，在管理和移動數(shù)據(jù)方面也需要更加高效。

他們的方法分為三個關(guān)鍵部分。

幾乎每臺數(shù)字計算機(jī)的核心架構(gòu)都遵循 20 世紀(jì) 40 年代首次開發(fā)的看似簡單的模式：在一個地方存儲數(shù)據(jù)，在另一個地方進(jìn)行計算。這意味著在存儲單元和處理器之間傳輸信息。在過去的十年中，Verma 率先研究了一種更新方法，其中計算直接在內(nèi)存單元中完成，稱為內(nèi)存計算。這是第一部分。內(nèi)存計算有望減少移動和處理大量數(shù)據(jù)所需的時間和能源成本。

但到目前為止，內(nèi)存計算的數(shù)字方法還非常有限。維爾馬和他的團(tuán)隊轉(zhuǎn)向了另一種方法：模擬計算。那是第二部分。

“在內(nèi)存計算的特殊情況下，你不僅需要高效地進(jìn)行計算，”Verma 說，“你還需要以非常高的密度進(jìn)行計算，因為現(xiàn)在它需要適合這些非常小的內(nèi)存單元。” 模擬計算機(jī)不是將信息編碼為一系列 0 和 1，然后使用傳統(tǒng)邏輯電路處理該信息，而是利用設(shè)備更豐富的物理特性。

數(shù)字信號在 20 世紀(jì) 40 年代開始取代模擬信號，主要是因為隨著計算的指數(shù)級增長，二進(jìn)制代碼可以更好地擴(kuò)展。但數(shù)字信號并沒有深入了解設(shè)備的物理原理，因此，它們可能需要更多的數(shù)據(jù)存儲和管理。這樣他們的效率就較低。模擬通過利用設(shè)備的固有物理特性處理更精細(xì)的信號來提高效率。但這可能會犧牲精度。

維爾馬說：“關(guān)鍵在于找到適合該工作的物理原理，使設(shè)備能夠被很好地控制并大規(guī)模制造。”

他的團(tuán)隊找到了一種方法，使用專門設(shè)計用于精確開關(guān)的電容器生成的模擬信號來進(jìn)行高精度計算。這是第三部分。與晶體管等半導(dǎo)體器件不同，通過電容器傳輸?shù)碾娔懿灰蕾囉诓牧现械臏囟群碗娮舆w移率等可變條件。

“它們只依賴于幾何形狀，”維爾馬說。“它們?nèi)Q于一根金屬線和另一根金屬線之間的空間。” 幾何形狀是當(dāng)今最先進(jìn)的半導(dǎo)體制造技術(shù)可以控制得非常好的一件事。

光芯片，速度驚人

賓夕法尼亞大學(xué)的工程師開發(fā)了一種新芯片，它使用光波而不是電力來執(zhí)行訓(xùn)練人工智能所必需的復(fù)雜數(shù)學(xué)。該芯片有可能從根本上加快計算機(jī)的處理速度，同時降低能耗。

該硅光子 (SiPh) 芯片的設(shè)計首次將本杰明·富蘭克林獎?wù)芦@得者和 H. Nedwill Ramsey 教授 Nader Engheta 在納米級操縱材料方面的開創(chuàng)性研究結(jié)合在一起，利用光（可能是最快的通信方式）進(jìn)行數(shù)學(xué)計算SiPh 平臺使用硅，硅是一種廉價且豐富的元素，用于大規(guī)模生產(chǎn)計算機(jī)芯片。

光波與物質(zhì)的相互作用代表了開發(fā)計算機(jī)的一種可能途徑，這種計算機(jī)可以取代當(dāng)今芯片的局限性，這些芯片本質(zhì)上與 20 世紀(jì) 60 年代計算革命初期的芯片相同的原理。

在《自然光子學(xué)》雜志上發(fā)表的一篇論文中，Engheta 的團(tuán)隊與電氣和系統(tǒng)工程副教授 Firooz Aflatouni 的團(tuán)隊一起描述了新芯片的開發(fā)過程。

“我們決定聯(lián)手，”Engheta 說道，他利用了 Aflatouni 的研究小組率先開發(fā)納米級硅器件的事實。

他們的目標(biāo)是開發(fā)一個平臺來執(zhí)行所謂的向量矩陣乘法，這是神經(jīng)網(wǎng)絡(luò)開發(fā)和功能中的核心數(shù)學(xué)運算，神經(jīng)網(wǎng)絡(luò)是當(dāng)今人工智能工具的計算機(jī)架構(gòu)。

Engheta 解釋說，“你可以將硅做得更薄，比如 150 納米”，而不是使用高度均勻的硅晶片，但僅限于特定區(qū)域。這些高度的變化（無需添加任何其他材料）提供了一種控制光在芯片中傳播的方法，因為高度的變化可以分布以使光以特定的圖案散射，從而使芯片能夠執(zhí)行數(shù)學(xué)計算以光速。

Aflatouni 表示，由于生產(chǎn)芯片的商業(yè)代工廠施加的限制，該設(shè)計已經(jīng)為商業(yè)應(yīng)用做好了準(zhǔn)備，并且有可能適用于圖形處理單元 (GPU)，隨著廣泛應(yīng)用，圖形處理單元 (GPU) 的需求猛增。對開發(fā)新的人工智能系統(tǒng)的興趣。

“他們可以采用硅光子平臺作為附加組件，”Aflatouni 說，“然后就可以加快訓(xùn)練和分類速度。”

除了更快的速度和更少的能耗之外，Engheta 和 Aflatouni 的芯片還具有隱私優(yōu)勢：由于許多計算可以同時進(jìn)行，因此無需在計算機(jī)的工作內(nèi)存中存儲敏感信息，使得采用此類技術(shù)的未來計算機(jī)幾乎無法被黑客攻擊。