文章核心观点 - 生成式人工智能的快速发展导致超大规模AI集群部署加速，引发了严重的能源危机，解决之道在于开发能将能源增长与数据增长分离的技术[1] - 硅光子学技术具备巨大潜力，能通过高密度互连、低能耗光路切换和光速计算的光子神经网络，提升AI基础设施的可持续性，但其集成需要硬件、软件、电子与光子的互补开发[3][23] 光收发器和交换机 - 光收发器的能效提升已跟上摩尔定律步伐，基于硅光子学的近/共封装光学器件能效已超过5 pJ/bit，而电交换机ASIC的能效提升则明显缓慢[4] - 电交换机ASIC的功耗随吞吐量增加而显著上升，在100Tbps吞吐量下单个芯片功耗超过1000W，而光交换机功耗极低且在吞吐量增加时保持稳定[6] - 光交换机无法进行数据包处理，仅作为光路交换机运行，需要全新的控制平面和系统架构，目前仅有谷歌等少数公司能实现大规模应用[8] - 日本产业技术综合研究所基于45纳米标准CMOS技术，成功研发并制造了大规模硅光子交换机，实验证明其可将网络功耗降低75%[9][11] 光子神经网络 - 基于标准CMOS技术制造的硅光子器件具有高均匀性和良率，是实现光子神经网络的关键，PNN通过集成大量马赫-曾德尔干涉仪在光域执行矩阵-向量乘法，速度快且不消耗能量[12][13] - PNN缺乏良好的非线性激活函数，解决方案是利用电光非线性效应，通过马赫-曾德尔干涉仪实现以电信号输入、调制光信号输出的计算过程，但这需要开发全新的人工智能模型[13] - 已提出并演示了多个基于光电非线性的AI模型，包括用于高精度分类的非线性投影映射模型、垂直分层光电概率神经网络以及光电霍普菲尔德网络，这些模型通过无源光子电路实现低功耗和低延迟计算[15][16][18][21] - 为充分发挥PNN低延迟、高速度、低能耗的优势，需将其作为流式处理器进行整体系统优化，使其能同时在电域和光域流式处理数据，以无缝集成到数字基础设施中[22]