摘要：近日，宾夕法尼亚大学的工程师们取得了一项令人瞩目的科技突破，他们成功研发出全球首个可编程光子芯片，这个芯片能够利用光来训练非线性神经网络，有望让人工智能实现大飞跃，变得更快、更节能。这一成果，很可能成为迈向全光驱动计算机的重要一步。

近日，宾夕法尼亚大学的工程师们取得了一项令人瞩目的科技突破，他们成功研发出全球首个可编程光子芯片，这个芯片能够利用光来训练非线性神经网络，有望让人工智能实现大飞跃，变得更快、更节能。这一成果，很可能成为迈向全光驱动计算机的重要一步。

如今，大多数人工智能系统都依赖神经网络，它就像是模仿生物神经组织设计的软件。生物的神经元相互连接，让生物能够思考；而神经网络则把简单的单元，也就是 “节点” 连接成不同层次，使人工智能系统可以完成复杂的任务。在人工和生物系统里，这些节点只有在达到一定阈值时才会 “启动”，这是一个非线性的过程，它能让输入的小变化带来输出端更大、更复杂的改变。要是没有这种非线性，增加再多的网络层也没用，系统就只能进行简单的单层线性运算，也就是把输入直接相加，根本无法实现真正的学习。

很多科研团队，包括宾夕法尼亚大学工程学院的团队，之前都开发出过能处理线性数学运算的光驱动芯片，但一直没人能仅利用光来实现非线性函数的运算。直到现在，这个难题才被宾夕法尼亚大学的团队攻克。

这个团队的突破源自一种特殊的半导体材料，它对光有独特的反应。当携带输入数据的 “信号光” 穿过这种材料时，另一束 “泵浦光” 会从上方照射过来，改变材料的反应。通过调整泵浦光的形状和强度，研究团队就能控制信号光的吸收、传输或放大情况，这取决于信号光的强度和材料自身的特性。这个过程就像是给芯片 “编程”，让它能执行不同的非线性函数运算。用团队成员的话说，他们不是在改变芯片的结构，而是利用光在材料内部创造图案，进而改变光在其中的传播方式。最终得到的是一个可重构的系统，根据泵浦光的图案，它能实现多种数学函数运算。这种灵活性让芯片可以实时学习，根据输出的反馈来调整自身的行为。

为了测试芯片的能力，研究团队用它来解决一些人工智能领域的标准难题。在一个简单的非线性决策边界任务中，这个平台的准确率超过了 97%；在著名的鸢尾花数据集测试中，准确率也超过了 96%，这可是机器学习领域的一个重要标准。在这两个测试里，光子芯片的表现和传统数字神经网络相当，甚至更优，而且运算次数更少，还不需要那些耗电的电子元件。有一个惊人的发现是，芯片上仅仅 4 个非线性光学连接，就相当于传统模型里 20 个带有固定非线性激活函数的线性电子连接。随着芯片架构的扩展，这种高效能带来的潜力不可估量。

和之前那些制造完成后就无法改变的光子系统不同，宾夕法尼亚大学研发的这个芯片一开始就像一张空白画布，泵浦光就像画笔，能在材料里 “绘制” 可重新编程的指令。研究人员表示，这是现场可编程光子计算机概念的有力验证，朝着未来实现光速训练人工智能的目标又迈进了一步。

目前，这项研究主要围绕多项式展开，多项式是机器学习里常用的一类灵活函数。不过，研究团队相信，他们的方法在未来还能实现更强大的运算，比如指数函数或反函数运算。这将为光子系统处理大规模任务，像训练大型语言模型等，开辟新的道路。而且，这个平台用低能耗的光学组件替代会产生热量的电子元件，有望大幅降低人工智能数据中心的能耗，改变机器学习的成本结构。可以说，这或许是光子计算成为电子计算有力替代方案的开端，就像宾夕法尼亚大学是世界上第一台数字计算机 ENIAC 的诞生地一样，这个芯片可能是迈向 “光子版 ENIAC” 的重要一步。

参考资料：DOI： 10.1038/s41566-025-01660-x

来源：百姓认知堂