近日，賓夕法尼亞大學的工程師們取得了一項令人矚目的科技突破，他們成功研發出全球首個可編程光子芯片，這個芯片能夠利用光來訓練非線性神經網絡，有望讓人工智能實現大飛躍，變得更快、更節能。這一成果，很可能成為邁向全光驅動計算機的重要一步。

如今，大多數人工智能系統都依賴神經網絡，它就像是模仿生物神經組織設計的軟件。生物的神經元相互連接，讓生物能夠思考；而神經網絡則把簡單的單元，也就是 “節點” 連接成不同層次，使人工智能系統可以完成復雜的任務。在人工和生物系統里，這些節點只有在達到一定閾值時才會 “啟動”，這是一個非線性的過程，它能讓輸入的小變化帶來輸出端更大、更復雜的改變。要是沒有這種非線性，增加再多的網絡層也沒用，系統就只能進行簡單的單層線性運算，也就是把輸入直接相加，根本無法實現真正的學習。

很多科研團隊，包括賓夕法尼亞大學工程學院的團隊，之前都開發出過能處理線性數學運算的光驅動芯片，但一直沒人能僅利用光來實現非線性函數的運算。直到現在，這個難題才被賓夕法尼亞大學的團隊攻克。

這個團隊的突破源自一種特殊的半導體材料，它對光有獨特的反應。當攜帶輸入數據的 “信號光” 穿過這種材料時，另一束 “泵浦光” 會從上方照射過來，改變材料的反應。通過調整泵浦光的形狀和強度，研究團隊就能控制信號光的吸收、傳輸或放大情況，這取決于信號光的強度和材料自身的特性。這個過程就像是給芯片 “編程”，讓它能執行不同的非線性函數運算。用團隊成員的話說，他們不是在改變芯片的結構，而是利用光在材料內部創造圖案，進而改變光在其中的傳播方式。最終得到的是一個可重構的系統，根據泵浦光的圖案，它能實現多種數學函數運算。這種靈活性讓芯片可以實時學習，根據輸出的反饋來調整自身的行為。

為了測試芯片的能力，研究團隊用它來解決一些人工智能領域的標準難題。在一個簡單的非線性決策邊界任務中，這個平臺的準確率超過了 97%；在著名的鳶尾花數據集測試中，準確率也超過了 96%，這可是機器學習領域的一個重要標準。在這兩個測試里，光子芯片的表現和傳統數字神經網絡相當，甚至更優，而且運算次數更少，還不需要那些耗電的電子元件。有一個驚人的發現是，芯片上僅僅 4 個非線性光學連接，就相當于傳統模型里 20 個帶有固定非線性激活函數的線性電子連接。隨著芯片架構的擴展，這種高效能帶來的潛力不可估量。

和之前那些制造完成后就無法改變的光子系統不同，賓夕法尼亞大學研發的這個芯片一開始就像一張空白畫布，泵浦光就像畫筆，能在材料里 “繪制” 可重新編程的指令。研究人員表示，這是現場可編程光子計算機概念的有力驗證，朝著未來實現光速訓練人工智能的目標又邁進了一步。

目前，這項研究主要圍繞多項式展開，多項式是機器學習里常用的一類靈活函數。不過，研究團隊相信，他們的方法在未來還能實現更強大的運算，比如指數函數或反函數運算。這將為光子系統處理大規模任務，像訓練大型語言模型等，開辟新的道路。而且，這個平臺用低能耗的光學組件替代會產生熱量的電子元件，有望大幅降低人工智能數據中心的能耗，改變機器學習的成本結構。可以說，這或許是光子計算成為電子計算有力替代方案的開端，就像賓夕法尼亞大學是世界上第一臺數字計算機 ENIAC 的誕生地一樣，這個芯片可能是邁向 “光子版 ENIAC” 的重要一步。

參考資料：DOI： 10.1038/s41566-025-01660-x