人工智能不斷發展，對保持AI運行所需的計算能力的渴望也與日俱增。
Lightmatter，一家誕生于MIT的初創公司，他們正在押注一款使用光運算的AI芯片，他們認為這種無盡的渴求正在給他們帶來新的機會。
Lightmatter首席執行官尼克·哈里斯（Nick Harris）說：“在這種場景下，要么我們發明新的計算機以繼續下去，要么人工智能放慢速度。”
常規的計算機芯片通過使用晶體管來控制通過半導體的電子流來工作。通過將信息減少為一系列的1和0，這些芯片可以執行各種邏輯運算，并為復雜的軟件提供功能。
相比之下，Lightmatter的芯片僅設計用于執行特定類型的數學計算，這對于運行功能強大的AI程序至關重要。
哈里斯（Harris）最近在公司位于波士頓的總部向WIRED公司展示了這種新芯片。它看起來像是一個普通的計算機芯片，上面有幾根光纖線。但是它通過在細小的通道內分離和混合光束（僅幾納米）來執行計算。下層的硅芯片可協調光子部件的功能，并提供臨時的存儲器存儲。
Lightmatter計劃在今年晚些時候開始發售其首款基于光的AI芯片，稱為Envise。它的合作伙伴將發貨包含16個Envise芯片的刀片服務器，以適合常規數據中心。該公司已從GV（前Google Ventures），Spark Capital和Matrix Partners籌集了2200萬美元。
該公司表示，根據任務的不同，其芯片的運行速度比頂級Nvidia A100 AI芯片快1.5至10倍。例如，Lightmatter運行一個名為BERT的自然語言模型，說Envise的速度是Nvidia芯片的五倍。但僅消耗了六分之一的功耗。針對這個，英偉達拒絕置評。
該技術具有技術限制，那就是他們可能很難說服公司轉而使用未經驗證的設計。但是，Semico的分析師Rich Wawrzyniak簡要介紹了這項技術，他說他相信這項技術很有可能獲得關注。他說：“他們向我展示的東西-我認為這很好。”
Wawrzyniak期望大型科技公司至少可以測試該技術，因為對AI的需求及其使用成本增長如此之快。他說：“從許多不同的角度來看，這是一個緊迫的問題。” 數據中心的電力需求“像火箭一樣攀升”。
對于某些AI計算，Lightmatter的芯片速度更快，效率更高，因為可以在不同波長的光中更高效地編碼信息，并且控制光比通過晶體管控制電子流所需的功率更少。
Lightmatter芯片的一個關鍵限制是它的計算是模擬的，而不是數字的。這使它本質上不如數字硅芯片準確，但是該公司已經提出了提高計算精度的技術。Lightmatter最初會將其芯片推向市場，用于運行預先訓練的AI模型，而不是用于訓練模型，因為后者需要較低的精度，但是Harris原則上可以做到兩者兼而有之。
該芯片將基于訓練大型或“深度”神經網絡以理解數據并做出有用的決策，從而對一種稱為“深度學習”的AI最為有用。該方法為計算機提供了圖像和視頻處理，自然語言理解，機器人技術以及使業務數據有意義的新功能。但這需要大量的數據和計算功能。
訓練和運行深度神經網絡意味著需要執行許多并行計算，這項任務非常適合高端圖形芯片。深度學習的興起已經激發了新芯片設計的興旺發展，從用于數據中心的專用芯片設計到用于移動設備和可穿戴設備的高效設計。
加州大學洛杉磯分校（UCLA）從事光子計算的Aydogan Ozcan教授認為，人工智能的興起可以使Lightmatter等技術脫穎而出。他建議向新形式的光子計算的轉變甚至可能會開辟新的AI方式。他說：“我們可能會看到在計算速度，功能和并行性方面的重大進步，這將進一步推動并加速AI的成功。”
使用光進行計算的想法可追溯到1950年代。但是事實證明，電子計算對于開發和商業化更為實用。貝爾實驗室（Bell Labs）在1980年代嘗試創建一種通用的基于光的芯片，但由于難以構建有效的光敏晶體管而失敗了。
Lightmatter表示，其芯片可以放入現有的數據中心，并可以與大多數主要的AI軟件一起使用。該公司計劃在今年晚些時候推出一種新技術，以使用其光子技術連接芯片，包括其他公司制造的芯片。光被廣泛用于使用光纖電纜在計算機之間傳遞信息。
哈里斯（Harris）認為，由于成本和能源使用的上漲以及即將出現的工程限制，人工智能將在未來幾年陷入困境。隨著工程師試圖將更多的晶體管塞入芯片以提高性能，芯片可能變得過熱而無法管理。
即使芯片制造商繼續使用聰明的工程和制造方法從設計中提取更多的計算量，但AI領域似乎處于幾乎不可持續的軌道上。OpenAI的最新數據顯示，進行具有里程碑意義的AI研究所需的計算機能力大約每3.4個月翻一番-在2012年至2018年期間增長了300,000倍。
但是一些AI專家警告說，由于不斷擴大計算機功能的成本，AI的進展可能會開始放緩。其他人則擔心耗電量大的AI算法的廣泛使用對環境的潛在影響。