智能光芯再创新高

清华大学电子工程系方璐教授课题组和自动化系戴琼海院士课题组取得重大突破，实现了光计算系统大规模神经网络的高效精准训练。

研究成果以《光神经网络全前向训练》为题，于北京时间 8 月 7 日晚在线发表于《自然》期刊。随着人工智能大模型的蓬勃发展和广泛应用，算力已成为重要的战略手段和基础设施。

长期以来，电子芯片的算力增长支撑着 AI 模型规模的不断扩大，但其高能耗也带来了前所未有的能源挑战，因此迫切需要建立和发展新的计算模式。

光计算以光作为计算媒介，利用光的可控传播建立计算模型，因其高算力和低能耗特性，为智能计算开辟了新的道路，在后摩尔时代展示出巨大的潜力。

训练和推理是 AI 大模型核心能力的两个基石，缺一不可。与推理相比，模型训练对算力的需求更为迫切。电训练架构要求前向和反向传播模型高度匹配，这给光计算物理系统的精准对齐提出了苛刻的要求，导致梯度计算困难、离线建模缓慢、映射误差较大，极大地限制了光训练的规模和效率。

清华大学电子工程系方璐教授课题组、自动化系戴琼海教授课题组构建了光子传播对称性模型，摒弃了电训练反向传播模式，开创了全前向智能光计算训练架构，研制了通用光训练芯片“太极-II”，摆脱了对离线训练的依赖，支持智能系统的高效精准光训练。

“太极-II”的诞生填补了智能光计算在大规模训练这一核心拼图的空白。