Whoscored中文官网 | 编译自 EE Times
莫里斯-斯坦曼，来源：Lightelligence
半导体行业再次处于拐点，享受着颠覆性的人工智能（AI）应用所带来的复兴，如自动驾驶和大型语言模型（LLMs）。像OpenAI的ChatGPT这样的LLMs已经突然在日常对话中流行起来，因为 "聊天机器人"的复杂性似乎已经跨越了对话能力的门槛。将这项技术整合到各种服务中的潜力似乎是无限的。
这种智能水平需要从数据中分析和提取信息，需要强大的数据存储、传输和处理能力，对现有数据中心和边缘设备的计算能力构成了挑战。据《财务在线》估计，2021-2024年的数据消费的增长，或将增长，从2021年的74 zettabyes（数据单位等于六亿）到2022年的94 zettabytes，2023年和2024年分别为118和149。这些数字是惊人的，而目前数据中心的计算能力很难跟上。部署在数据中心的离散计算系统和大规模分布式计算系统，是无法满足这种对计算能力不断增长的需求。
当然，工程师们不断地开发更复杂的模型来分析和使用数据，最终提高生产力。然而，提高计算能力的传统方式受到物理原理的限制，而传统的单芯片计算能力路径是不可持续的。更多的创新正迅速成为IT市场的当务之急，也是半导体行业的一个机会。
传统计算芯片的性能增长已经遇到了瓶颈。自60年前半导体行业开始以来，计算能力的进步是由摩尔定律（预测晶体管密度每18个月翻一番）和Dennard Scaling法则（功率密度随着晶体管密度的提高而保持不变的缩放法则）描述的。
两者的结合使芯片能够不断提高计算能力，同时保持能量和面积消耗不变。随着芯片制造工艺向5纳米和3纳米发展，晶体管密度已接近其物理极限。摩尔定律正在放缓。Dennard Scaling法则大约在2004年结束，导致了 "电源墙"，即随着晶体管密度的提高，电源和散热受到了挑战。在先进工艺下的流片和设计成本更高，并产生了 "成本墙"。传统的单芯片计算功率改进路径是不可持续的。
当然，为了提高和更好地利用计算能力，已经做出了渐进的努力。但是，突破当前的瓶颈和克服数据中心面临的的挑战，需要基础技术的创新。而现在出现了一种新的方法：基于大规模光电集成技术的数据中心计算模式，用于下一代数据中心的发展。其结果是大规模的光电集成取代了传统的数字电路，引入了基于集成硅光子技术的信息处理和互连能力。
集成硅光子技术的光电混合数据中心结合了光计算、片上和片间光网络以及其他技术，纵向提高单节点计算能力（扩展），横向提高大规模分布式计算的效率（扩展）。其中一个解决方案侧重于基于硅光子技术的新的数据中心计算模式。
即使摩尔定律和Dennard Scaling法则继续下去，计算能力的指数级增长也不能由离散的计算系统来满足。相反，随着资源消耗的增加，大规模的分布式计算系统必须部署在数据中心，以满足计算需求。
硅光子计算提供了一条超越摩尔定律的计算能力提升之路，因为晶圆级片上光网络使该计算模式能够与传统的电子芯片和存储芯片有效配合，提高单节点的计算能力。与所有新技术一样，新型计算模式在供应链、生态系统和商业模式方面将经历一个过渡阶段。
从低级别的组件到顶级的应用软件开发，都需要进行创新。然而，基于硅光子技术的新计算模式的前景是激动人心的，它可以帮助应对数据中心的挑战，直到zettabytes时代结束，进入yottabytes时代及以后。
微信公众号 
bilibili 
微信视频号