太极以分布式计算拓展光学 AI 的规模

清华大学太极研究公告中的实验室团队合影。摄影：清华大学电子工程系。[2]

光可以在光学电路中完成计算，但电路规模扩大后，一个棘手的问题随之出现：物理误差有沿途累积的风险。神经网络要具备实用价值，除了速度，还得足够准确地完成预定计算，才能得出正确答案。[1]

清华大学的太极研究从任务分工入手处理这一问题。2024 年 4 月发表的芯粒论文探索了分布式光学架构，同年 8 月在线发表的第二篇论文则研究如何直接在物理光学系统上学习。[1][4] 将两项实验放在一起看，可以看到中国 AI 硬件研究的一个重要方向：寻找与物理介质特性相适应的计算体系。

让光计算向宽度展开

最初的太极设计结合了两种光学技术：衍射承担高度并行的处理，干涉承担可重构计算。研究人员将两者纳入编码、特征处理和解码的流程，再用分布式协议把较大的任务拆成较小的部分。[2]

清华大学将这种做法描述为向宽度扩展。一个大问题被分解为一组子问题，分别交给光子芯粒处理，再汇总各自的结果。这样可以应对一项难题：复杂计算若要经过越来越深的物理操作链，每个环节的误差都会增加完成计算的难度。[2]

对于习惯阅读处理器规格的读者，这里的要点在于分工。架构决定了各个光学部件接到什么任务，以及如何把分散的计算结果重新组织成可用的答案。高速部件有了周边环节的配合，才有条件处理更大的任务。

这些芯粒还把几种容易被分开讨论的物理功能结合起来。太极的贡献包含了这些功能之间的联系：输入如何编码、如何变换，又如何还原为输出。正是这种联系，让这项研究除了器件本身，也值得放在计算基础设施的层面讨论。[2]

4 月的论文报告了 每秒每瓦 160 万亿次运算的能效，以及在 1,623 类 Omniglot 字符分类任务上达到 91.89% 的准确率。这些数字来自作者的光计算实验，具体展示了更大规模光子计算的实验成果，测量范围尚未涉及当代语言模型的服务成本。[1]

配套发布的数据让实验范围变得格外清楚。研究团队在 Dryad 上提供了经过预处理的 CIFAR-10、mini-ImageNet、Omniglot 和巴赫众赞歌数据集。说明文档记载，图像经过尺寸调整或裁剪，训练集与测试集的划分经过重新编排，输入也按光学硬件的要求作了适配。[3]

这些准备工作也是系统的一部分。基准测试使用熟悉的数据集名称，仍不足以保证两台机器收到相同的输入，或遵循相同的评估流程。要作比较，就得同时核对实际的数据预处理、训练与测试划分、模型以及测量方法。

因此，这份数据资料除了帮助复现实验，还揭示了通用数据集转变为器件可接受任务的具体环节。对于一种新兴计算平台，这种转换本身就是工程成果，也是理解所报告结果时必须一并考虑的前提条件。[3]

8 月的研究处理了另一项依赖：借助数字仿真训练光学神经网络，前提是模型能足够准确地描述物理装置。建模系统与真实系统之间的偏差，会影响计算能否按预期完成。[4]

研究人员提出的全前向模式（fully forward mode）方法，利用空间对称性和光学互易性，经由前向传播获取学习所需的信息。数据和误差信号穿过物理系统，测得的光场则用于计算梯度、更新参数。[4]

这里的区别关系到训练如何完成。训练仍然包含目标、误差和参数更新；这项工作的贡献，是从物理系统中获取更新所需的信息，从而减少对数值建模的依赖。论文在自由空间光学系统和集成光学系统中都演示了这一方法。[4]

清华大学于 2024 年 8 月 9 日发布的中文公告，将这款训练芯片称为太极-II（Taichi-II），并明确区分了此前的推理研究与这次训练方面的进展。公告还提到从原型器件走向产业化的方向。[5] 这份带有明确日期的公告记录了当时的研究方向，完整商业平台是否已经可用，仍需另有证据。

在我看来，两项研究最突出的共同贡献在于组织方式。一项把更大的任务分配给多个光学部件，另一项让物理系统更直接地参与学习。它们各自减轻了一项具体障碍，让具有吸引力的器件朝着实用机器又走近一步。

下一项有说服力的演示，应当让一个尚未尝试过的任务走完整个流程：输入预处理、训练或模型映射、光学执行，以及输出还原。演示还应报告完整任务的耗时与能耗，说明计入了哪些外围设备，并展示反复运行后能否保持结果。

这些测量也会让供应链问题变得具体：哪些部件需要定制制造？哪些调整需要实验室专业人员操作？哪些步骤可以由软件在另一台设备上可靠地重复？这些问题用于评估实际部署，尚不能据此认定两篇论文已经暴露了相应缺陷。

太极为这样的评估提供了扎实的起点。2024 年的实验展示了光学 AI 如何根据硬件特性重新组织计算与学习，进而扩大规模。接下来更长的一段路，是让这套组织方式具备足够的可复现性，供原实验室之外的人使用。