从去年底到今年3月，与硅光芯片相关的报道又多了起来——从阿里巴巴达摩院将硅光芯片列入2022十大科技趋势、曦智科技(Lightelligence)发布高性能光子计算处理器PACE，到日前GlobalFoundries发布其硅光子工艺平台Fotonix、Marvell发布400G DR4硅光平台、AMD/Xilinx和Ranovus合作发布集成Versal ACAP和Ranovus Odin光通信模组的系统——那么，热闹的新闻背后，到底蕴藏着哪些新的市场商机？ 
突破摩尔定律限制
根据达摩院的趋势解读，硅光芯片的崛起、技术突破和快速迭代、以及高速增长的商业化需求，归因于云计算与人工智能的大爆发。大型分布式计算、大数据分析、云原生应用让数据中心内的数据通信密度大幅提升，数据移动成为性能瓶颈。传统光模块成本过高，难以大规模应用，硅光芯片则能够在低成本的前提下有效提高数据中心内集群之间、服务器之间、乃至于芯片之间的通信效率。
以超大型数据中心为例，根据Equnix的数据，2017年-2021年全球互联网带宽容量的年复合增长率达到了48%，2020年开始正式进入400G时代，并有望于2022年进入800G时代。届时，将有数百万个400GbE+的硅光子收发器与数十万台服务器互连，并将通过新型低延迟的DCI架构扩展AI的边缘，提升高性能计算的算力。
据Yole Development估计，硅光光模块市场将从2018年的约4.55亿美元增长到2024年的约40亿美元，复合年增长率达44.5%。而LightCouting的数据则显示，到2024年，硅光光模块市场市值将达65亿美金，占比高达60%，而在2020年，这一数字仅为3.3%。
另一方面，据Open AI统计，自2012年，每3-4个月人工智能的算力需求就翻倍，当前电子芯片的发展逼近摩尔定律极限，难以满足高性能计算不断增长的数据吞吐需求，而硅光芯片具备的更高计算密度与更低能耗特性，正是极致算力场景下所需要的解决方案。
曦智科技创始人兼CEO沈亦晨博士此前在接受本刊采访时，将算力、数据传输和存储视作当前电子芯片在发展过程中遇到的三个主要瓶颈。以最具代表性的图像/语音识别类AI应用为例，数据显示，与2012年相比，当前最大的神经网络模型大约是当时的15-30万倍，且仍在持续增长。但与之形成鲜明对比的，是底层算力的增长远未达到这一幅度，制约了人工智能的进一步发展。
算力为什么难以跟上AI模型的演进速度？半导体制程微缩逐渐接近物理极限导致的摩尔定律放缓和晶体管功耗散热问题是两大主因。
“2015年以后，随着晶体管体积越来越小，隧穿现象日趋明显。这意味着，即使把单个晶体管做得再小，其在运算时的功耗也没办法进一步降低。但如果为了增强算力增加芯片面积，或是采用芯片级联的方式，功耗又会显著增长。”沈亦晨说，这就是为什么兼具高通量、高能效比、超低延迟特性的硅光技术能成为新兴技术方向之一的原因。
光计算成为新看点
自20世纪70年代末以来，光纤基础设施一直被用于长距离的通信信号传输，因为相比铜基电缆，光纤的带宽容量更大、数据速率更高，且延迟更低。从那时起，高能效光互连就不断渗入重要的电信网络，直至进入数据中心环境中的机架到机架数据链路。但随后越来越多的研究表明，硅光芯片不仅可以用于光通信，以神经网络计算和量子计算为代表的计算领域，也正成为其释放魅力的舞台。
Soitec全球业务部光子材料专家Corrado Sciancalepore在日前撰写的一篇文章中，详细介绍了硅光子是如何赋能量子计算和光神经网络市场的。
硅光子用于神经网络
与硅光用于通信传输领域极为相似的是，全光计算(all-optical computing)还可以用来实现更快的计算，而其功率预算仅为传统数字电子计算架构的一小部分。
众所周知，现在的数字计算机是基于晶体管的，它通过打开和关闭电子信号构成基本的逻辑门电路。但通过光来传输数据与计算数据则完全不同，因为光子器件线性度极高，通过级联不同级别的线性集成光子器件，就能够组成光神经网络(Optical Neural Network，ONN)的相应层。通过这种方式，仅仅依赖从ONN一端流向另一端的光，即可完成顺序矩阵的乘法或转置。
两家初创企业——Lightmatter和曦智科技都是光神经网络加速器领域的佼佼者。其中，曦智科技已经在2021年底发布了最新的高性能光子计算处理器——PACE(Photonic Arithmetic Computing Engine，光子计算引擎)，其在单个光子芯片中集成了超过10,000个光子器件，运行1GHz系统时钟，算力是上一代处理器的100万倍以上，运行特定循环神经网络速度可达目前高端GPU的数百倍。