人工智能的快速发展对数据传输速度提出了更高的要求，传统的电缆连接已成为瓶颈。为了突破这一限制，由密歇根大学领导的研究团队正致力于开发一种基于光波传输的全新芯片连接系统，旨在解决“内存墙”问题，并推动AI模型的进一步发展。该项目获得了来自国家科学基金会的大笔资助，并得到了多所大学和科技巨头的支持，共同致力于提升数据传输速度，以满足日益增长的AI计算需求。
在当今的人工智能（AI）发展中，数据传输速度成为制约其进步的重要瓶颈。为了打破这一壁垒，密歇根大学(U-M)领导的研究团队正在开发一种全新的芯片连接系统，采用光波而非传统电缆进行数据传输。这一创新有望解决限制计算速度的 “内存墙” 问题，推动 AI 模型的进一步增长。
该项目获得了来自国家科学基金会未来半导体项目的200万美元资助，参与单位包括华盛顿大学、宾夕法尼亚大学、劳伦斯伯克利国家实验室，以及谷歌、惠普企业、微软和英伟达等四家行业合作伙伴。尽管数据处理速度在过去20年里提升了60000倍，但计算机内存与处理器之间的数据传输速度仅提升了30倍，这种不成比例的提升使得数据传输成为 AI 模型扩展的最大障碍。
项目的首席研究员、U-M 电气与计算机工程教授李洋（Di Liang）表示:“我们的技术可以使高性能计算与不断增长的数据流保持同步。通过光学连接，我们预计可以实现每秒数十太比特的数据传输速度，超过当前电气连接的速度100倍以上。”
目前，数据在多个内存和处理器芯片之间的传输依赖金属连接，这种方式在速度和带宽上存在严重的局限。随着 AI 模型规模的不断扩大，当前的硬接线连接模式已经难以满足需求。研究团队的新设计将利用光的传输特性，在芯片之间通过称为光波导的通道进行数据传输，极大地提升数据传输效率。
新技术的另一个亮点是其可重构性。研究人员计划使用特殊的相变材料，当材料受到激光或电压刺激时，其折射率会发生变化，从而实现光线路径的灵活调整。正如项目合作者、宾夕法尼亚大学的冯洋（Liang Feng）教授所说:“就像在打开和关闭道路，如果公司采用这一技术生产芯片，他们可以在不改变其他组件布局的情况下，重写不同批次芯片和服务器的连接。”
此外，研究团队还将开发一款流量控制软件，实时监控哪些芯片需要进行通信，以便即时调整连接。这种灵活的连接方式不仅能提高数据处理效率，也能根据不同的 AI 模型需求进行动态调整。
该项目还将为 U-M 的学生提供与行业合作的机会，使他们能够在快速发展的技术领域获得宝贵的实践经验。李教授表示:“与业界的合作让学生们更好地理解现代
这项创新性的光学芯片连接技术，有望彻底解决AI发展中的数据传输瓶颈，为未来AI模型的规模化和性能提升提供强有力的支撑，并为学生提供宝贵的实践学习机会。 其可重构性和灵活的流量控制，更使其在应用方面展现出巨大的潜力。