人工智能的快速發展對數據傳輸速度提出了更高的要求，傳統的電纜連接已成為瓶頸。為了突破這一限制，由密歇根大學領導的研究團隊正致力於開發一種基於光波傳輸的全新芯片連接系統，旨在解決“內存牆”問題，並推動AI模型的進一步發展。該項目獲得了來自國家科學基金會的大筆資助，並得到了多所大學和科技巨頭的支持，共同致力於提升數據傳輸速度，以滿足日益增長的AI計算需求。
在當今的人工智能（AI）發展中，數據傳輸速度成為製約其進步的重要瓶頸。為了打破這一壁壘，密歇根大學(UM)領導的研究團隊正在開發一種全新的芯片連接系統，採用光波而非傳統電纜進行數據傳輸。這一創新有望解決限制計算速度的“內存牆” 問題，推動AI 模型的進一步增長。
該項目獲得了來自國家科學基金會未來半導體項目的200萬美元資助，參與單位包括華盛頓大學、賓夕法尼亞大學、勞倫斯伯克利國家實驗室，以及谷歌、惠普企業、微軟和英偉達等四家行業合作夥伴。儘管數據處理速度在過去20年裡提升了60000倍，但計算機內存與處理器之間的數據傳輸速度僅提升了30倍，這種不成比例的提升使得數據傳輸成為AI 模型擴展的最大障礙。
項目的首席研究員、UM 電氣與計算機工程教授李洋（Di Liang）表示:“我們的技術可以使高性能計算與不斷增長的數據流保持同步。通過光學連接，我們預計可以實現每秒數十太比特的數據傳輸速度，超過當前電氣連接的速度100倍以上。”
目前，數據在多個內存和處理器芯片之間的傳輸依賴金屬連接，這種方式在速度和帶寬上存在嚴重的局限。隨著AI 模型規模的不斷擴大，當前的硬接線連接模式已經難以滿足需求。研究團隊的新設計將利用光的傳輸特性，在芯片之間通過稱為光波導的通道進行數據傳輸，極大地提升數據傳輸效率。
新技術的另一個亮點是其可重構性。研究人員計劃使用特殊的相變材料，當材料受到激光或電壓刺激時，其折射率會發生變化，從而實現光線路徑的靈活調整。正如項目合作者、賓夕法尼亞大學的馮洋（Liang Feng）教授所說:“就像在打開和關閉道路，如果公司採用這一技術生產芯片，他們可以在不改變其他組件佈局的情況下，重寫不同批次芯片和服務器的連接。”
此外，研究團隊還將開發一款流量控制軟件，實時監控哪些芯片需要進行通信，以便即時調整連接。這種靈活的連接方式不僅能提高數據處理效率，也能根據不同的AI 模型需求進行動態調整。
該項目還將為UM 的學生提供與行業合作的機會，使他們能夠在快速發展的技術領域獲得寶貴的實踐經驗。李教授表示:“與業界的合作讓學生們更好地理解現代
這項創新性的光學芯片連接技術，有望徹底解決AI發展中的數據傳輸瓶頸，為未來AI模型的規模化和性能提升提供強有力的支撐，並為學生提供寶貴的實踐學習機會。 其可重構性和靈活的流量控制，更使其在應用方面展現出巨大的潛力。