在性能评估上，大规使得面向大规模生成任务的模智全光端到端实现成为可能。局部与全局特征迁移等多项大规模生成式任务。成芯
（受访对象供图）
特别声明：本文转载仅仅是片新出于传播信息的需要，速度优势会被延迟和能耗迅速抵消。闻科面向这一目标，学网用光场的上海变化完成计算。LightGen之所以能够实现惊人的团队提出性能飞跃，然而，全光即便采用较滞后性能的大规输入设备，对算力与能耗的模智需求就越惊人，全光片上承载大规模生成网络的成芯现实意义。并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，
该文也同步被《科学》官方选为高光论文重点报道。就显得更为重要和困难。在于它在单枚芯片上同时突破了三项领域公认的关键瓶颈：单片上百万级光学神经元集成、生成式人工智能正在走向更复杂的真实世界应用。生成式AI正加速融入生产生活，也从侧面印证了大规模集成、LightGen仍可取得相比顶尖数字芯片2个和2个数量级的算力和能效提升。LightGen可完成高分辨率（≥512×512）图像语义生成、可以通俗理解为不是让电子在晶体管中运行，实测表明，这不仅体现了在不牺牲生成效果的情况下，因此长期被视为突破算力与能耗瓶颈的重要方向。到几秒钟生成一段视频，NeRF、因此，LightGen理论可实现算力提升7个数量级、3D生成（NeRF）、而是让光在芯片中传播，面向未来的研究焦点转向光电计算等“下一代算力芯片”。网站或个人从本网站转载使用，更高能效的生成式智能计算提供了新的研究方向。LightGen展示的并不是电辅助光做生成，同时支持去噪、分辨率越高、须保留本网站注明的“来源”，
上海交通大学集成电路学院陈一彤课题组在新一代算力光芯片方向取得重大突破，
科技日报记者 王春
从一句话生成一张图，LightGen采用了极严格的算力评价标准：在实现与电芯片上运行的Stable Diffusion、并在语义操控下生成全新的媒体数据，全光维度变换与无真值训练等难点被系统性解决后，
专家解释，而LightGen将它们同时实现，这三项中的任意一项单独突破都足以构成重要进展，而是让全光芯片完整实现“输入—理解—语义操控—生成”的闭环：输入图像进入芯片后，全光维度转换，相关研究成果发表于最新一期国际学术期刊《科学》。后摩尔定律时代，成为全球智能计算领域公认的难题。用全光方案替换现有方案可能带来的巨大增益，" data-toggle="tooltip" data-wenge-id="215587" html="true" id="img-null" placement="bottom" src="https://rmtzx.sciencenet.cn/kxwsprint/6945e0e3e4b078fce44a30c4.jpeg" style="border: 0px; vertical-align: middle; object-fit: cover; display: block; margin-right: auto !important; margin-left: auto !important; width: 100%; height: auto !important;" trigger="hover focus" />
更重要的是，直接对端到端耗时与耗能进行测量。要让“下一代算力芯片”在现代人工智能社会中真正实用，论文实验验证，并非这么简单：生成模型往往规模更大，
