AI 晶片最浪費的也許不是「算」，而是一直搬資料：7,378 個光子神經元開始把記憶直接放進光裡

FLARE 將 7,378 個光子記憶神經元整合在單片系統，試圖把感測、狀態保存與運算放在同一物理層，挑戰 AI 系統長久以來的資料搬運瓶頸。

真正耗能的是搬來搬去

傳統計算把處理器與記憶體分開，模型每次推論都要搬運權重、中間狀態與感測資料。當模型變大，資料移動的時間和能耗可能比乘加運算更棘手，形成 memory wall。FLARE 的重點不是單純把電子換成光，而是讓記憶與運算留在同一套光子神經元中。

7,378 個神經元意味什麼

研究系統在單片上整合 7,378 個光子記憶神經元，嘗試同時保存秒級長期狀態與 GHz 級短期動態。兩個尺度並存，使裝置不只做瞬時矩陣運算，也能保留環境脈絡。數量值得注意，但不能只把元件數直接等同於生物神經元或通用 AI 能力。

記憶直接放進光裡

光學元件可用相位、強度與材料狀態表示資訊。當狀態在元件中持續存在，下一次輸入可直接與既有狀態交互作用，減少讀寫外部記憶體。這類存內計算的價值在於縮短資料路徑，但也帶來漂移、噪聲、製程差異與讀出校準的新問題。

無人機示範證明了什麼

研究以十核心系統展示賽車無人機視覺導航，說明架構能處理連續感測和快速決策，而非只在靜態資料集上分類。不過示範仍是研究環境中的系統驗證，距離大規模量產、全天候飛行與安全認證尚有距離，不能寫成光子晶片已取代 GPU。

61.87 aJ/op 要如何閱讀

極低的運算能耗指標呈現元件與特定操作的潛力，但完整系統還包含雷射、調變器、驅動、類比數位轉換、散熱與控制。比較技術時應說明計量邊界、精度和任務，否則容易拿晶片內部操作與整機功耗做不公平比較。政策與產業判斷需要端到端數據。

新瓶頸可能轉向封裝

若資料搬運減少，瓶頸可能移到光源效率、耦合損耗、溫度穩定、封裝密度與校準。光子元件對製程與環境變動敏感，大規模陣列如何維持一致性，將決定它能否從論文走向產品。未來競爭不只是誰有更快核心，也包括誰能把光、電、記憶材料和軟體工具鏈可靠整合。

產業價值鏈會重新分工

存內光計算若成熟，晶圓製造、光學封裝、控制 IC、演算法編譯與感測器廠商都會重新分工。地方產業不必只追逐最先進製程，也可能從測試、封裝、校準設備或垂直應用建立位置。評估投資時應區分研究突破、工程原型與商業供應鏈三個階段。

不是光取代電，而是邊界重畫

FLARE 提出的核心問題是：感測、記憶和推論是否必須分成三個地方完成。當狀態能留在光子元件裡，AI 系統可能以更低延遲理解連續世界；但可靠性、尺度化和完整能耗仍需驗證。它不是 GPU 終結者的宣言，而是一條重新設計資料流的實驗路徑。

指標必須回到系統邊界

閱讀光子計算的能耗數字時，第一個問題應是：這個數字涵蓋了什麼？元件內一次操作的能量、雷射輸入、調變與讀出、控制電子、資料轉換、封裝散熱和待機校準，可能由不同研究以不同方式計入。若沒有說明精度、吞吐量、任務類型與量測條件，再低的 aJ/op 也不能直接和整台加速器或資料中心的耗電相比。這不是降低研究成果的價值，而是讓工程團隊能知道下一個真正需要改善的環節是光源、介面、控制，還是演算法映射。

可靠度同樣需要用時間來看。光子元件的狀態可能受到溫度、製程偏差、材料老化與外部噪聲影響；為維持準確度而加入的校準頻率和冗餘，會改變最終延遲與能耗。研究原型能證明物理機制可行，量產前還要回答元件分布、封裝良率、故障偵測與維修流程等問題。對需要長時間運作的感測或機器人應用而言，短時間示範的成功不等於在振動、溫度變化或供電限制下仍能維持同樣表現。

讓產業投資對準可驗證的節點

產業策略不必把光子硬體想成只有「追上最先進晶片」一條路。從光電封裝、耦合測試、熱管理、校準軟體、設計工具到特定感測應用，都是需要長期累積能力的節點。較好的投資評估會先辨識預計服務的工作負載，接著設定端到端的延遲、功耗、精度、可靠度與成本門檻，再決定哪些零組件和人才需要在地投入。這比以單一元件數或單次展示作為成功標準，更能看出供應鏈實際能承擔的風險。

公共資源若要支持此類技術，也應要求可比較的測試與透明報告，例如使用何種基準、哪些工作被排除、失敗或校準成本如何計算、資料與工具鏈是否能被不同團隊檢驗。當研究、製造與應用端共同使用清楚的系統邊界，光子存內計算才能從吸睛的硬體敘事，逐步成為能被採購、維護和問責的工程選項。

把不確定性變成下一次可用的資訊

任何新技術、環境觀察或工程設計，都不應只以最成功的一次展示作為唯一證據。更有用的紀錄會同時保留適用條件、量測方法、未能解釋的現象和沒有達到預期的結果。這不是削弱結論，而是讓使用者知道哪些部分可以作為當下判斷，哪些部分仍需其他資料補足。當後續資料改變原先理解時，清楚的版本、時間與理由也能讓研究者、決策者與受影響者一起追溯調整，而不必把修正誤解為失敗。

在實務上，下一步可先選擇少量與本篇議題直接相關、能被持續檢查的指標，並設定何時需要人工覆核。例如，除了記錄一項表現是否改善，也要看它在不同條件下是否穩定、是否把成本或風險轉移給其他人、以及當結果與預期不符時誰有權停止或改變做法。這些問題能把抽象的「創新」轉成可被採購、維護、溝通與問責的工作，而不是只留下一個難以驗證的宣傳句子。

公開溝通也應誠實區分已知與未知。讀者需要知道資料來自何種研究、示範或觀測，卻不需要被迫接受超出證據的保證；相對地，提出限制也不代表忽略潛在價值。當不同專業、在地經驗與公共需求可以在同一份可追溯紀錄中提出問題，新的知識才有機會在被檢驗的同時持續改進。這種可修正性，正是把一次案例轉化為長期公共價值的條件。

建立這樣的紀錄不必等到大型計畫才開始。即使是小型試作，也可以先訂出資料最少要包含的背景、判讀責任、回應期限和停止條件，並在下一次檢討前不任意刪除不利結果。若資料涉及社群、使用者或合作機構，應讓他們知道自己能查看什麼、如何提出更正、何時能拒絕後續使用。這些基本安排不會取代專業測試，卻能防止技術敘事在傳播時失去原本的限制，也讓後續參與者能在同一基礎上提出更好的問題。共同檢視的目的不是拖慢行動，而是讓每次行動的理由、責任與修正空間都能被清楚看見。這也能避免短期成效遮蔽長期風險，並讓新證據有明確入口。

來源

• Nature Photonics｜FLARE photonic in-memory computing
• Tsinghua University｜FLARE research report
• Crossref｜FLARE publication record