光线弯曲物理学让"隐形斗篷"成为可能,现在两家初创公司希望利用这一技术突破的基础科学来提升数据中心的带宽并加速人工智能发展。
大约20年前,科学家们开发出了第一批能够让光线绕过物体从而隐藏物体的结构。这些结构由光学超材料组成——这些材料的结构比它们设计用来操控的波长更小,让它们能够以意想不到的方式弯曲光线。
光学斗篷的问题在哪里?"它们没有市场,"德克萨斯州奥斯汀光子计算初创公司Neurophos的联合创始人兼CEO帕特里克·鲍文说。例如,每个光学斗篷通常只对单一颜色的光有效,而不是对所有可见光颜色都有效,这与隐身应用的需求不符。
如今,公司们正在为斗篷背后的科学寻找更实用的用途,比如改进连接数据中心计算机的交换机,以支持AI和其他云服务。越来越多的数据中心正在寻求使用光学电路交换机,以克服传统电子交换机和网络的带宽限制和功耗问题,这些传统系统需要多次在光和电子之间转换数据。
然而,当今的光学交换技术也有自己的缺点。华盛顿州雷德蒙德光学超表面初创公司Lumotive的CEO萨姆·海达里表示,依赖硅光子学的技术面临能效问题,而依赖微电机系统的技术可能不太可靠。
相反,Lumotive开发了具有可调特性的超材料。该公司于3月19日首次亮相的新微芯片,表面覆盖着使用标准芯片制造技术构建的铜结构。在这些铜特征之间是液晶元件。这些元件的结构可以通过电子编程,就像液晶显示器一样,来改变超材料芯片的光学特性。
这种微芯片可以精确地引导、聚焦、塑形和分束从其表面反射的光束。据Lumotive介绍,它可以实时以可编程方式执行多个光学组件的所有相同功能,且无运动部件。"没有运动部件大大提高了可靠性,"海达里说。
"我们必须在代工厂进行大量研发工作,不仅要让我们的设备具备功能性,还要在合适的成本和可靠性方面具备商业可行性,"海达里说。
该公司表示,其新芯片不仅能够处理行业标准的256×256端口,还可以扩展到10,000×10,000。"我们认为这对数据中心来说是革命性的,"海达里说。Lumotive计划在2026年底推出其首批光学交换机。
阵列技术突破
同样,Neurophos希望其技术能够为人工智能带来变革。由于AI在传统电子设备上运行时证明非常耗能,科学家们正在探索光学计算作为低功耗替代方案,通过用光而不是电子来处理数据。
然而,鲍文表示,目前正在开发的光学处理器通常体积过于庞大,无法实现与最佳现代电子处理器竞争的计算密度。Neurophos表示,它可以使用超材料构建光学调制器——光学晶体管的等效物——其尺寸是当今设计的1/10,000,并使用标准芯片制造工艺。"这完全是CMOS技术,"鲍文说。"其中没有任何特殊材料。"
当编码数据的激光束照射到Neurophos芯片上时,每个超材料元件的配置方式会改变反射光束,以编码复杂AI任务的结果。"我们基本上在芯片上5×5毫米的微小区域内装入了1,000×1,000的光学调制器阵列,"鲍文说。"如果你想用现成的硅光子学做到这一点,你的芯片将需要一平方米的尺寸。"
总的来说,鲍文声称Neurophos微芯片将提供比英伟达Blackwell代GPU高50倍的计算密度和50倍的能效。该公司表示,超大规模云服务提供商将在今年评估两款即将推出的概念验证芯片。Neurophos的目标是在2028年初推出首批系统,并在2028年中期加速生产。
Q&A
Q1:什么是光学超材料?它有什么特殊能力?
A:光学超材料是一种结构比它们设计用来操控的波长更小的材料,能够以意想不到的方式弯曲光线。最初这种技术被用来制造"隐形斗篷",让光线绕过物体从而隐藏物体。现在初创公司正将这项技术应用到更实用的领域,如数据中心的光学交换和AI计算。
Q2:Lumotive的光学超材料芯片有什么优势?
A:Lumotive开发的超材料芯片具有可调特性,表面覆盖铜结构和液晶元件,可通过电子编程改变光学特性。该芯片能精确引导、聚焦、塑形和分束光线,无运动部件,大大提高可靠性。它能处理256×256端口并可扩展到10,000×10,000,计划2026年底推出首批产品。
Q3:Neurophos如何用超材料技术改进AI计算?
A:Neurophos使用超材料构建光学调制器,尺寸仅为传统设计的1/10,000。在5×5毫米芯片区域内装入1,000×1,000光学调制器阵列,而用传统硅光子学需要一平方米。该公司声称其芯片比英伟达Blackwell代GPU具有50倍计算密度和能效,计划2028年推出产品。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。