ACCEL的图像识别过程，分为OAC（Optical Analog Computing，光模拟计算）和EAC（Electronic Analog Computing，电模拟计算）两个环节。小车的光学图像包含极多光学信号，经过光学元器件阵列，不断进行“特征提取”，相当于用ONN实现深度神经网络运算，在OAC里生成了小量光学信号（但包含了关键信息）。OAC输出的光信号，经过少量光电二极管阵列转换（只有32 × 32个），变成电信号（仍然是模拟信号）。这些电信号在EAC里的SRAM阵列里传输，用巧妙的办法模拟了一个神经网络全连接层。最后电信号形成了简单的脉冲序列输出，完成识别过程。

可以看出，OAC借鉴了ONN的技术，主要的创新是在EAC环节。SRAM是static random-access memory，存储一个比特。EAC模拟实现了一个二值化的神经网络全连接层。全连接是模式识别的深度神经网络最后一层常用办法，EAC里是1024 × N的全连接（1024就是32 × 32个从OAC转换来的电信号，N是需要识别的物体种类数，ACCEL里N小于等于16）。

二值化神经网络连接是说，权重系数只有两种状态（正和负）。每个从光信号转来的电信号，会根据其连接的SRAM存储的比特值是0还是1，决定连到V+还是V-这两条线之一。两条线各有一些电信号连过来，先各自根据基尔霍夫定律合并出电流值，再在输出Node互相比较电流大小，得出一个电压差脉冲输出。如果有N个物体需要分辨，从OAC转换来的电信号会同时接到N组SRAM里，组合出N个脉冲输出。最后脉冲在Comparator里比较，哪个大就代表识别结果是它。神经网络训练，就是根据正确输出结果，告诉EAC，对应Node输出的脉冲大了、小了，反向去修改SRAM里的0和1值。训练好了，1024×N个SRAM里就存储了一套权重系数，可以用于模式识别了。

整个过程很巧妙，EAC的输出直接就识别好了，不需要再在传统计算机里计算处理。所以，ACCEL芯片实现了完整的图像识别计算过程。它里面有光学信号、电信号，在一级级传输，有个计算过程，但完全没有传统芯片的数字逻辑过程。所以叫做All-analog，全程模拟信号，不需要ADC转换，这就非常厉害了，能效极高。

ACCEL的优点有多种。在OAC环节，光学图像输入包含海量的细节，用透镜和掩码组不断变换，最后就形成32×32的小规模输出。这个特征提取过程非常重要，它是光电融合芯片能快速计算的主要功臣，是一个光学过程，光速、低时延、低能耗。这个过程如果用传统芯片来做，需要非常多的晶体管，而且并行不容易，需要GPU加速。光学过程天然就是并行的，而且实现简单。

但OAC的输出是“抽象”的，谁也看不懂。如果导入传统计算机系统里解读，就又引入了传统内存与逻辑芯片的弱点，还不如只用传统芯片处理简单。ACCEL用EAC去解读OAC的输出，用SRAM阵列很简单地就进行了电流计算，最终的电流脉冲结果能和识别结果很好地对应上，这是一个让人叫绝的办法。

架构设计不错，还要评估实际效果。清华研究团队对MNIST、ImageNet数据集的几个典型学术研究型案例，评估了运行效果。这些案例包括，10个手写数字的识别、3类图形样例的识别，还有一个视频行为的分类识别。

要注意，ACCEL芯片架构评估其实不需要实际造出芯片，可以先模拟评估。就如同芯片设计时，可以选用工具软件模拟运行看效果，看设计是否成功。ACCEL的OAC和EAC的信号处理行为，都可以用计算机模拟出来。模拟运行、训练神经网络，验证架构可行性、模式识别效果让人满意，再去实际造出ACCEL。

这种模拟就能发现传统光计算芯片的弱点了。如ImageNet中256×256的图像分类识别，对传统光计算架构很困难，因为要放很多MZI，需要的ONN层数较多，会导致光信号在光路上经过的环节过多，非线性特性发作，性能乱套。ACCEL对这类较大的图像还能应付过来，说明架构上比传统光计算要强很多。

但是需要指出，ACCEL模拟评估的方法，就说明它仍然是一个研究型的芯片。这些评估的任务是相对简单的，如对ImageNet中的三类物体进行分辩，栗色马、救护车、衣柜。ACCEL的识别率是80.7%，这听起来不高，但仍然高于它的比较对象、一个传统数字神经网络的75.3%。为什么呢？因为这个比较对象只是一个三层的简单网络。显然这意味着双方离真正应用都很远。现在真正实用的深度学习模式识别的识别率很高，能够处理的图片较大，应用的神经网络层数非常多，跟这种“玩具模型”不是同一层面的。

之后，清华团队实际造出了ACCEL芯片，进行了评估。但由于其研究型目的，用的工艺是相对简单的。传统光计算芯片的问题是，在制造过程中，会出现光路对齐、信号噪声之类的缺陷，大大影响实际表现。ACCEL由于芯片架构简单，所以在这方面表现好一些，制造引入的缺陷少，信号噪声、低光照条件下表现不错，也是一个优点。ACCEL就算造的不完美，因为权重是根据实际样例训练的，能在训练中纠正一些。

ACCEL制造出来后，在一些测试样例中，识别率表现和模拟评估一致，有的数值稍差一点但可以理解。到这一步，才说明芯片设计和制造算是成功的，实现了意图，之后对于优越性能的说明才有意义。

总体来说，ACCEL识别率方面的性能指标还不错。一个特别大的优点是，在低照度的情况下，传统办法全部会失败，但ACCEL还能很好地处理。这是因为其它架构都需要ADC模数转换，信号强度不够就不行了。而ACCEL在低照度情况下，模拟信号仍然能正常地自然运算，直到整个计算完成。

现在我们回到文章开头的问题，新闻里说的“算力是商用GPU的3000多倍”，这话究竟对不对呢？其实完全误导，它只能理解为一种形容，并不是实际的算力表现。

首先来理解一下，这个说法是怎么来的。ACCEL的优点是，它就是一个光信号、电信号传播的过程，不象传统芯片那样计算速度受限于“时钟周期”。可以想象，传统芯片的计算过程是一步步的，象僵直的机器人一样一个节拍动一下。而ACCEL是一个流水一样的自然过程，几乎没有卡顿，虽然有时钟周期，但不太受限制，只有SRAM存储更新之类的明显需要节拍的地方会用到。

实测下来，ACCEL用2-9个纳秒就能完成一幅图像的处理。1纳秒是十亿分之一秒，是100万之一毫秒。通常人们用CPU处理一幅图像识别是几十到几百毫秒，用GPU加速也要几个毫秒。也就是说，ACCEL的处理时间只有一般芯片的百万分之一以下。

因此，可以认为ACCEL的时钟频率是500M，也就是一个时钟周期2纳秒。等于是说，几个时钟周期，ACCEL就把计算任务办完了。而在传统计算机里，无论是CPU还是GPU，这类计算任务都要很多个时钟周期的，做个乘法就要好多步。并行是说，海量数据可以组成向量加速，但对某个数据处理的时钟周期是省不了的。

所以清华论文报告说，在进行ImageNet三类物体分类时，ACCEL的计算速度约相当于4550个TOPS。TOPS是Tera Operations Per Second，代表每秒1万亿次操作。这个计算速度确实能有商用GPU的3000多倍，因为GPU每秒能有1万亿次操作已经很好了。所谓“算力是商用GPU的3000多倍”，就是这么来的。但这个说法，究竟是哪里不对呢？

真正的问题，在于持续计算。ACCEL确实能在几纳秒之内处理一幅图像的光信号，但它能不能持续运算，真的用一秒时间，完成4550TOPS的运算量？这就不行了，因为准备任务是需要时间的。例如以它的计算速度，一秒能处理1亿个图片，但把这么多图片的光信号在一秒内发送给它，是不可能的。实际准备一个图片需要的时间就不短，真正的瓶颈是在这儿。

ACCEL芯片测试准备

ACCEL芯片是一个光电芯片，它的输入是光信号，要把它运行起来，需要准备好光信号输入，而这是个相当复杂的任务。按论文描述，清华团队要搭起光学镜片组，才能将识别目标的光信号输入给ACCEL进行处理，换下一个识别目标要不少操作。而GPU、CPU在计算机系统中应用多年了，处理输入已经很成熟了，所以能将海量数据组织起来，象流水线一样送到运算核心不停处理。高性能GPU的核心技术之一，就是海量数据输入管理，要用到上百G的高速存储器，多级缓存。

所以，论总的算力ACCEL并不大，它只是对整个流程中的一步处理得极快，而这一步快的代价是另一些步骤慢。一个比喻是，一个士兵面前正好有一个敌人，他开枪只用1秒钟就消灭了一个敌人。但这不代表他可以一小时消灭3600个敌人，更不是说他可以一个人顶3000多个人。如果有人说他的“战力”有3000多个士兵这么多，这就错得离谱。再一个比喻是，一张弓，可以在1秒内让箭飞出100米，速度很快。但是，不能说它的“运送能力”是1小时360公里，因为没法持续飞。如果射一箭，人走过去再射一箭，这样接力，一小时跑不了多远。

如果是了解可控核聚变的朋友，可能会想到另一个更有技术含量的比喻。可控核聚变有两条途径，磁约束和惯性约束。我们平时经常看到新闻的EAST、ITER等托卡马克属于磁约束，而激光打靶属于惯性约束。2022年12月，美国国家点火装置（NIF）实现了一个里程碑，能量输出超过了输入。然而，这意味着惯性约束聚变能用来发电了吗？其实还差得远。原因有很多，其中之一就是激光打靶是不连续的，聚变反应时间只有几纳秒，而准备一次打靶却要一天（美国NIF激光聚变“点火”成功，聚变电站还远吗？｜DrSHI观科技）。这比“一曝十寒”还夸张，是“纳秒曝一天寒”，所以总的效率非常低，离实用还很远。

而相比之下，GPU的算力就是真实的，它确实能连续一直跑，跑到芯片发烫，人人都能听见风扇的声音。GPU应用时，会有配套的计算机系统、应用程序、CUDA驱动支持，有时需要上百G的HBM3快速存储，这都是为了连续处理海量数据。

另一个指标是与能耗相关的。ACCEL几乎不用能量，只有激光、SRAM用一点，能耗指标非常优秀。论文中给出的能耗指标是74800TOPS每瓦，这就是新闻中提到的“能效提升四百万倍”。

同样的道理，这种说法也是很误导的。这是因为ACCEL处理整个流程中的一步几乎不用能量，而不是ACCEL真用了与CPU或GPU相当的能量，完成了四百多万倍的运算。一个比喻是，一只蚂蚁几乎不用能量就能爬1米，能耗效率比人要高多了。但是人可以把10斤重的箱子提起来，蚂蚁却不可能做到。

最后，我们来总结一下。清华ACCEL芯片融合了光电的特性，是非常巧妙的芯片架构，技术指标优秀，将光计算的潜力进一步展示。所以这个工作发表在《自然》上，引发了相当的轰动。它的快速计算、低功耗的特性，正如论文中提到的，在可穿戴设备、自动驾驶、工业检测等领域很有应用前景。应该说清华团队的总结是清醒的，在这些领域视频图像信号能低功耗快速处理，会是不错的应用。

但是，一些媒体将指标引申到与GPU对比，认为ACCEL的算力与功耗指标比GPU好得多，甚至暗示ACCEL可能解决先进GPU问题，这就完全误读了。一方面的问题是，GPU有“通用计算”能力，能完成很多复杂任务，而ACCEL只用于视频与图像模式识别，应用领域较窄。但根本的问题是，指标对比方法错误。这种比法对ACCEL来说是只看到优势，没看到代价，对GPU来说是忽视了GPU连续计算的能力。

更深层次的问题是，媒体为什么经常犯这种错误呢？恐怕是因为他们总想搞个大新闻，而忽略了提高知识水平。