AI TrendTrackers

据传，苹果最新的M4 MacBook Pro在俄罗斯被曝光，并且有一些YouTuber用俄语做了相关的视频解说。虽然听不懂俄语，不过通过一些技术手段，像将视频转录内容粘贴到语言模型里，依然能了解视频讨论的内容。这个方法甚至对其他语言的视频也有效。 通过使用Python脚本查询Google Gemini，获取了不少关于视频的有用信息。不过值得注意的是，视频中的信息可能是假的，特别是盒子的设计似乎和去年的版本一样，这让人产生怀疑。然而，伪造Geekbench测试数据相对较难，而且有多个消息源报道这一爆料，所以有可能是真实的。如果这是真的，那可能是个大新闻，尤其是在解决了之前对M3 MacBook Pro的一些不满后。 视频的主要亮点如下： CPU核心数的增加对一些用户来说可能不是很重要，毕竟即使是M1芯片，目前依然表现优秀。16GB内存并不意外，大概是因为高通的Snapdragon X Elite系列笔记本的推出，苹果也顺应竞争而做出的调整。 推测苹果原本打算让M4 MacBook的基础型号标配8GB内存，但看到X Elite笔记本都标配16GB内存后，苹果也可能做出了相应的调整。也有人猜测16GB内存可能会出现在MacBook Air上，这确实让人期待，尤其是在其他品牌的笔记本都已经这么做的情况下。不过有传言称，M4 MacBook Air要到明年才会推出，这让人有点失望。 最后，关于“太空黑”和3个USB-C接口的变化值得一提。去年M3 MacBook Pro有两个版本：基础版和配备M3 Pro/Max芯片的高配版。基础版为了降低成本，做了不少改动，比如仅配备一个风扇，且USB-C接口数量从3个减少到2个，且都集中在同一侧。此外，基础版的电池也稍微小了4%。还有就是配色，基础版并没有提供“太空黑”选项。 如果这次的泄露属实，M4 MacBook Pro可能会抛弃这些基础版和Pro Max版的区别，所有机型都能享受到高配版的优势。这也有助于简化供应链。但这些泄露信息是否真实仍需谨慎对待，毕竟制作一个假的视频并不难。 如果这些都是真的，那确实值得关注。毕竟之前对M3 MacBook Pro有些失望，电池续航不如预期，且缺少“太空黑”配色。而M2版本的MacBook Pro虽然有点被吐槽，但凭借其价格和电池续航，性价比依然不错。 关于M4芯片，有传言说它比M3芯片更高效，虽然功耗增加了5%，但性能提升了8.5%，总的来说效率提升了3.3%。不过在满负荷运行时，功耗增加了60%，可能这就是为什么MacBook Pro需要两个风扇的原因。此外，新款还增加了一个USB-C接口，这对于那些需要多个接口的用户来说是个好消息。 最后，大家期待的“太空黑”配色终于来了。不过遗憾的是，M4 MacBook Pro似乎没有配备OLED显示屏或哑光选项。OLED预计要等到2026年才会出现在MacBook上，不过LCD和Mini-LED的实际差别也不大，只希望苹果能改进Mini-LED的响应时间。至于哑光屏幕，可以通过贴膜解决。 综上所述，虽然距离2026年大改款还有一段时间，但如果这次的泄露信息属实，M4 MacBook Pro可能会修正M3 MacBook Pro的缺点，成为自2021年重新设计以来最重大的改进。

几天前，英伟达CEO黄仁勋在BG2播客上做客，分享了一次不同寻常的对话。这次访谈不仅深入探讨了英伟达的内部运作，更重要的是展现了人工智能技术和行业的发展轨迹。以下是这次对话中的一些亮点和启示。 飞轮的飞轮 黄仁勋谈到，AI技术堆栈的加速正在加快，英伟达的核心关注点就是这种加速的速率。在他看来，机器学习的飞轮效应让英伟达每年能提升2-3倍的性能。 过去，很多人认为更好的芯片设计、更高的FLOPs、更大的数据吞吐量是关键。演讲中充满了各种数据和参数的图表，性能当然重要，但这种思维已经过时了。 早年，软件是静态的，仅仅是运行在Windows上的应用程序，想提升性能的唯一方式是制造更快的芯片。但机器学习并不是人类编程，它的关键在于整个数据管道。真正重要的是机器学习的飞轮效应。 飞轮的最关键部分是让数据科学家和研究人员在这个过程中保持高效。从一开始，很多人并未意识到，使用AI来整理训练数据以教AI本身，这个过程非常复杂。而通过更智能的AI整理数据，如今甚至可以生成合成数据，提供更多的方式来准备训练数据。在训练之前，还涉及到大量的数据处理。 每一步都充满挑战。过去，我们只想着如何让Excel或Doom这样的软件跑得更快，但现在的任务是如何加速整个飞轮。 最终，真正的指数增长来自于加速整个系统。 加速整个系统的系统化方法 黄仁勋强调，要加速整个AI系统，需要采用整体性的系统方法。Amdahl定律是其中的重要原则，它指出系统的总体加速受限于无法并行化或改进的部分。因此，要实现显著的加速，必须优化AI管道的每一个环节，从数据准备到推理，而不仅仅是专注于单一的训练阶段。 他解释道：“如果某个组件占用了整个过程30%的时间，即使你将这个组件的速度提高3倍，整个过程的加速幅度也不会特别显著。”根据Amdahl定律，这样的加速仅仅带来20%的系统整体性能提升。 因此，真正的提升来自于加速每一个步骤，只有这样，才能显著缩短周期时间，增强飞轮效应。学习速率的提升最终引发了指数式的增长。 这正是英伟达的使命。要实现这一点，需要一个集成的生态系统。 英伟达的生态系统策略 黄仁勋还描述了供应链如何协同工作，以每美元或每瓦特的性能提升达到比摩尔定律快一到两个数量级的速度。 他认为，摩尔定律本质上是一个社会契约，整个半导体产业链的供应商们为了实现英特尔的公开路线图而共同努力。英伟达现在也在做类似的事情，但规模更大，涵盖了整个AI生态系统。 通过这样一个集成的生态系统，英伟达不仅推动了AI芯片的发展，还带动了整个产业链的协同加速，实现远超摩尔定律的技术进步。

Adobe正式进军生成式AI视频领域，其Firefly视频模型在Adobe MAX大会上发布，推出了一系列新工具，包括Premiere Pro中的Generative Extend，以及网页端的文本生成视频和图像生成视频功能。这些工具将帮助创意人员通过文字描述或静态图像来生成视频内容，甚至扩展已有的片段。 Generative Extend是针对Premiere Pro的Beta功能，主要用于扩展视频片段的开头或结尾，或者在镜头中进行小调整，比如修正眼线偏移或动作不当。虽然扩展时长最多只有两秒，但这足以解决一些细微问题，避免重拍。该功能支持720p和1080p分辨率的视频生成，24帧率，还能延长音效和环境音最多10秒，但不适用于对话或音乐。 此外，文本生成视频和图像生成视频工具现已在Firefly网页应用中进入有限公开测试阶段。文本生成功能允许用户输入描述生成短视频，支持模拟真实电影、3D动画、定格动画等多种风格。图像生成视频功能则进一步结合了图像输入与文本提示，帮助用户更精准地控制生成结果，适合从图片制作b-roll或可视化拍摄计划。 虽然这些工具目前只能生成最多五秒、720p分辨率的视频，但Adobe承诺将继续优化，计划推出“Turbo模式”以缩短生成时间。虽然这些工具在功能上有一定限制，但其安全性和商业可行性得到了保障，因其训练数据均来自Adobe有权使用的素材，避免了其他模型因未经许可抓取数据而面临的法律风险。 生成视频中的AI内容还可以嵌入内容凭证，确保发布时能清晰标注AI使用情况和版权归属。虽然目前其他平台如OpenAI的Sora、Meta的Movie Gen、Google的Veo尚未公开推出相似功能，但Adobe的工具已开始向公众开放测试，抢先一步进入市场。

据报道，Meta公司（Facebook和Instagram的母公司）近日在洛杉矶办公室解雇了约24名员工，原因是他们滥用了每日25美元的餐费补贴，用于购买牙膏、洗衣液和酒杯等物品。 这家市值达1.2万亿英镑的科技巨头在上周解雇了这些员工，调查发现他们利用这项福利违规行为，甚至在不在办公室时也将食物送到家中。其中一名年薪高达40万美元的员工承认使用餐费补贴购买日用品和食品，如牙膏和茶叶。 这名员工在匿名社交平台Blind上写道：“如果我不在办公室吃饭，比如我丈夫做饭或我和朋友外出吃晚餐，我觉得不应该浪费这份补贴。”当HR展开调查时，这位员工承认了违规行为，并因此被解雇。“这一切发生得几乎有些不真实，”这位员工在《金融时报》的报道中提到。 有些员工也被发现利用补贴购买了其他生活用品，如祛痘棉片。对于那些偶尔违规的员工，他们被批评教育后得以保留职位。 科技公司一直以来为员工提供免费食物是其中的福利之一。Meta通常在较大的办公室（如硅谷总部）为员工提供免费的餐饮服务，而在较小的办公室，员工则每天通过UberEats和Grubhub等平台获得20美元的早餐、25美元的午餐和25美元的晚餐补贴。 2022年，Meta在硅谷总部将晚餐服务时间推迟到晚上6:30，引发了员工不满，因为这样使得更多员工难以在6点最后一班班车离开前在公司用餐，也减少了他们将剩余食物带回家的机会。 不仅是Meta，其他大型科技公司也在削减员工福利。谷歌去年削减了健身课程的数量，延长了笔记本电脑更换周期，甚至在办公用品如订书机和胶带的管理上变得更加严格，员工必须从接待处借用这些物品。

塔斯马尼亚虎，这种曾在塔斯马尼亚森林中游荡的狼形有袋动物，或许能够通过一系列科学突破重新回到地球。近日，美国和澳大利亚的研究团队声称，他们在“复活灭绝物种”方面取得了重大进展。 塔斯马尼亚虎，又称袋狼，是澳大利亚最后的有袋顶级捕食者，体型与拉布拉多犬相似。1936年，最后一只塔斯马尼亚虎在霍巴特动物园去世，之前由于保护塔斯马尼亚不断扩大的畜牧业，袋狼几乎被猎杀殆尽。然而，达拉斯的Colossal生物公司认为，塔斯马尼亚虎的“新近灭绝”特性使其成为“复活灭绝物种”的理想候选对象。 Colossal公司早前曾宣布计划利用最新的基因编辑和生殖生物学技术，尝试复活猛犸象甚至渡渡鸟。Colossal公司的首席科学官Beth Shapiro表示：“团队使用的袋狼样本是我们处理过保存最完好的古代标本之一，这让我们在古DNA方法上突破了极限。” 大多数对长久灭绝物种基因重建的尝试，通常由于DNA易碎且随时间分解而受阻。然而，墨尔本一家博物馆保存的一只108年前的袋狼标本却保存良好，使得团队能够提取出99.9%与原始袋狼相同的DNA序列。他们甚至从标本中提取到了更脆弱的RNA分子，这使团队能够观察到袋狼某些基因在特定组织中的表达情况。 墨尔本大学教授Andrew Pask参与了该项目，他表示：“通过这些新的资源，我们将能够确定袋狼的味觉、嗅觉、视觉，甚至是它的大脑如何运作。” 复活袋狼的基因编辑之路 然而，拥有袋狼的基因仅仅是复活过程的第一步。Colossal的方案是通过基因编辑技术，改变袋狼的近亲——一种像仓鼠大小的有袋动物肥尾小袋鼩的基因组，尽可能创造出接近袋狼的生物。他们声称已对实验室中培育的小袋鼩细胞进行了超过300次基因编辑，并学习如何在这种小型有袋动物中诱导排卵，并在其子宫外培养胚胎，这与人类体外受精（IVF）技术相似。 尽管这一计划充满野心，但也面临不少批评。一些自然保护主义者认为，像Colossal这样的公司投入数百万美元进行物种复活，不如将资金用于保护那些当前面临灭绝威胁的动物栖息地，尤其是澳大利亚五分之一的本土哺乳动物。此外，批评者还指出，人类活动已经极大破坏了动物栖息地，将长久灭绝的物种带回这样恶化的环境中或许并不道德。 “复活灭绝物种”是“童话科学”？ 部分科学家对该项目持怀疑态度。澳大利亚古代DNA中心的Jeremy Austin教授曾在2022年对《悉尼晨报》表示：“复活灭绝物种是童话般的科学。” 不过，其他专家认为，即便项目未能成功复活物种，相关的研究也能推动科学发展，帮助更好地理解早已灭绝的物种，并为未来研究保留它们的基因。Pask教授则指出，袋狼项目在有袋类动物体外受精方面的突破，可能对保护濒危物种（如面临相似命运的塔斯马尼亚恶魔）有积极作用。

曾被誉为科技界最精英的“兄弟情”，OpenAI与微软长达5年的合作如今正面临裂痕。据报道，随着OpenAI承受日益加重的财务压力（预计今年将亏损50亿美元），微软未能提供足够的计算资源支持，而OpenAI合同中的一项条款显示，如果微软率先开发出通用人工智能（AGI），OpenAI将撤回对其技术的访问权限。 虽然目前大部分仍是猜测（毕竟微软参与了OpenAI最新的史上最大融资），但此事揭示了AI初创公司面临的普遍挑战——它们往往依赖于像微软这样的科技巨头的资金和计算资源，因此难免被“牵着鼻子走”，手脚受制。

Tx-LLM是一款专门优化，用于预测生物实体属性的大型语言模型（LLM），它覆盖了整个治疗药物开发管道，从早期靶点发现到晚期临床试验批准。 治疗药物的临床试验失败率高，即便成功，通常也需要10到15年、耗资10到20亿美元才能开发完成。原因在于开发过程繁琐，且治疗药物需要满足多种独立标准。比如，药物必须与特定靶点结合，避免与其他实体产生作用，从而实现所需功能而不引发副作用。此外，药物还需要有效抵达目标部位、在体内适时清除，并能够规模化生产。实验测量这些特性费时费钱，因而使用机器学习（ML）进行快速预测成为一种替代方案。 因此，Tx-LLM应运而生。该模型基于PaLM-2进行了微调，能够预测与药物开发相关的多个实体属性，如小分子、蛋白质、核酸、细胞系及疾病等。Tx-LLM在66个药物发现数据集上进行了训练，覆盖从早期靶基因识别到临床试验批准的多个环节。在43项任务上，Tx-LLM的表现达到了当前最先进模型的水平，并在22项任务上超越了它们。值得注意的是，Tx-LLM不仅可以结合分子信息与文本信息，还能在不同类型的治疗任务之间实现能力迁移，成为贯穿药物开发全流程的单一模型。 Tx-LLM的训练依赖精心整理的”治疗指令调优”（TxT）数据集，它涵盖709个与治疗药物开发相关的数据集。通过将Therapeutic Data Commons（TDC）中的66项任务数据转化为适合LLM训练的指令-回答格式，Tx-LLM得以提升其在多种任务上的表现。TxT数据集的构建不仅依赖TDC，还引入了文献中的额外信息，使得模型能够区分子任务。此外，部分特性直接以文本形式展示（如细胞系），这使得模型能更好地利用其自然语言预训练能力。 在性能测试中，Tx-LLM在许多任务上展现了强大的数值预测能力，这在以往的LLM中并不常见。特别是在处理小分子与文本结合的任务时，Tx-LLM表现尤其出色。例如，在给定药物和疾病名称的情况下预测药物是否会被批准，Tx-LLM的表现优于现有的顶尖模型。 虽然Tx-LLM在多个任务中表现出色，但它仍有改进空间，特别是在解释其预测结果时。未来，随着模型继续发展，它可能会对整个治疗药物开发过程产生深远影响，大幅缩短开发时间、降低成本。 目前，团队正评估如何将Tx-LLM的能力开放给外部研究人员使用。如果有兴趣探索该模型的应用，欢迎与团队联系。了解外部的实际需求将有助于推动模型的进一步优化与发展。

在八月中旬的一个星期六早晨，Alex Naka在女友的厨房里开始了一场他自称的“小型黑客马拉松”。凭借一台笔记本电脑、几杯咖啡，以及一度借助80个基于云的人工智能处理器，他生成了大量计算设计的蛋白质，目标是阻断一种在某些肿瘤中突变的细胞受体。 Naka是一名蛋白质工程师，工作日在加州阿拉米达的一家医疗科技公司上班。在周末的这一场“马拉松”中，他将最有前途的十个蛋白质设计提交到了一个刚启动的蛋白质设计竞赛中，随后见证它们迅速攀升到排行榜的顶端。 这个竞赛由瑞士洛桑的生物科技初创公司Adaptyv Bio举办，是过去一年中涌现出的至少五个类似竞赛之一。参赛者大多使用像AlphaFold这样的人工智能工具，以及类似聊天机器人模型的“蛋白质语言模型”，这些工具近年来迅速普及并变得极具威力。部分开发这些工具的研究人员因为他们的贡献获得了今年的诺贝尔化学奖，这也反映出人们对新型蛋白质在药物、工业酶或实验试剂方面潜力的期望。 然而，尽管蛋白质设计热潮正盛，许多科学家却表示，这种爆发式增长也带来了困惑。蛋白质设计的速度远远超过了实验室的制造和测试能力，导致很难区分哪些方法真正有效。 竞赛曾经推动了蛋白质结构预测领域的重大突破，最新一批设计竞赛则通过降低准入门槛，将更多来自世界各地的人吸引到相关领域。竞赛还可能加快验证和标准化的步伐，甚至帮助建立一个新的科研社区。巴塞罗那基因组调控中心的计算生物学家Noelia Ferruz Capapey表示：“它会推动该领域更快地测试方法和进展。” 但科学家也指出，竞赛面临一些挑战，如如何选择合适的问题以及如何客观评判优胜者。慕尼黑工业大学的计算生物学家Burkhard Rost警告道：“如果这些竞赛执行得不好，可能会对整个领域造成损害。” 设计中的竞争性 蛋白质设计竞赛的灵感部分来自于已有30年历史的结构预测竞赛CASP。自1994年以来，这项竞赛挑战科学家根据氨基酸序列预测蛋白质的三维形状。2018年，DeepMind（现为Google DeepMind）凭借AlphaFold首次赢得该竞赛。到了2020年，AlphaFold 2表现优异，创始人John Moult称简单蛋白质结构的预测问题基本解决。 如今，许多人希望这些蛋白质设计竞赛能像CASP推动蛋白质结构预测领域一样，推动蛋白质设计领域的进步。Rost表示：“如果没有CASP，AlphaFold可能根本不会出现。我们需要这些竞赛来激励人们，推动正确的发展。” 今年6月，Rost和同事赢得了Align to Innovate组织的蛋白质工程竞赛，参赛者首先预测不同酶变体的特性，最成功的团队接着对一种分解淀粉的酶进行了重新设计，通过实验室测试决定最佳设计。 另外，来自加拿大Liberum Bio公司和Rosetta Commons的竞赛也让参赛者重新设计了用于蛋白质纯化的植物病毒酶，目的是提高其效率。而Bits to Binders竞赛则挑战研究人员设计小型蛋白质用于T细胞癌症治疗，共有64支队伍参加，来自42个国家。 欢迎新手参与 Adaptyv的首席执行官兼联合创始人Julian Englert表示，虽然大多数参赛者是蛋白质设计领域的专业人士，但也有许多来自非生物学背景的有力竞争者。比如，一位来自伊朗的参赛者仅凭一台游戏电脑就成功进行了设计，因为他无法获得更强大的计算系统。 Englert认为，这些高质量的业余作品让他联想到Apple和Microsoft等科技巨头的车库起源。他设想未来可能会出现“自由职业的蛋白质设计师”，为企业、学术实验室等定制分子。 超越现金奖励 虽然一些竞赛提供奖品，比如Bits to Binders的优胜者将获得3D打印的奖杯和生物科技公司的周边产品，Adaptyv的优胜者则可以获得免费实验和纪念品。但最引人注目的是最近启动的Evolved 2024竞赛，优胜团队将获得价值2.5万美元的亚马逊云服务积分，以及其他公司提供的数千美元奖励。 然而，选择优胜者并非易事。即使是那些目标明确的设计竞赛，如何评判设计仍充满挑战。Align to Innovate的创始人Erika DeBenedictis指出：“设计蛋白质有很多可能失败的地方。” 尽管如此，这些竞赛可能在推动蛋白质设计领域方面发挥重要作用，特别是在帮助建立一个融合了生物化学实验室和机器学习领域的社区。 当Adaptyv竞赛的结果在九月底公布时，Naka感到有些失望。尽管他的十个设计看似都很有前途，但在实验室中却没有一个起效。最终，147个提交的设计中，只有5个成功绑定了目标分子，甚至有超过50个设计无法制造。 然而，这样的失败并不罕见，Naka指出：“在蛋白质工程中，失败是常态。” 他表示自己将继续参加未来的类似竞赛，期待下次能取得更好的成绩。

丰田汽车的研究部门和现代汽车旗下的波士顿动力公司正在联手，加快具备人工智能的类人机器人研发。这次合作将结合丰田研究所的大规模行为模型学习技术与波士顿动力的人形机器人Atlas的优势，旨在推动AI机器人在实际应用场景中的发展，尤其是在人与机器互动领域。 丰田研究所在机器人AI学习方面取得了突破，而现代自2020年收购的波士顿动力公司也因其机器狗和用于仓库补货的移动机械臂在商业领域取得成功。此次合作被认为将对特斯拉的Optimus机器人等智能机器人项目形成挑战，特别是在全球多家类人机器人初创公司吸引了数十亿美元投资的背景下。 丰田和波士顿动力的合作将专注于基础研究，目标是未来实现商业化，但双方高管并未透露项目的具体时间表或预算。丰田首席科学家Gill Pratt表示，这类技术为未来提供了巨大的潜力，并指出他们在生成式AI方面的研究能极大地补充波士顿动力的机器人技术。Pratt还表示，目标之一是最终将机器人引入工厂生产线和家庭中的老年护理场景。 汽车制造商一直处于自动化生产线的前沿，旨在减少劳动成本并提高工人的安全性。据国际机器人联合会数据显示，2023年全球约有四分之一的新安装机器人用于汽车制造业，这使得汽车行业成为全球机器人部署最多的领域之一。 波士顿动力首席技术官Aaron Saunders强调，波士顿动力机器人的灵活性与丰田行为模型的结合，将成为区分他们与其他智能机器人研发公司的一大优势。他表示，这种合作将为实现大规模推出类人机器人奠定基础。

光子计算初创公司Lightmatter近期筹集了4亿美元，旨在突破现代数据中心的瓶颈。这家公司开发的光学互连层能够让数百个GPU同步工作，大幅简化了AI模型训练和运行的复杂任务，降低了成本。 随着AI的快速发展，对计算资源的需求也在急剧增加，数据中心行业因此蓬勃发展。然而，增加成千上万的GPU并不是解决问题的简单方式。高性能计算领域的专家们早就明白了这一点：如果超级计算机的节点在一半时间里都在等待数据，那么这些节点的速度再快也没有用。 真正将成堆的CPU和GPU整合成一个巨大机器的关键，是互连层的速度——互连层越快，数据中心的速度也就越快。Lightmatter自2018年以来一直致力于开发光子芯片，目前看来，他们的互连层在速度上远远领先于其他竞争者。 Lightmatter的创始人兼CEO尼克·哈里斯（Nick Harris）在接受TechCrunch采访时提到，“如果超大规模企业想要构建拥有百万节点的计算机，他们不能依赖传统的Cisco交换机。一旦超出机架范围，互连密度就会骤降，效率如同在用‘杯子和绳子’通话。” 目前的行业尖端技术是Nvidia的NVLink平台，尤其是NVL72，能将72个Nvidia Blackwell单元连接在一起，最高支持1.4 exaFLOPs（FP4精度下）。然而，这些计算能力依赖的7 terabit网络速度仍是一个限制因素。 哈里斯指出，“对于百万GPU来说，需要多个交换层，而这会导致巨大的延迟。”电到光、光到电的转换过程不仅耗能巨大，还极大增加了时间成本，特别是在更大的集群中。 Lightmatter的创新在于其大量使用光纤。通过纯光学接口，每根光纤可支持1.6 terabit的带宽，每个芯片最多能支持256根光纤连接。相比之下，72个GPU用7 terabit的带宽显得相形见绌。 “光子技术的到来比人们预期的要快得多，虽然大家一直在为此努力，但我们已经实现了。”哈里斯表示，经过七年的艰苦奋斗，他们的光子互连技术现已达到30 terabit的速度，并且设计了一种特殊的机架，能让1024个GPU同步工作。更令人期待的是，100 terabit的速度也已在开发中。 市场对这种技术的需求非常庞大，从微软、亚马逊到xAI和OpenAI等，所有大型数据中心公司都对计算资源表现出无尽的渴望。虽然哈里斯没有透露具体客户，但他指出，很多超大规模企业已经成为他们的客户。 此次Lightmatter的D轮融资让公司估值达到了44亿美元，使其成为全球最大的光子技术公司。哈里斯表示，未来他们还计划开发新型芯片基板，以便通过光子技术实现更精密的网络任务。他还预测，未来十年内，芯片间的互连将成为推动摩尔定律的关键力量。 Lightmatter的技术无疑正站在未来计算技术的前沿，准备在接下来的技术变革中引领潮流。