摘要：传统硅基计算架构，正被这疯狂增长的能耗和速度需求逼到墙角，好在一项发表在《自然》杂志上的研究，给AI发展带来了新转机。

你知道现在训练一个像ChatGPT这样的大型语言模型有多“费电”吗？

说出来可能吓一跳，单次训练的耗电量抵得上几千户普通家庭一年的用电量。

传统硅基计算架构，正被这疯狂增长的能耗和速度需求逼到墙角，好在一项发表在《自然》杂志上的研究，给AI发展带来了新转机。

过去AI计算全靠数字电子器件“干活”，把连续的物理信号折腾成离散数字信号，再通过逻辑门电路一点点处理。

这过程就像非要把散装货物一个个打包好，再挨个搬运，既费时间又耗精力。

也难怪传统AI计算会撞上功耗和速度的“南墙”，像ChatGPT训练时那惊人的耗电量就是明证。

而光子神经网络完全换了套思路，它直接利用光的干涉、衍射这些物理现象来计算，信息以光波形式传播。

米兰理工大学的FrancescoMorichetti教授解释，光子芯片省掉了信息数字化的繁琐操作，能耗和处理时间都大幅降低。

毕竟光速可比电子移动速度快多了，而且光子之间没有“排斥力”，天然就适合AI计算里最核心的矩阵乘法。

这么一看，光子计算简直就是为解决传统AI计算难题而生的。

对神经网络来说，光会“前向计算”还不够，还得能“学习”。

在传统数字系统里，神经网络靠反向传播算法来调整参数，但这招在物理系统里却行不通。

这次《自然》研究最厉害的地方，就是找到了在物理域训练光子神经网络的办法，“原位”训练技术。

不过这可不是简单的技术优化，而是对传统机器学习理论的重新思考，研究团队得解决一堆基础问题，像怎么在物理系统里算梯度、怎么对付噪声干扰。

本来想着这训练过程会很复杂，结果Morichetti说不仅速度更快，还更稳健高效，确实让人意外。

米兰理工大学在这次研究里，主要贡献是集成光子技术，他们把复杂光学器件集成到小小的硅微芯片上，实现了数学运算的光学化。

集成光子芯片的优势很明显，体积小、功耗低，还能大规模生产，和现有的半导体制造工艺也能“兼容”，这就给光子神经网络的产业化铺好了路。

现在的光子神经网络芯片计算密度已经很可观了，相同芯片面积下，光子器件能支持更高的互连密度，对构建大规模神经网络特别有用。

而且它低功耗的特点，在移动和边缘计算领域简直就是“香饽饽”。

说到应用，数据中心肯定是最先受益的。

全球数据中心耗电量占比可不低，AI训练和推理又是耗电大户，光子神经网络要是普及，能大大降低AI计算的能耗。

在边缘计算方面，它能解决传统AI数据传输的延迟和隐私问题，直接把复杂AI模型部署到终端设备上。

就拿自动驾驶汽车来说，车载AI系统要实时处理大量传感器数据，还得快速做出决策。

光子神经网络既能满足计算需求，又能适应车辆的功耗和散热条件，智能手机、无人机这些设备，也都能从中获益。

在工业物联网里，光子神经网络能让传感器变得更“智能”，现场就能完成数据分析，减少数据传输量。

不过，光子神经网络离真正普及还有不少坎要过，精度就是个大问题，物理系统容易受温度、振动这些环境因素影响，怎么保证计算结果准确稳定，还得深入研究。

规模化也不好搞，现在它还在实验室阶段，要达到大型数字神经网络的规模，从器件技术到系统架构都得突破。

制造成本也是个现实难题，虽然和传统半导体工艺能“搭上边”，但光子器件制造精度要求更高，良品率不好控制。

另外，软件生态也得跟上，开发者需要新的编程工具和框架。

但毫无疑问，光子神经网络不会完全取代数字AI系统，它会在适合的场景里发光发热。

混合计算架构，把数字处理器的灵活性和光子神经网络的高效结合起来，说不定会成为下一代AI系统的主流。

随着技术不断进步，光子神经网络肯定会在打造更高效、可持续的AI系统上发挥关键作用，推动AI技术往更广阔的领域发展。

来源：念寒尘缘