摘要：AI算力眼看着就要撞墙了，ChatGPT、Midjourney这些应用越做越大，对算力的胃口也越来越夸张。

AI算力眼看着就要撞墙了，ChatGPT、Midjourney这些应用越做越大，对算力的胃口也越来越夸张。

就在大家发愁传统GPU撑不住的时候，阿尔托大学的研究团队在《自然・光子学》上扔出了个重磅成果，用光来做AI计算，一次光程就能完成GPU好几个时钟周期的活儿。

现在的AI发展有点像“大力士举重物”，模型越做越复杂，需要的计算量成倍往上翻。

就拿GPT-4来说，训练一次要花数千万美元，大部分钱都砸在了算力上。

咱们平时用的GPU，本质上还是老一套的冯・诺依曼架构，计算和存储分开，数据得在两者之间来回跑，这就像快递分拣站没有传送带，全靠人工搬运，效率低还费劲儿。

更头疼的是功耗问题，AI训练和推理要消耗不少电力，长期下来既不划算也不环保。

做AI研发的朋友都吐槽，他们实验室的GPU一开机，电费账单就蹭蹭涨，夏天还得额外开冷却设备，不然芯片容易过热罢工。

本来以为这种困境还要持续好几年，没成想光学计算突然冒了出来。

张宇峰博士带领的团队，算是把光的特性玩明白了。

光的传播速度快、损耗低，还能并行处理信息，这些都是电子比不了的。

他们发现，把数字数据编码到光波的振幅和相位上，让多束光相互干涉，就能天然完成矩阵乘法这些AI核心运算。

这个原理听起来有点玄乎，但用生活例子一解释就懂了。

传统计算就像海关检查，每个包裹逐个过机器，还要人工分拣。

而光学计算相当于把所有检查设备和包裹放在一起，用“光学钩子”直接对接，一束光照过去，所有检查和分拣瞬间完成。

这种被动计算的方式，不用电子开关来回切换，功耗自然降了不少。

本来以为这种技术只能停留在理论层面，后来发现研究团队已经解决了不少工程难题。

他们用多波长并行处理技术，让不同波长的光同时处理不同维度的运算，这招其实是从光通信领域借鉴来的，没想到在计算上也好用。

更关键的是，这种技术能适配现有光学平台，不管是自由空间系统还是集成光子芯片都能用上。

孙志培教授提到的兼容性这点太重要了，如果新技术要推翻现有体系重来，企业肯定不愿意买单。

光学计算能直接集成到现有硬件上，相当于给老设备升级“外挂”，不用大动干戈，这也为后续商业化减少了不少阻力。

张宇峰博士说三到五年内有望把这项技术集成到现有平台，这个时间表听起来挺乐观，但要落地还得闯几道关。

首先是环境敏感性问题，光学系统对温度、振动都很挑剔，稍微有点波动就可能影响计算精度，这在工业场景中可是大麻烦。

其次是可编程性和成本控制，现在的AI模型需要灵活调整算法，光学计算怎么实现高效可编程，还得控制制造成本，这都是需要解决的问题。

不过好在硅光子技术已经在数据中心有了应用，相关制造工艺越来越成熟，这也给光学计算的规模化生产打了基础。

现在全球都在抢AI算力赛道，麻省理工学院在做光子神经网络芯片，Lightmatter这些初创公司也在搞商业化产品，Intel、IBM这些巨头也没闲着。

光学计算这条赛道越来越热闹，竞争肯定会很激烈，但对整个行业来说是好事，技术迭代会更快。

光学计算的能效优势确实突出，执行矩阵运算时比电子计算高效得多。

像自动驾驶、实时视频分析这些需要海量数据实时处理的场景，对算力和延迟要求极高，光学加速器很可能成为关键技术。

以后自动驾驶汽车用光学计算，反应速度再提一个档次，安全性也能更有保障。

从长远来看，光学计算可能不只是解决当下的算力瓶颈。

它代表着信息处理技术的一次范式转换，就像晶体管取代电子管那样，会带来连锁反应。

当计算不再受电子器件的限制，更大规模、更复杂的AI模型就能实现，人工智能的应用边界也会进一步拓宽。

科技发展就是这样，旧的瓶颈总会被新的技术突破。

AI算力危机看似棘手，但也催生了光学计算这样的创新。

阿尔托大学的这项研究，不仅给AI硬件提供了新方向，也让我们看到了光子技术的巨大潜力。

未来三五年，随着技术不断成熟，光学计算很可能从实验室走进产业界。

到时候，AI训练成本会降低，应用场景会更丰富，整个信息技术产业都会跟着受益。

毫无疑问，这场关于光的算力革命，才刚刚拉开序幕。

来源：律行僧