让光来算——新型AI框架跑在光学硬件上

人工智能正越来越普遍、能力越来越强，但也越来越耗电。包括东京大学研究人员在内的一支团队，开发出一种构建“基于物理的AI”的新思路——这类系统利用物理系统的自然行为来处理信息——能大幅降低运行所需的计算量。这套方法同时简化了系统的学习方式和结构。研究团队用一套靠光处理信息的光学计算系统做了演示，有望为更快、更省能的AI硬件铺路。

AI已经很难被忽视。即使你不直接和AI系统打交道，新闻和软件也总在提醒你它的存在。在幕后，AI系统正变得更大、更复杂，也更耗资源。AI发展中最让人担心的问题之一，就是运行这些系统要消耗多少能源。尤其是训练AI模型，耗能可能非常巨大，这促使研究人员想办法提高效率，而不是一味把系统做得更大更复杂。一种可能的思路，是用专门的物理系统承担一部分计算。

东京大学智能系统与信息学实验室副教授Kohei Nakajima及其团队（包括NTT的研究人员）在最新实验中把这两条思路结合了起来，结果颇有希望。研究发表在《自然·计算科学》。

一套靠光处理信息的光学计算系统

用光处理信息

研究生Yongbo Zhang说：“今天的AI系统能力惊人，但也要消耗巨量计算资源。我们不想继续把模型做得更大更复杂，而是想重新思考学习过程本身，让物理系统能更自然地完成计算，为此，我们转向一种新兴计算方式：用光而不是电信号来处理信息。但要让它运转，我们也得改变AI学习的方式，使它能运行在与传统学习算法差别很大的硬件上。”

普通计算机芯片靠电信号在大量晶体管中流动来完成计算，这会耗能并发热。光则能极快地携带信息，还能同时携带多路信号。速度、并行处理和潜在能效这几项优势合在一起，使光学计算成为AI应用颇有前景的平台。传统AI方法可以放到光学等物理系统上实现，但技术上往往不容易，可能需要大量测量、控制和数据存储。因此，研究人员想看看，能否重新设计学习过程，让它更适合物理系统的特点。

训练更简单，测量更少

Kohei Nakajima说说：“我们提出了一套新的整体方法，把一种叫SS-DFA的训练方法和一种更简单的网络架构‘单映射框架’结合起来。传统训练需要随着系统演化测量并记录系统信息，然后学习过程再回溯，判断要改变什么才能达到想要的结果。我们的方法不必访问大多数中间状态，而是用最终误差和系统信息来指导学习。这样减少了所需的测量、数据存储和计算量。我们还设计了一种更简单的架构：许多单元遵循通用规则，而不是依赖一套高度复杂的内部连接。我们通过计算机模拟和光学计算系统实验，验证了这套组合方法。”

出乎意料的是，简化设计不仅比得上更复杂的神经网络架构，在一些测试中还表现更好，同时计算量小得多。在此前的研究中，团队发现深度神经网络（包括大语言模型）内部会自然出现复杂的活动模式，并提出这些模式可用于改进信息处理。新研究则证明，这些原理可以在光学系统中复现。

芯片可大可小

未来工作将探索这套方法能否扩展到更大的AI模型、用于涉及多种类型数据的更复杂任务，并在更多计算平台上实现。如果成功，该框架既能降低AI的计算需求，又能利用发热很小的光学系统。未来AI数据中心用于计算和冷却的能源可能因此减少，同时因热输出更低，水耗也会下降。

Kohei Nakajima说：“目前，我们已把提出的架构集成到几种相对基础的现代神经网络架构中，结果显示它能在减少计算的同时提升性能。不过，我们还没有在当今最大的AI模型上测试，尤其是语言模型和所谓多模态模型，这是未来研究的重要方向。由于我们的框架是模块化的，可以作为计算模块插入现有网络，因此它为达到这样的规模提供了一条可能路径。另外，如果我们的系统能小型化并集成到芯片上，就可以直接在手机、相机或自动驾驶汽车里处理数据，以更低能耗实现更快响应。不过，在真正实用之前，还需要在小型化、稳定性和大规模制造方面做进一步工作。”

相关链接：https://dx.doi.org/10.1038/s43588-026-01075-w