阿尔托大学实现光速张量计算：单次光传播跑深度学习，攻克 GPU 能耗瓶颈

想象一下，你要在多个维度上同时旋转、切片、重组一个高维魔方。对于普通的电子芯片来说，哪怕是目前最顶级的 GPU，也必须一步一步按部就班地算。但如果把这项任务交给一束光，所有计算在光线穿过的一瞬间就全完成了。

芬兰阿尔托大学（Aalto University）光子学团队最近在《Nature Photonics》上发表了一项研究。由 Yufeng Zhang 博士带领的跨国研究团队，成功实现了单次光传播张量计算，直接把深度学习最核心的数学运算搬到了光速运行。

把数字变成光波，单次传播直接出结果

如今无论是图像识别还是大语言模型，底层的卷积和注意力机制，本质上全都是多维张量运算。随着模型规模越来越大，传统的电子 GPU 已经逐渐撞上功耗、散热和吞吐速度的物理极限。

阿尔托大学的做法，是彻底抛弃了传统的电子逻辑门电路。研究团队把数字信息直接编码到光波的振幅和相位中，也就是把原本冰冷的数字，变成了光场的物理属性。

当这些携带着数据的光场在介质中发生相互干涉与叠加时，物理定律本身就替我们完成了矩阵和张量乘法。不仅如此，团队还引入了多种不同波长的光，让这套系统能一次性处理更高阶的复杂张量。

用论文第一作者 Zhang 的话说，传统计算就像海关安检，包裹需要一件一件通过不同的机器、最后再分门别类分拣。而他们的光学计算，相当于把所有包裹和机器全部连在一起，光束只穿透一次，所有检查和分拣在瞬间全部并行搞定。

更关键的一点在于它极其省电。整个张量运算完全是被动的，光在传播过程中自然得出结果，计算中途根本不需要任何主动控制或电子开关介入。

计划登上芯片，瞄准三到五年落地

阿尔托大学光子学组负责人 Zhipei Sun 教授表示，这种架构几乎可以兼容任何现有的光学平台。他们下一步的计划，是把整套计算框架直接集成到光子芯片上，做出能以极低功耗处理复杂 AI 任务的光学处理器。

至于什么时候能走出实验室，研究人员显得相对务实。Zhang 估计，这项技术有望在三到五年内被整合进主流科技公司现有的硬件平台中。

为什么重要

现代大模型算力成本高昂，很大程度上不是因为算法不够聪明，而是因为电子芯片在搬运和处理海量张量数据时产生的发热与延迟。

我们认为，阿尔托大学这项研究最聪明的地方，在于它放弃了在电子逻辑门上死磕制程，而是让物理特性本身替算法打工。单次光传播完成注意力和卷积运算，如果真能做到芯片级集成，对 AI 推理的延迟和功耗将是降维打击。

但这并不意味着英伟达马上就会被颠覆。技术从光学实验台走向工业量产，往往要经历巨大的工程鸿沟。首先是光信号与现有电子计算机系统的模数转换损耗，如果在光电转换环节消耗了太多能量和时间，光速计算带来的优势就会大打折扣。其次，光子芯片的量产制造良率和精度控制，目前和成熟的硅基半导体相比依然不在一个量级。

不过，对于大模型基础设施的上下游来说，三到五年的落地预期已经是一个相当明确的信号。如果光子计算能顺利融入数据中心，未来的 AI 推理成本很可能会迎来一次真正物理层面的大跳水。