康奈尔大学突破光计算体积瓶颈，缩小90%后，手机手表将迎来巨变

最近AI圈都在讨论一个事儿：康奈尔大学李彦栋团队把光计算机的体积缩小到原来的十分之一甚至百分之一，这可不是简单的“瘦身”，可能意味着我们手机里塞进超级大脑的日子不远了。

现在ChatGPT、文心一言这些大模型越来越能聊，但背后的服务器机房跟个小工厂似的，又费电又占地方。

光计算被业内看作解决这个问题的希望，可之前它自己也有个毛病体积太大，根本塞不进手机、手表这些小设备。

这次康奈尔大学的突破，正好卡在了这个关键节点上，

今天咱们就来聊聊，光计算是怎么“瘦身”的，以及这事儿对我们以后的生活到底有啥影响。

光计算体积大一直是老大难，

传统光计算系统为啥做得跟书柜似的？主要俩原因，一是“非定域性”，简单说就是计算时信息得在各个部件之间跑来跑去，就像公司里每个部门都要和其他所有部门开会，办公室面积自然小不了。

二是复杂任务需要很多并行通道，通道一多，设备厚度就上去了，跟叠罗汉似的，越叠越高。

体积大一直是光计算的老大难，李彦栋团队是怎么找到突破口的呢？他们盯上了AI领域常用的“神经网络剪枝”技术。

这技术本来是给AI模型“减肥”的，比如把神经网络里没用的连接剪掉，模型变小了，算得还一样快。

团队一想，光计算能不能也这么干？还真行。

他们设计了两种结构：自由空间光路用“本地稀疏结构”，就像把大办公室改成格子间，每个区域只和隔壁几个区域沟通，不用满场跑了。

光子芯片用“块对角形式计算结构”，相当于给通道分组，组内自己解决问题，不用全堆在一起。

这么一改，体积立马降了下来，

实验数据也挺实在，

团队测试时，光计算系统的体积缩小到传统设计的1%到10%，但推理准确率基本没降。

更重要的是“规模定律”变了以前设备规模大一点，体积就得跟着线性甚至平方级增长，现在改成准线性，意思就是以后做更大的光计算机，体积不会像吹气球似的膨胀了。

这就像盖楼从“平房”改成“高层建筑”，同样的面积，占地小多了。

光计算不光体积能缩小，它本身的优势才是真厉害，

和现在的电子计算比，至少有三个强项。

能效方面，光在光纤里跑损耗很低，不像电子在电线里走会发热浪费能量。

信息通量上，光可以在空间和频谱上并行处理，就像高速公路同时开100条车道，而电子计算可能只有10条。

速度更不用说，光传播速度比电子快，还不用来回转换光电信号，延迟能降一大截，

这些优势要是用到具体场景里，变化可能超出想象。

自动驾驶现在最怕突发情况，摄像头拍下来的画面，芯片得算半天才能判断该不该刹车。

光计算要是能实时处理这些视觉信息，反应速度可能比人眼还快，以后马路上的事故率说不定能降不少。

增强现实眼镜也是，现在戴久了又重又卡，光计算要是能把处理模块做小，以后戴着眼镜逛街，看到的店铺信息、导航箭头可能比手机还流畅。

具身智能领域更需要这东西，

比如家里的机器人，看到地上有玩具，得识别、规划路线、伸手去捡，每个步骤都要快速计算。

光计算要是能塞进机器人的“大脑”，以后机器人帮老人拿药、收拾房间，可能再也不会笨手笨脚了。

实际案例已经有了，

团队在FasterR-CNN这个视觉模型里用了光学模块，结果GPU的负担减轻了六成。

要知道现在数据中心里，GPU可是耗电大户，能省六成算力，相当于少开很多空调，电费都能省一大笔。

本来想光计算离我们还远，看到这个数据才发现，它可能已经在悄悄改变我们用的技术了。

别看现在突破挺大，光计算要走进我们的生活，还有几道坎要过，

最难的是物理系统和算法得一起优化。

以前搞电子计算，算法和芯片是分开进化的，光计算不行，光怎么走、怎么算，得和算法从一开始就绑在一起设计，就像盖房子时承重墙和内部装修得同步考虑，不然可能塌。

商业化也是个问题，

现在实验室里做得出来，量产时成本能不能降下来？良品率高不高？这些都是厂商要考虑的。

就像当年LED灯刚出来，一个灯泡卖几百块，现在几块钱就能买，光计算可能也得走这么个过程，

还有怎么和现有电子计算生态融合。

现在我们用的手机、电脑都是电子芯片的天下，光计算总不能让大家把手里的设备全扔了吧？本来想光计算直接取代电子计算，但后来发现两者更像搭档，就像现在的CPU和GPU，各干各的强项，效率才最高。

电子计算擅长逻辑控制，光计算擅长高速并行处理，以后可能是光计算负责“跑腿”，电子计算负责“指挥”。

全球研究机构都在盯着这块，

除了康奈尔大学，MIT、斯坦福也在做光计算小型化，国内的清华、中科大在光子芯片领域也有进展。

光子芯片的商业化已经有苗头，比如一些数据中心开始试用光互连模块，虽然还不是完整的光计算，但也算往前迈了一步。

未来的方向可能更有意思，

有人想建光学计算云平台，就像现在的云计算，把光计算中心建在远方，我们的手机、手表只负责收发信息，这样设备更省电。

还有人在研究让智能体自己优化物理系统，比如AI模型根据计算任务，自动调整光的传播路径，就像给光计算装了个“自动驾驶”。

最理想的状态，可能是算法和物理系统一起进化，算法提出新需求，物理系统跟着改进，反过来又推动算法创新，形成一个良性循环。

作为每天抱着手机刷视频、偶尔还抱怨手机卡的人，我最关心的是这项技术什么时候能真正用到我们的设备上。

现在手机用久了发烫，不就是因为芯片算不过来吗？光计算要是真能塞进手表，以后跑步时测心率、看导航，可能再也不会卡顿了。

当然，技术突破到产品落地，中间还有很长的路要走，可能需要材料、算法、制造工艺一起进步。

但至少现在，康奈尔大学的这个“瘦身”技术，让我们看到了光计算从实验室走向生活的第一道曙光。

或许再过几年，我们讨论手机性能时，聊的就不是“骁龙”“天玑”，而是“这款光芯片能跑多快”了。