超越数字樊篱：物理神经网络能否重塑AI计算的基石？

TL;DR：

随着AI模型对GPU算力的依赖达到瓶颈，以光、电等物理系统为基础的“物理神经网络”（PNNs）正浮出水面，有望通过模拟计算实现千百倍的能效提升，重塑大规模AI训练与推理的未来图景，但其商业化之路尚需克服噪声和软硬件协同等挑战。

人工智能的飞速发展，特别是以大型语言模型为代表的生成式AI，已深刻改变了数字世界的面貌。然而，这场由GPU驱动的计算盛宴正面临日益严峻的瓶颈：传统数字芯片在能耗、延迟和扩展性上的固有局限，正成为AI进一步突破的结构性挑战。当模型规模呈指数级增长，对GPU算力的无止境追求不仅带来了天文数字般的能耗，也使得算力基础设施的成本曲线陡峭上扬。正是在这样的背景下，一股来自物理学深处的浪潮——“物理神经网络”（Physical Neural Networks, PNNs）——正试图为AI计算开辟一条全新的路径，有望彻底摆脱对传统数字芯片的依赖，引发一场深远的计算范式革命。

近日，洛桑联邦理工学院（EPFL）及其合作者在权威科学期刊《Nature》上发表了一篇具有里程碑意义的综述，系统性回顾了物理神经网络的最新进展，并从训练角度深入探讨了其普适性方法¹。这篇综述不仅揭示了PNNs的巨大潜力，也为我们理解AI计算的未来提供了一个前瞻性视角。

技术原理与创新点解析

物理神经网络并非简单的数字计算模拟，而是_直接利用光、电、振动等物理系统的模拟特性进行信息处理_。其核心逻辑在于，将神经网络的权重和连接映射到可调控的物理参数上，利用物理定律的演化来执行计算，从而在理论上规避了数字逻辑带来的诸多开销。这一根本性的转变，赋予了PNNs超越传统数字芯片的潜力，尤其是在能效和速度方面。

根据《Nature》综述的分类，PNNs主要分为两类：

• 同构型物理神经网络（Isomorphic PNNs）：这类系统旨在通过精心设计的硬件，实现与预定义数学变换（如矩阵-向量乘法）的严格操作级同构。电子交叉阵列是其典型代表，其中每个交叉结点的电导值直接对应待乘矩阵的元素，实现物理层面的直接运算。
• 破缺同构型物理神经网络（Broken-isomorphism PNNs）：这类PNNs更为灵活，它们直接训练硬件的物理变换，使其大致类似于传统神经网络的数学操作，但无需精确的一一对应。这为利用物理系统原生特性进行机器学习提供了更广阔的空间。

PNNs的训练方法是其实现实用化的关键挑战，也是这篇综述的核心。传统AI训练的反向传播算法，在数字世界中通过矩阵转置等操作高效实现梯度计算。但在物理系统中，直接的“转置”往往不存在或难以实现。综述中详细介绍了六类创新训练技术，包括：

• 计算机模拟训练（In silico training）：通过构建PNNs的数字孪生模型在仿真环境中训练，再将结果映射到物理硬件上。
• 物理感知反向传播（PAT）：利用近似物理系统模型进行前向传播，通过微分数字模型进行反向传播，允许前向与反向传播的非匹配性，降低了对完美数字模型的依赖。
• 反馈对齐（FA/DFA）：通过固定随机反馈权重传递误差信号，避免了物理系统中的权重转置难题，尽管可能以牺牲部分性能为代价。
• 物理局部学习（PhyLL）：通过两次正负样本传递间的余弦相似度学习，无需复杂的层归一化操作，在声学、微波、光学等领域展现了潜力。
• 零阶梯度和无梯度训练：通过微扰采样或基于种群的迭代优化策略来逼近梯度或直接生成更优解，避免了显式梯度计算。
• 通过物理动力学进行梯度下降训练：这是一种更具颠覆性的方法，例如通过线性倒数物理系统、基于线性波散射的非线性计算、平衡传播（EP）或哈密顿回溯反向传播（HEB），直接利用物理系统的动力学特性来生成正确的权重更新，无需数字孪生的辅助。

这些训练方法的创新，是推动PNNs从理论走向实践的基石，它们尝试在物理世界的复杂性和数字世界的精确性之间找到平衡点。

突破算力瓶颈：商业价值与产业重塑

当前AI产业对GPU的依赖，正日益演变为一种战略风险。地缘政治对芯片供应链的冲击，以及摩尔定律放缓导致的效能提升边际效益递减，都在倒逼产业寻找新的计算范式。PNNs正是回应这一时代呼唤的潜在答案。

从商业角度看，PNNs的吸引力主要体现在以下几个方面：

• 极致的能效比：研究指出，在处理大规模AI模型时，物理神经网络的底层物理特性可能使其展现出与数字电子设备截然不同的能量扩展特性。这意味着，当模型规模足够大时，模拟硬件可能比数字系统具有数千倍乃至数百万倍的效率优势。这对于数据中心庞大的能耗开销，以及边缘计算设备对低功耗的严苛要求，都具有颠覆性的意义。
• 更低的计算延迟：光速和电信号传播的速度远超数字芯片内部的复杂时钟同步和数据传输。PNNs通过直接的物理交互实现计算，理论上可以显著降低AI推理和训练的延迟，为实时决策、高速信号处理等场景打开新的可能性。
• 软硬件协同的下一代机会：文章强调，算力拓展并非仅仅依赖硬件升级，更需要软硬件协同的新型组合方案。PNNs的崛起将催生全新的编程模型、算法设计和编译工具，形成一个全新的软件-硬件生态。那些能够率先在软硬件层面实现深度协同优化的公司，将在未来的AI计算竞赛中占据先机。这不仅是硬件制造商的机遇，也是算法工程师和系统架构师的新舞台。
• 应用场景的拓宽：PNNs的应用范围广阔，从驱动数据中心的大型生成式模型，到辅助本地推理或智能传感器，其低能耗和高速度的特性使其在边缘AI、物联网、自动驾驶等对实时性和功耗敏感的领域具有巨大的商业化潜力。尤其是在推理环节，PNNs展现出最实际和最有潜力的应用方向，因为推理通常需要更低的延迟和更高的吞吐量。

然而，商业化并非坦途。基础设施的路径依赖、现有数字大模型的高效发展，都对PNNs提出了极高的商业可行性门槛。要达到“数千倍乃至数百万倍”的能效提升，需要对物理计算机进行整体设计，并以硬件与软件的协同优化为核心，将高效挖掘物理计算能力作为首要目标。这需要巨大的研发投入和产业生态的共同培育。

跨越鸿沟：技术挑战与哲学反思

尽管前景光明，PNNs仍面临一系列严峻的技术挑战，这些挑战也引发了对计算本质和AI未来走向的哲学思考：

• 噪声与精度：物理系统固有的噪声（内部随机过程、制造缺陷、参数漂移）及其累积效应是PNNs面临的巨大挑战。尽管神经网络对噪声具有一定容忍度，但在追求极致能耗时，PNNs常需在接近内部噪声量级的条件下运行。如何在多种噪声共存的环境下保持计算精度，是其走向实用化的关键瓶颈。这引出了一个深层问题：我们能否在物理世界的不确定性中构建“确定性”的智能？
• 硬件架构与算法适配：当前大多数AI架构尚未针对模拟物理硬件的自然运算进行优化。虽然破缺同构型PNNs为利用物理系统原生变换提供了途径，但如何高效且普适地将AI模型映射到不同的物理系统上，仍需耗时评估。这要求我们重新思考“计算”的抽象层级，以及如何让算法与物理基底实现“共生”。
• 神经形态与物理形态的平衡：PNNs面临的核心挑战是神经形态（人脑启发）与物理形态（实际硬件特性）的平衡。针对CMOS、电子或光子等特定物理硬件设计的优化算法，其关键特性可能与人脑的学习机制存在显著差异。如何在借鉴神经形态的同时，充分契合实际硬件的物理特性，是弥合两者矛盾的关键。这不仅是工程问题，更是对“智能”如何在不同物质载体上涌现的深刻追问。

PNNs的平台几乎不受限制，只要物理系统可重构，都可以用来搭建。这种物理系统的多样性，正是其颠覆性的源泉，也意味着未来的AI计算将不再被单一的硅基数字逻辑所束缚。我们正在见证一场从“软件定义硬件”到“物理定义计算”的深层演进，它挑战了我们对AI算力基石的传统认知。

展望未来：计算范式的深层演进

在未来3-5年内，物理神经网络很可能仍处于实验室突破和特定场景验证阶段。然而，其颠覆性潜力不容小觑。随着量子计算、类脑计算等前沿领域的发展，PNNs作为模拟计算的重要分支，将与它们共同构成后摩尔定律时代多元计算图景的一部分。

从商业角度看，早期PNNs的应用将集中在对能耗和延迟极为敏感的垂直领域，例如高速交易、雷达信号处理、特定边缘AI推理加速等。投资将涌向那些能够有效解决噪声问题、实现软硬件深度协同、并能展示“杀手级”能效优势的初创公司和研究团队。

从社会影响和哲学层面审视，PNNs的崛起不仅是技术创新，更是对人类与技术关系的一次深刻反思。它提醒我们，智能并非数字专属，物理世界丰富的动力学和相互作用本身，就是一种强大的计算资源。如果PNNs能最终大规模普及，它将彻底改变AI的成本结构，使得AI能力更加普惠，从而影响从医疗、教育到科学研究的方方面面。然而，这也带来了新的伦理挑战：当AI的决策不再完全由可解释的数字逻辑驱动，而是由复杂的物理过程生成时，其透明性和可控性将成为新的议题。

最终，物理神经网络的突破将不仅仅是找到一种“最好”的训练方法，而是针对不同场景，理解各种方法之间的取舍，并开发出既通用、高效，又鲁棒的训练与部署方案。它标志着我们正在从数字计算的单一路径，迈向一个更加多元、开放、与物理世界深度融合的AI计算新纪元。

引用

• 物理神经网络
• AI算力
• GPU替代
• 模拟计算
• 软硬件协同