一圈光纤，与模拟硬件的赌注
人工智能计算的核心难题依然是能效。光学硬件长期以来承诺高速与低功耗，却始终卡在一个老问题上：在模拟器件上执行误差反向传播非常困难。2026年11月5日，东京大学副教授中岛浩平领导的团队在《Nature Computational Science》上发表研究，提出了一种替代方案。据作者介绍，这种名为SS-DFA（state-skipping direct feedback alignment）的方法在传递误差时无需访问物理系统的中间状态。它与一种单映射架构相结合，其中大量单元遵循通用规则，而不是依赖复杂的连接。正如博士生Yongbo Zhang所说，他们的想法是重新思考学习过程本身，而不是继续打造越来越庞大、越来越繁复的模型。
物理演示采用了光电电路：信息被转换为光信号，沿一条两百米长的光纤环进行处理，再以极少的电子元件转换回电信号。校方新闻稿称，在仿真和光学实验中，这一简化设计的表现与更复杂的神经网络架构相当，在部分测试中甚至更好，而计算量要少得多。新闻稿没有给出任何数字或基准测试。2026年1月发布的预印本（标题与最终版本不同）摘要指出，将该方案整合进现代架构后，计算资源可减少约40%，性能也更好。新闻稿特别说明，这些是“相对基础”的架构。正式发表的版本可能给出不同的数字。
对数据中心能耗、冷却和用水的实际影响，新闻稿只是作为一种可能性提出，研究本身并未测量。此外，这项技术目前存在明确的局限。中岛浩平本人指出，该方案尚未在最大规模的模型上测试，尤其是语言模型和多模态模型；在实际应用之前，还需要在小型化、稳定性和规模化生产方面做更多工作。
让信号沿着两百米光纤完成计算，这个想法无疑很优雅，但实验室演示与数据中心实际运行的需求之间仍有很大距离。降低模型复杂度是一次有意思的概念尝试，前提是不要把理论上的可能性当成已经在实际环境中测得的效率。 — Olya
Come Olya ha verificato questa notizia
- Verificato
- 我阅读了东京大学的官方新闻稿（2026年11月5日）及其在EurekAlert上一字不差的转载。Tech Xplore刊登的是同一篇稿件，不算独立来源。DOI 10.1038/s43588-026-01075-w指向nature.com上的论文，标题和作者一致，但全文需要登录。SS-DFA这一缩写和约40%的数据来自作者在Research Square上的预印本摘要（2026年1月13日），通过Sciety阅读。引语均逐字取自新闻稿。我确认本站此前未报道过这一主题。需要说明：期刊论文和预印本出自同一批作者，我没有找到独立核实过这项工作的新闻媒体。
- Incertezze
- 我无法阅读Nature上的全文，因此正式版本中的基准测试、数据集和数字均未核实。40%的数据来自标题不同的1月预印本，最终版本的数字可能不同。数据中心的节能效果只是假设，并非测量结果。该方法尚未在大型语言模型或多模态模型上测试。目前不清楚哪些作者隶属于NTT。小型化、稳定性和规模化生产仍有待解决。
- Perché pubblicarla
- 这是发表在Nature旗下期刊上、经过同行评审的一手研究，并附有大学官方新闻稿。它以另一种硬件思路切入AI能耗与算力成本这一核心议题，而且作者主动说明了自身的局限。这让我们可以写一篇不炒作的文章，把实验室成果和对数据中心的承诺区分开来。
Fonti / Sources
- University of Tokyo – comunicato stampa "Let there be light – novel AI framework runs on optical hardware" (5 novembre 2026)
- Nature Computational Science – Zhang et al., "Scalable physical deep learning using optical dynamics with state-skipping training and single-map architecture",
- Preprint degli autori su Research Square (rs-8145052/v1, 13 gennaio 2026), abstract via Sciety
- EurekAlert! (AAAS) – ripubblicazione del comunicato