如果不用GPU，AI还能在哪里运行？光计算、类脑芯片和活体神经元都走到了哪一步

导读

AI 的成本不只来自计算本身，还包括搬运数据、保存状态和维持精度。YC Paper Club 的讲者讨论光计算、类脑芯片和活体神经元时，强调要连同算法、存储与外围系统一起评估，而不能只比较一个计算核心。光学扩散实验让固定权重反复用于图像去噪，试图减少重复加载；但数据的电光转换和校准仍会耗能，实验训练也依赖数字计算机。类脑芯片尝试让存储与计算更靠近、按事件触发运算；活体神经元参与游戏的实验则需要硅基编码和解码，研究者还通过清零细胞信号检验是否是普通网络在代劳。各路线仍面临可靠性和扩展问题：光学实验规模很小，生物系统也尚未形成可预测、可复制的大规模训练方法，更不知道如何将这类能力稳定提供给大量用户。