1. 从原子到应用：下一代AI计算的融合与挑战
最近几年，AI领域的会议我参加了不少，但像IBM IEEE CAS/EDS AI计算研讨会这样，把议题跨度从最底层的原子材料一直拉到最顶层的应用落地的，确实不多见。这场研讨会的主题“从原子到应用”，精准地概括了当前AI发展的核心特征：它不再仅仅是算法和软件的竞赛，而是一场贯穿材料科学、硬件设计、计算范式乃至认知科学的全方位、深层次的系统创新。作为一名长期关注AI硬件与系统落地的从业者，我深感这种跨学科的融合不再是“锦上添花”，而是决定AI能否突破当前瓶颈、走向真正普惠和可持续的“生死线”。我们正处在一个关键的转折点上，传统的、以通用计算芯片（CPU/GPU）为中心的架构，在能效、算力密度和特定任务成本上，越来越难以满足指数级增长的模型复杂度和数据量需求。这场研讨会汇集了来自全球45个国家的650多名研究者，他们的分享揭示了一个清晰的趋势：下一代AI的突破，将依赖于从物理底层到软件栈顶层的协同设计与创新。
2. 硬件基石：超越硅基的探索与原子级存储
2.1 材料与器件的微观革命：从“原子存储器”到忆阻器
当我们在谈论AI芯片时，通常关注的是架构设计，比如多少核、多大内存带宽、采用何种互联技术。但德克萨斯大学奥斯汀分校的Deji Akinwande教授的工作，把我们拉回到了一个更根本的层面：材料本身。他的团队在原子级厚度的二维纳米材料（如石墨烯、二硫化钼）中发现了记忆效应，并据此开发出了“原子存储器”。
这听起来非常前沿，但其背后的逻辑其实直指当前AI硬件的核心痛点之一：存储墙与能效。在传统的冯·诺依曼架构中，数据需要在处理器和存储器之间来回搬运，这个过程消耗的能量远高于计算本身。Akinwande教授研究的这类基于二维材料的非易失性存储器，其核心是利用材料中的缺陷（如空位）结合金属离子扩散来实现电阻状态的切换。这种器件有几个颠覆性的潜力：
第一，零静态功耗。由于是非易失性的，存储状态在断电后依然保持，这对于物联网边缘设备至关重要，可以极大延长电池寿命。第二，可作为模拟开关或忆阻器。忆阻器的电阻值可以连续变化，这使其天然适合模拟计算，尤其是神经形态计算中突触权重的存储与更新。一个器件就能同时实现存储和计算功能，这为存算一体架构提供了理想的物理基础。
从实操角度看，这类研究目前大多还在实验室阶段，面临制备一致性、可靠性、集成密度等挑战。但它的意义在于指明了方向：与其在现有硅基CMOS工艺上艰难地优化，不如从新材料和新物理效应中寻找根本性突破。对于从事AI加速器设计的工程师来说，关注这类底层器件进展，有助于我们预判未来5-10年可能出现的颠覆性硬件平台。
2.2 神经形态计算与边缘AI的硬件实现
如果说原子存储器是从材料角度为未来计算提供新元件，那么神经形态计算则是从架构层面模仿人脑，以期获得更高的能效和自适应能力。德克萨斯大学圣安东尼奥分校的Dhireesha Kudithipudi教授分享了她们实验室在“神经启发AI”方面的工作，重点是构建适用于边缘设备的紧凑且鲁棒的模型。
她的团队设计了一个基于CMOS/忆阻器混合架构的硅上学习系统。这个系统的精妙之处在于，它不仅仅模拟了神经元和突触的连接，还引入了“结构可塑性”和“内在可塑性”的机制。简单来说：
- 结构可塑性：模仿大脑中突触连接可以新生或消亡的能力。在硬件上，这通过忆阻器的物理行为来模拟，动态地创建或移除 synaptic pathways（突触通路）。
- 内在可塑性：指神经元自身兴奋性可以调整的能力。
这种设计的目标是实现高效的片上学习。当前大多数边缘AI设备只能进行推理，模型训练仍需在云端完成。而具备片上学习能力，意味着设备能够根据本地收集到的数据持续自适应和优化，这对于个性化医疗设备、自主机器人等场景意义重大。
实操心得与挑战： 在实际工程化中，神经形态芯片面临的最大挑战之一是算法的映射与训练。传统的反向传播算法并不直接适用于这种异步、脉冲驱动的硬件。研究人员需要开发新的学习规则，如脉冲时间依赖可塑性（STDP）的变体。此外，混合信号电路（模拟存算+数字控制）的设计、测试和验证流程与传统数字芯片截然不同，对设计工具链提出了新要求。Kudithipudi教授的工作提示我们，边缘AI的下一阶段竞争，很可能从比拼推理帧率（FPS）和功耗（TOPS/W），转向比拼自适应学习效率和终身学习能力。
3. 计算范式的融合：量子、光计算与异构系统
3.1 量子计算：为特定AI问题提供指数加速可能
IBM Quantum的副总裁Jay Gambetta展示了他们的量子路线图。量子计算对于AI的价值，目前主要不在于替代现有的深度学习训练，而是为解决其中某些特定、经典计算难以企及的问题提供可能性。例如，在优化问题（如物流调度、药物分子发现）、量子化学模拟以及某些类型的机器学习（如量子核方法、量子生成模型）中，量子算法理论上能提供指数级加速。
Gambetta强调，IBM正致力于通过云平台让更多人访问量子硬件，并提升超导量子比特系统的性能（即量子门的保真度）。对于AI研究者而言，现阶段更务实的做法是关注量子-经典混合算法。例如，可以将一个复杂优化问题中计算量最大的子任务卸载到量子处理器上，而整体流程仍由经典计算机控制。这要求AI算法工程师开始了解一些量子计算的基本概念，如量子比特、叠加、纠缠，并关注像Qiskit这样的量子编程框架，思考哪些模块化的AI任务未来可能受益于量子加速。
注意：当前量子计算仍处于“嘈杂中等规模量子”（NISQ）时代，量子比特数量有限且易受噪声干扰。将其用于实际AI任务，必须充分考虑错误缓解技术和算法的抗噪声能力，切忌对短期内的应用抱有不切实际的期望。
3.2 光子计算：突破线性代数运算的瓶颈
LightOn公司的CTO Laurent Daudet介绍了光学处理单元（OPU）如何用于加速AI。光子计算的核心优势在于进行大规模矩阵乘法和卷积运算时的高速度和低能耗。光信号可以在波导中并行传输和处理，天然适合深度学习中最耗时的线性代数操作。
他们的OPU可以无缝集成到现有的硅基计算流水线中，形成混合计算系统。例如，在训练超大规模自然语言模型（如GPT-3）时，可以将密集的矩阵乘法任务分配给OPU，而由CPU/GPU负责逻辑控制和非线性激活函数等操作。这种异构方式可能是解决AI算力需求爆炸性增长的一个可行路径。
从工程视角看，光子计算芯片面临的主要挑战是与现有电子生态的集成（光电转换开销）、编程模型的抽象以及制造成本。但它在特定计算模式上的能效优势是显著的。对于从事高性能计算或大规模推荐系统、搜索排序的团队，保持对光子计算进展的关注是必要的，它可能在未来3-5年内成为数据中心的一种特种加速器选项。
3.3 异构计算与“未来AI的计算货币”
研讨会的圆桌讨论提出了一个深刻的问题：“什么是未来AI的计算货币？”这里的“货币”比喻的是价值载体和交换媒介。与会专家来自安全、模拟AI、光计算、脑科学和量子计算等不同领域，他们的共识是：没有一种单一的计算范式会成为主宰。
未来的AI计算系统必然是异构的。这意味着一个AI任务可能会被拆解：一部分在基于存算一体的模拟芯片上高效完成推理，一部分需要量子协处理器处理优化子问题，另一部分则依赖光子单元进行高速线性代数运算，同时所有过程都需要通过安全硬件（如可信执行环境）来保护隐私和数据安全。
这就引出了另一个关键挑战：安全的跨范式翻译。如何在不同计算“货币”（如模拟信号、量子态、光脉冲、数字比特）之间高效、无损、安全地转换数据和状态？这需要硬件接口、编译器、运行时系统乃至算法层面的共同创新。对于系统架构师而言，设计这种异构AI计算平台，需要摒弃“一个架构通吃”的想法，转而思考如何定义清晰的硬件抽象层和任务调度策略，让不同的计算单元能高效协同。
4. 算法与模型的演进：从大规模预训练到类脑智能
4.1 大规模弱监督预训练的极限探索
Facebook AI Research的Laurens van der Maaten分享了一项关于“弱监督预训练”极限的研究。当前，计算机视觉模型的强大性能严重依赖于在ImageNet这样的大型标注数据集上的监督预训练。但ImageNet相对于如今互联网上万亿级别的图像数据而言，已经显得“很小”了。标注海量数据的成本是天文数字。
他们的研究另辟蹊径，利用社交媒体上数十亿张带有用户生成标签（如话题标签）的图片进行预训练。这是一种典型的弱监督学习，因为话题标签是嘈杂的、不精确的。但实验结果表明，在这种超大规模弱监督数据上预训练的卷积网络，在迁移到下游任务（如图像分类、目标检测）时，取得了惊人的效果，甚至将ImageNet-1k的单次裁剪Top-1准确率提升到了85.4%的新高度。
这项研究给我们的实操启示是深远的：
- 数据质量与数量的权衡：在数据规模达到一定程度时，即使标签噪声较大，模型也能通过学习强大的特征表示来克服噪声。这鼓励我们在某些领域，可以优先考虑获取大量弱标注数据，而非纠结于小规模的高精度标注。
- 预训练任务的重新思考：ImageNet分类作为“默认”预训练任务的时代可能正在过去。更接近真实世界数据分布的自监督或弱监督任务（如对比学习、掩码图像建模、话题标签预测）可能产生更具泛化能力的特征。
- 工程基础设施的重要性：训练这种千亿参数、千亿数据级别的模型，本身就是对算力、存储和分布式训练框架的极限挑战。这不仅仅是算法创新，更是系统工程能力的比拼。
4.2 逆向工程视觉智能与神经科学的启发
MIT的James J. DiCarlo教授从事“逆向工程视觉智能”的研究。他的工作展示了脑科学与AI如何形成良性循环。深度神经网络（DNN）在图像识别上的成功，最初受到了视觉皮层分层结构的启发。而现在，性能优异的DNN（如ResNet、Vision Transformer）又可以作为计算模型，用来理解和预测灵长类动物视觉神经元的反应。
这种循环是：神经科学提供关于大脑结构和功能的假设（假设生成） -> AI领域将这些假设实例化为可计算的神经网络模型（假设实例化） -> 用生物实验数据来验证和调整这些模型（数据预测与验证） -> 更好的模型又加深了我们对智能的理解。
对于AI工程师的启发： 我们不必都成为神经科学家，但可以积极关注神经科学的重要发现。例如，大脑视觉系统在处理信息时表现出的稀疏性、注意力和上下文整合能力，这些特性正在被转化为高效的AI模型设计，如视觉Transformer中的注意力机制、动态神经网络等。DiCarlo也指出，灵长类视觉系统（HI）在某些方面（如小样本学习、对抗鲁棒性）仍优于当前最好的AI模型，这说明大脑中还有大量计算原理等待我们去挖掘和借鉴。在模型设计遇到瓶颈时，回头看看这个自然界经过亿万年进化而来的“终极智能参考架构”，或许能获得意想不到的灵感。
5. 安全、隐私与边缘AI的落地框架
5.1 构建边缘AI的可信基石
Borsetta公司的CEO Pamela Norton在关于“用智能可信芯片保障边缘AI未来”的演讲中，指出了一个随着AI向边缘扩散而日益严峻的问题：安全与隐私。在云端，我们可以部署集中的防火墙、入侵检测系统和数据加密服务。但在数以亿计的边缘设备上，每个设备都可能成为攻击的入口，并且直接处理着用户最敏感的原始数据（如语音、图像、生物信号）。
她提出了一个构建“智能可信芯片”的框架。这不仅仅是给芯片加一个加密引擎那么简单，而是一个系统性的信任根架构。关键要素包括：
- 硬件信任根：基于物理不可克隆功能（PUF）或安全 enclave 技术，为设备提供唯一的、不可克隆的身份标识。
- 安全的生命周期管理：从芯片制造、设备生产、现场部署到最终退役，每个环节的密钥和固件都需要可验证、可更新、可撤销。
- 隐私保护计算：在设备端集成联邦学习、同态加密或安全多方计算的硬件加速单元，使得数据无需明文离开设备就能参与模型训练。
- 抗物理攻击设计：防止通过侧信道攻击（如功耗分析、电磁辐射）提取密钥或模型参数。
在工程落地时，我的经验是必须“左移”安全考量。安全不是在芯片设计完成后才添加的功能，而必须从架构设计阶段就作为首要约束。这意味着AI芯片架构师需要和安全专家紧密合作，共同评估不同计算单元（如NPU、DSP）的数据流可能带来的隐私泄露风险，并在硬件层面设计隔离机制。例如，可以将人脸检测和人脸识别两个阶段放在不同的硬件安全域中执行，中间通过加密通道传递数据，确保原始图像数据不会被识别模块直接访问。
5.2 边缘AI模型的紧凑性与鲁棒性设计
除了硬件安全，边缘AI模型本身也需要为严苛的环境而设计。这不仅仅是模型压缩（剪枝、量化、知识蒸馏）的问题，更是模型架构的革新。Kudithipudi教授提到的“紧凑且鲁棒的模型”正是这个方向。
紧凑性不仅指参数量少，更指计算量和内存占用低，并且能够很好地利用边缘芯片上可能存在的异构计算单元（如小型NPU、DSP、MCU）。鲁棒性则要求模型对输入噪声、传感器误差、计算过程中的位翻转等硬件非理想因素具有容错能力。
一种可行的设计思路是动态推理。模型可以根据当前输入内容的复杂度、设备的剩余电量或计算负载，动态选择不同的子网络或计算路径。简单场景用轻量级路径，复杂场景才激活更强大的分支。这需要算法和运行时系统的协同设计。另一种思路是借鉴大脑的稀疏激活特性，设计只在少数神经元上产生响应的网络，这能极大减少实际运算量。
6. 跨学科融合的实践路径与未来展望
这场研讨会最深刻的主题是“融合”。AI的未来不再是一个孤立的软件学科，而是材料、器件、电路、架构、算法、安全乃至神经科学的交汇点。对于身处行业中的我们，如何应对这种变化？
首先，建立跨领域知识图谱。作为AI工程师，我们不需要成为每个领域的专家，但必须了解这些领域的基本概念、进展和与AI的接口在哪里。例如，知道忆阻器的基本特性，就能理解存算一体的潜力；了解量子比特和量子门，就能评估哪些优化问题未来可能被量子加速；知道光子计算的优势，就能在设计下一代数据中心时考虑其可能性。
其次，拥抱开源与社区协作。许多前沿探索，如IBM的量子计算（Qiskit）、MIT的脑启发计算框架，都有活跃的开源社区。参与其中，甚至只是关注其进展，都能帮助我们保持技术敏感度。
最后，在系统设计中预留灵活性。无论是设计芯片、编译栈还是云边协同的AI平台，都应考虑支持异构计算单元和新兴的计算范式。定义清晰的硬件抽象接口，采用模块化、可扩展的软件架构，以便在未来能够相对平滑地集成新的硬件加速器。
我个人在实际工作中的体会是，最大的挑战往往不是技术本身，而是沟通成本。材料科学家、硬件工程师、算法研究员和产品经理有着完全不同的思维语言。推动一个跨学科项目，需要有人能充当“翻译”和“桥梁”，将顶层的应用需求转化为底层的技术指标，也将底层技术的突破翻译成对上层应用的价值。这可能正是“从原子到应用”这一宏大愿景下，对我们每个从业者提出的新要求：成为既懂自己专业，又能理解相邻领域逻辑的“T型人才”。未来的AI突破，很可能就诞生在这些学科的交叉地带。
建模方法)
