近年来，AI 通过聊天机器人等工具深刻改变了我们的生活，并在医疗、气象和材料设计等领域落地应用。这一进步主要依赖 GPU 的算力和数据规模的增 长。但随着模型规模不断扩大，传统数字 GPU 的局限性愈发明显。要突破这一瓶颈，AI 需要在保证精度和吞吐量的同时，降低训练与推理的延迟和能 耗。 一个备受关注的研究方向是"物理神经网络"（Physical Neural Networks，PNNs），它利用光、电、振动等物理系统进行计算，有望摆脱对传统数字芯片 的依赖，实现更高效、更大规模的 AI 训练与推理。 日前，来自洛桑联邦理工学院的研究团队及其合作者，在权威科学期刊 Nature 上发表了一篇最新综述，从训练角度全面回顾了物理神经网络的发展，并 以"从零开始"的视角探索其普适性方法。 论文链接：https://www.nature.com/articles/s41586-025-09384-2 研究团队表示，"只要有足够的研究投入"，未来的物理神经网络就有可能改变人工智能（AI）计算的方式。 更快、更节能、更实用 物理神经网络是一类利用模拟物理系统进行计算的类神经网络，能够比传统计算硬件更直接、更灵活、更随机 ...