这句话背后，是 2025–2026 年光计算领域最关键的拐点：光子电路不再只是“跑别人训好的模型”，而是开始自己“在光里学权重”。

一、为什么这事以前做不到

传统光子神经网络（ONN）长期只能做推理加速：

- 矩阵乘法靠 MZI（马赫-曾德尔干涉仪）网格 / 微环谐振器，用光干涉算，快、省电

• 但训练仍在 GPU 上仿真，再把权重烧进光芯片

• 问题：流片有纳米级误差、热漂移、相位噪声，仿真模型和真实光场对不上，掉点严重

核心矛盾：标准反向传播要求“正反向光路严格互易”，光芯片做不到那么干净。

二、最新突破：三种“可训练”路线

1. 物理梯度原位训练（清华 INSPIRE / 太极-II 思路）

• 正向光场 + 反向误差光场在片上干涉

  - 用洛伦兹互易性，直接从干涉信号读出真实物理梯度

• 不需要外部全波仿真，200 轮训练把 MSE 从 0.53 压到 ~0.001

2. 免反向传播局部学习（B-ONN，Light: Science & Applications 2026）

- 受生物大脑启发，每层带“误差层”

• 用目标传播（target propagation）代替 BP

• 对光路失配、相位噪声鲁棒，训练不依赖全局对称光路

3. 脉冲光子 + 软硬协同（西电 DCT-SNN）

- 频域压缩输入 → 16×16 MZI 突触 + InP 光子神经元

• 三阶段：软件预训练 → 片上原位微调 → 硬件感知再微调

• 单步推理时延 320 ps，能效 1.39 TOPS/W（突触部分）

三、光训练相对电子训练的底牌

• 矩阵乘几乎零静态功耗：光干涉不做电阻发热

• 时延在皮秒级：传播即计算

• 波长复用并行：不同 λ 同时跑不同子网络

• 天然适合线性层/卷积/注意力里的 MVM（占 AI 计算 70–90%）

四、但别急着宣布“GPU 退休”

当前真实水平：

• 推理：TRL 6–7，已小规模落地

• 片上训练：TRL 3–4，目前更多是“原位微调 / 小网络分类”，不是从头训大模型

• 硬伤还在：

  - 非线性激活要靠光电转换或特殊材料（相变记忆、饱和吸收）

  • 权重存储：热光移相器漂移，非易失光子存储还没解决寿命

  • 有效精度约 6–8 bit，类似 INT8

  • 层间 O-E-O 转换吃掉不少能效红利

五、一句话定性

光子电路成为“可训练 AI 硬件”是真的，但现阶段更准确的说法是：

光芯片获得了“在自身物理误差下做原位微调/局部学习”的能力，而不是替代 GPU 做全量预训练。

短期落地场景：边缘视觉、传感器端推理+轻量适配、光通信内嵌智能、大模型的光学推理加速+参数高效微调（类似光版 LoRA）。

你想先深入哪条技术主线：物理梯度、免BP局部学习，还是光脉冲网络？