【神经网络干货】让物理系统自己学会 AI

十条训练路线，以及物理神经网络真正的瓶颈

过去十年，我们习惯了这样一种 AI 叙事：模型越来越大，GPU 越堆越多，数据中心的功耗也一路上升。

但如果神经网络的乘加运算，不再由数字芯片逐条执行，而是让光自然传播、让电流穿过交叉阵列、让机械结构振动一次，就直接得到计算结果呢？

这就是物理神经网络（Physical Neural Networks，PNN）的野心。

2025 年 Ali Momeni、Romain Fleury 等多领域研究者共同探讨了横跨光子学、模拟电子、物理学习与机器学习物理神经网络的意义。它没有宣布某个“终极芯片”已经诞生，而是追问了一个更关键的问题：

当计算本身交给真实物理系统后，我们究竟该怎样训练它？

答案并不简单。论文梳理了十类训练路线，并得出一个克制但重要的判断：目前没有任何一种方案，同时解决训练效果、能效、规模化和硬件鲁棒性。

这篇文章就沿着这条主线，解释物理神经网络为什么值得关注、为什么难训练，以及它距离真正改变 AI 还有多远。

结论：最值得加深认知的5个关键点

1. PNN 不是单一器件。 光学、电路、忆阻器、机械结构、声学系统，甚至概率与量子平台，都可能成为神经网络的一部分。 2. 推理只是第一关，训练才是核心瓶颈。真实硬件通常不能像 PyTorch 一样自动给出梯度，也很难原样执行反向传播。 3. 数字孪生并不等于真实硬件。仿真中的好模型，搬到器件上会受到制造误差、噪声、漂移与测量误差影响，这就是“仿真—现实鸿沟”。 4. 现有方法都在做取舍。有的依赖数字模型，有的牺牲训练速度，有的要求特殊的互易性、平衡态或时间反演条件。 5. 物理计算的终局不是换一块加速卡。真正的机会来自算法、训练规则和物理介质的共同设计。

一、什么是物理神经网络？

论文给出的定义很宽：只要一个物理系统具有可训练的参数，并能把光强、电压、振动等物理输入变成所需输出，就可以被视为 PNN。

这里要区分两种思路。

1. 同构式 PNN：把数学运算“做进硬件”

同构式 PNN 追求硬件操作与传统神经网络算子一一对应。例如，在电子交叉阵列中，每个结点的电导对应矩阵中的一个权重，电流通过阵列时直接完成矩阵—向量乘法。

它的优点是容易接入现有深度学习框架；缺点是硬件仍然要服务于预先规定的数学形式。

2. 破同构式 PNN：直接训练物理过程

另一条路线更激进：不要求硬件严格模拟某个矩阵运算，而是把器件本身看成一个复杂的、可调的非线性函数。

光在介质中散射、声波在腔体中传播、机械结构的耦合振动，都可以成为网络层。研究者不必完全“翻译”它做了什么，只要能够调整物理参数，让输入经过系统后得到有用输出即可。

这更可能释放物理过程天然的并行性与低能耗，却也让训练变得更难：你面对的不再是一个完全可微、精确可控的软件模型，而是一台会噪声、会漂移、甚至很难准确建模的真实机器。

二、为什么反向传播到了物理世界就失灵了？