當前，人工智能的飛速發展催生了大模型對海量算力的無盡渴望，使得原本基于馮諾依曼結構的計算機遇到了巨大的挑戰。為此，尋找一種新的高效計算機結構來替代經典架構，成為了業內專家們長久以來的探索方向。近期，來自上海科技大學的研究團隊便取得了突破性進展，他們首次研發出了全光深度儲備池計算機，并在著名學術刊物《Optica》上公開發表了這一開創性的成果——名為“Deep photonic reservoir computing recurrent network”的論文。

儲備池計算（Reservoir Computing）作為在2000年被提出的先進理念，是一類以較少培訓成本和低硬件投入實現的可逆循環神經網絡（RNN），在時序數據處理中擁有廣泛的適用領域，諸如波形辨別、語音識別及時間序列預測等。盡管其使得訓練成本更低且具有高效率、低延遲的優點，但卻不適應那些需要深度神經網絡多層次處理信息的大型模型，因為多數硬件儲備池計算機只有一層厚度，無法勝任處理現實生活中紛繁復雜任務的需求。

然而，該研究團隊這次創新性的成就便是通過運用級聯光注入鎖定的全新技術，成功組建了共4個隱藏層。這種儲備池光計算機的獨特之處在于，每個隱藏層都是由半導體激光芯片與光學反饋環組成，且兩個層面之間的聯系采用全光形式進行，無需經過光電變換或數模轉換，這不僅大大降低了能源消耗，也有效縮短了延遲時間。

據悉，此款計算機工作頻率高達20GHz，延遲時間僅為263ns，具備生成超過5000個神經元節點以及101TOPS強大算力的能力。此外，由于每一層都由相應的激光芯片提供能量，故而無論儲備池深度如何擴展，系統中的光功率均不受影響。

為了論證這一計算機解決實際問題的能力，科研團隊選取了四個隱藏層共計320個互連神經元（每層80個）來解決光纖通信領域的重要挑戰——非線性信道均衡問題，這也是華為早先提出的后香農時代十大數學難題之一。試驗結果顯示，這款深度儲備池光計算機展現出極強的光纖非線性補償功能，有力提升了光纖信道的通信容量。

據了解，相較于市場主流的邊緣計算產品，同功耗下的儲備池光計算機算力至少高出1個數量級，且能將時延降低3至4個數量級。因此，未來這一新形態的儲備池光計算機將被廣泛應用于如智能制造、機器人、智慧醫療、智慧交通、智能家居等各類邊緣計算應用場景。