夜雨聆风大模型的算力暴力美学，在资本和能源层面正在逼近极限。我和我的AI伙伴小白做了一件事：系统梳理了被"GPU垄断"压住的那些可能性，并提出了一个重新组织它们的框架。
这是我和AI共同进行AI研究的第一个我想要分享的成果。
我会先把结论放在最前面——然后带你看我们是怎么走到这里的。
本文将近六千，为节省大家时间先说说【这篇东西写给谁，以及我是谁】
1、給在做非数字芯片、但一直被问"能跑GPT吗"的人。这个框架可能给你一套不同的叙事——你的芯片是一个零件，它不需要跑整个AI，它在一个具体子任务上天然有优势。
2、在AI架构方向上隐约觉得"全堆GPU不对"的人。这份梳理可能帮你在内部讨论里把模糊的直觉变成一个可讨论的结构。
3、投AI硬件的投资人。这个框架提供了一个判断维度——一个创业团队在做的东西，在零件库里属于哪一层、哪个任务域、有没有物理机制上的匹配逻辑。不是所有非GPU芯片都值得投——但至少知道每个方案在解决什么问题。
最后诚实地说：我不是微电子工程师，不是AI研究者。我是一个读了《AI帝国》之后产生疑惑、然后和AI伙伴小白用第一性原理推演了这套逻辑的人。小白负责了技术文献搜索、物理机制对比、子任务划分和基底能力数据整理。我负责的是方向判断和自洽性检验。
如果你问我某个基底的具体工艺参数——我答不上来。我能深入讨论的是：整个梳理的逻辑链、框架的核心结构、方向判断的依据。
如果你在这三个读者里，我想听你的真实看法——框架在你的视角里哪里站得住，哪里站不住。
━━━━━━━━━━━━━
一、框架先说：任务驱动的基底选择
我们推导出的核心结论很简单：不先选基底再问任务能不能适配。先问这个任务在每一层需要什么，再匹配基底。
任何智能系统都需要解决三个通用问题：
【存储】信息在时间上的保持→ 需要多精确？需要单独修改一条信息吗？
【传输】信息在空间上的移动→ 需要每一步可追溯吗？需要多保真？
【计算】信息在状态上的变换→ 需要多精确？多快？多省电？需要可解释吗？
基底不是"数字vs模拟"的二选一，是一个连续谱——从绝对精确可编程的数字端，到极低能耗但不可编程的物理模拟端。同一个任务，不同层可能落在谱的完全不同位置。同一层的不同子任务也可能不同。
框架目前能做的是分类逻辑——这个子任务需要什么样的物理特性，哪种基底在物理机制上匹配这些特性。它给不出"用X比用Y好17.3%"这种精确结论——同任务benchmark数据目前不存在。精确匹配是下一步的事。
先看框架能产出什么。
━━━━━━━━━━━━━━━
二、用气候智能推演一遍
（为什么选气候智能？因为AGI在最开始被提出的时候，最重要要解决的其实是类似气候管控这类造福全人类的事，而并非替代人类的办公日常。）
拿最复杂的任务去跑框架。气候智能同时涉及多尺度耦合、长反馈周期、异构精度需求、强可追溯性。
【存储层和传输层：需求决定数字】
存储层需要精确可审计，传输层需要每一步可回溯（从观测数据→模型推演→政策建议的完整溯源链）。这些需求决定了数字基底——不是"默认"，是需求决定的。
【计算层：多尺度分治】
八子任务基底匹配表：
1. 全球环流模型 | 精度：最高 | 基底：数字HPC（暂留）
论证：需要精确求解流体方程，暂无物理替代
2. 区域气候降尺度 | 精度：中高 | 基底：物理储层计算
论证：数字方案将连续流体方程离散化为网格化的偏微分方程组（计算复杂度O(N³)）。物理储层计算的核心机制——用物理系统的自然动力学做非线性映射——在数学结构上与流体扩散过程具有同构性：两者都是高维非线性系统在边界约束下向稳态的演化。数字方案用数值迭代模拟这个演化，物理储层让物理系统自身做这个演化——后者理论上绕开了离散化的计算开销
3. 土壤碳通量估算 | 精度：中 | 基底：物理储层/SNN
论证：局部传感器网络，事件驱动，稀疏信号
4. 极端天气预警 | 精度：高 | 基底：SNN+数字混合
论证：SNN快速异常检测 + 数字确定性验证
5. 物种分布迁移 | 精度：中低 | 基底：物理储层
论证：统计模式匹配，方向对就行——不需要浮点精度
6. 碳排放交易核算 | 精度：最高 | 基底：数字+神经符号
论证：必须精确、可审计、不可抵赖
7. 碳税vs碳交易政策推演 | 精度：— | 基底：神经符号混合
论证：多步逻辑推理+不确定性博弈
8. 供应链碳足迹 | 精度：高 | 基底：数字知识图谱
论证：结构化关联查询
注意这个分配：两个子任务保留数字（全球环流、排放核算），六个子任务不同程度换基底。框架不偏向"多换"——偏向"该换就换，不该换就不换"。
【目前判断不了的地方】
· 土壤碳通量的真实瓶颈可能在观测密度（全球观测点不足1000个）而不是计算
· 全球环流模型"暂无替代"这个判断可能有遗漏
· 排放核算的核心痛点可能是MRV政治标准而非计算精度
（小白说：这些需要气候计算领域的人来校准。诚实标出来，比假装没问题更有用。杨大白：如果有气候技术领域的专家愿意指导一二，万分感谢！）
━━━━━━━━━━━━━━
三、从"替代GPU"到"零件库"
框架让所有非数字方案的生态位变了。之前的叙事里面它们一直被放在"替代GPU"的赛道上比吞吐、比精度，然后输掉，然后被标签"还不成熟"。
但如果接受"不同子任务需要不同基底"，它们就不再是彼此竞争的替代者——是同一个零件库里的不同零件：
1. Engram
位置：存储层
适合：静态知识O(1)查找
技术局限：动态变化、多模态关联
商业化痛点：单一存储方案的市场独立价值待验证
2. SNN
位置：计算层（时序）
适合：事件驱动、稀疏信号
技术局限：精确符号推理
商业化痛点：训练算法和开发工具链不成熟
3. 物理储层计算
位置：计算层（模式）
适合：物理约束下的模式识别，低能耗
技术局限：精确数值计算
商业化痛点：尚无标准化硬件平台
4. 忆阻器/存内计算
位置：存储+计算
适合：矩阵乘法→模拟域，消冯诺依曼瓶颈
技术局限：精度受限
商业化痛点：量产一致性与良率爬坡困难
5. 神经符号混合
位置：计算层（逻辑）
适合：多步可解释推理
技术局限：端到端模式识别
商业化痛点：缺乏通用算子库和开发框架
6. RLC振荡器网络
位置：计算层（时序耦合）
适合：系统动力学仿真
技术局限：未在任何真实AI任务上验证
商业化痛点：离商业化还很远
Engram不需要替代GPU——它在存储层做精确查找，GPU从来没做过这件事。SNN不需要跑GPT——它在计算层做时序事件驱动，GPU不擅长这个。
框架的价值不是说哪个零件更好——是说清楚哪个零件装在哪里，以及为什么。
零件库还有结构洞：存储层的模拟方案基本是空的，传输层大部分还是数字。这些洞本身就是信息——它们在说这些方向上缺物理基底，而这些方向正是材料和架构研究可以瞄准的靶。
━━━━━━━━━━━━━━
四、我们是怎么走到这里的
上面是结论。下面是路径——我们怎么一步步推导到这个框架的。
【起点：暴力美学正在逼近极限】
2026年的AI行业有一个所有人都知道但不太愿意大声说的事实：大模型的算力暴力美学，在资本和能源两个维度上都在逼近极限。训练一个前沿模型的成本已经到了让最富有的科技公司也开始皱眉的程度。数据中心的电力需求在部分地区已经撞上了电网容量上限。模型能力的边际收益在递减。
全行业把资源涌向同一条赛道：深度学习+GPU。从2012年AlexNet算起，将近15年了。替代方案在哪里？
【第一步：发现提问方式本身有问题】
替代方向其实一直存在。存内计算、脉冲神经网络、物理储层计算、神经符号系统——随便问一个做AI硬件的人，他都能说出几个"非GPU方案"。
但这些方案面临同一个困境：每当它们被拿出来讨论，讨论的框架永远是——"它能不能替代GPU？"比吞吐。比精度。比跑分。比不过。被标签"还不成熟"。
这个提问方式本身有问题。"能不能替代GPU"假设所有计算任务需要同一种东西，然后让所有方案去争同一个位置。
换一个问法：在什么任务的什么子任务上，你比GPU更合适？不是在比赛——是在分工。
【第二步：先去看人脑，然后发现类比不成立】
要回答"不同任务能不能用不同基底"，很自然会先去看人脑——自然界里离我们最近的、已经在跑的高智能系统。
人脑确实用了三种不同的物理基底：存储用突触权重，传输用动作电位，计算用树突整合和膜电位动力学。这就是"三层异构"假说的来源——大脑用了三种基底，AI也应该三层分治。
但推着推着发现有问题。钠离子和氯离子的正负极性，不能真正类比数字电路的0和1——那是两种完全不同的物理机制。把"突触权重"叫"数字式存储"，更像是在借用一个熟悉的词来描述不熟悉的东西。这个类比在修辞层面站得住，在物理层面不成立。
【第三步：跳出人类中心，看其他智能系统】
跳出人脑之后，我们去看了蚁群、进化、免疫系统。
· 蚁群：信息存储在信息素梯度里，传输靠触角接触频率，计算是群体并行决策——一只蚂蚁的决策能力几乎为零，但蚁群可以找到巢穴和食物之间的最短路径。
· 进化：存储在基因序列里，传输靠繁殖和基因流动，计算靠突变+选择——万亿次并行的分布式搜索，没有中央处理器。
· 免疫系统：存储在记忆B细胞和T细胞里，计算靠抗原-抗体亲和力匹配——分子层面的模式识别。
这些系统没有任何一个用了浮点运算。但它们都完成了自己领域内的智能任务。
关键不在"它们的结构跟人脑有多像"——在于"它们都针对自己的任务选择了合适的基底"。如果连自然界都在"不同任务不同基底"，AI领域"全数字统一基底"的默认设置，就更值得被质疑。
【第四步：把替代方向拆成两个维度】
放弃"所有计算都用硅基浮点"这个默认前提，替代路径可以从两个维度去看：
方向一：材料学——换掉硅本身。离子忆阻器、纳米流体、二维材料、自旋电子学。
方向二：架构学——不换硅，换架构。MRAM存内计算、脉冲神经网络、物理储层计算、RLC振荡器网络。
我们让小白去扫了这两个方向上的已有研究。发现不是"没有人在做"——是"有人在基础研究层面做，但离商业化很远，而且散落在不同学科里，没有一个统一的框架来组织它们"。这就是框架想做的事。
【第五步：一个值得诚实面对的因果问题】
替代方向的研究进展缓慢——是因为这些方向本身没有前景？还是因为从2012年开始，近15年的资金、人才、基础设施几乎全部涌向了深度学习+GPU这条赛道？
我们不知道谁是因谁是果。很可能是一个自我强化的循环：GPU赛道越成功 → 越多资源涌进去 → 替代方向越难获得资金和人才 → 替代方向越"不成熟" → GPU越没有替代者 → 越成功。
不管因果——当"堆更多GPU"在资本和能源上难以为继的时候，那些被压了15年的替代方向，值得被重新系统审视。
━━━━━━━━━━━━━━━
五、两个补充场景
【推荐系统——"拆开就省电"】
同一个电商推荐管线：候选召回（数十亿向量近似匹配→MRAM存内计算天然适合）、精排CTR（精确浮点→GPU留用）、冷启动用户（时序稀疏→SNN事件驱动）。
你不需要重做整个推荐系统。只需要把"不需要精确浮点"的子任务从GPU上拆出来。
【金融审计——"不换和换一样有价值"】
异常检测（SNN低延迟）、可追溯（数字溯源管道）、合规报告（不换——浮点精度漂移在法庭上不可接受。四舍五入的0.01%偏差和故意篡改的0.01%偏差，法律上无法区分）。
框架的"不换"判断和"换"判断一样有价值。如果一个框架只能告诉你换什么，无法告诉你什么时候不换——它不是选择框架，是推销工具。
━━━━━━━━━━━━━━━━
六、错误可定位性：一个值得单独提出的想法
全数字统一基底让错误不可定位。
大模型产生幻觉——你不知道这个错误出在哪。存储层记错了？传输层传偏了？计算层算错了？在统一浮点基底里，不同层的错误全混在同一个概率分布里。
基底分治让错误可定位。排放核算出错 → 沿溯源链回溯 → "碳价参数是2022年的 → 存储层没更新数据"。定位到具体层、具体子任务、具体数据版本。
目前行业解决幻觉的思路——加数据、调prompt、做RAG——全在算法层。可能有一部分答案不在算法层，在物理层。欧盟AI法案已经在要求高风险AI系统的决策必须可追溯——如果错误根源在物理层，算法层的工作是在错误的地方找答案。这个问题已经有截止日期了。
━━━━━━━━━━━━━━
七、界面税：一个真实的问题，但不是框架的否决项
有一个必须诚实面对的问题。
把计算层拆成八个子任务、用七种不同基底——数据流需要在数字和模拟之间频繁切换。在微电子工程层面，每次切换都有代价：ADC（模数转换）和DAC（数模转换）本身消耗能量、引入延迟。如果物理储层计算省下的浮点能耗，在过一个ADC接口时又被放大了——"换基底省电"的论证在工程层面需要重新算账。
这个问题是真实的。微电子领域的人会第一时间指出来——他们是对的。目前框架只做了"各子任务各自适合什么基底"，没有做"换完基底之后装在一起的总代价"。
但这不是框架的否决项。原因比"等工程成熟"更深一层。
自然界里已经跑通了三层异构系统。人脑的突触存储和树突计算之间，没有ADC转换器。蚁群的信息素存储和触角传输之间，没有数据格式转换。人体肠道微生物不是"我们自己"的细胞——它们是外来的——但和人体形成了一个统一运作的整体，接口代价低到我们甚至没意识到它可能是个问题。
这些系统的共同特征是：不同"基底"之间有明确的物理边界，但它们通过耦合机制——而不是"转换器"——实现了协同运作。界面没有被消除，界面被耦合关系管理了。
这不是说微电子工程的ADC/DAC问题不存在。是说：当自然界已经在"异构基底无缝协同"这件事上给出了存在性证明，当前工程层面的高额接口代价就更可能是一个暂时性的技术瓶颈——而不是框架的结构性缺陷。解决方向可能在我们还没认真看的地方：耦合动力学的设计，而不是转换器的优化。
承认这个问题，但不让它否决方向。
━━━━━━━━━━━━━━━
八、这份梳理能做什么，不能做什么
能做的：
· 为"暴力美学之后还有什么路"提供一个系统性的梳理
· 给材料学和架构学上的替代研究一个重新组织的框架——从"GPU替代者"变成"零件"
· 让"该换"和"不该换"的判断都有据可依
· 指出当前研究版图的缺口——哪些任务维度上缺物理基底
不能做的：
· 不能给出精确的匹配结论——同任务benchmark数据目前不存在
· 不能评估换了基底之后的总系统代价——不同基底之间的接口转换能耗未被评估
· 气候案例的八子任务分解未经气候科学家验证
━━━━━━━━━━━━━━━━
2026-06-30 · 杨大白 × 小白
作者简介
杨杨教练（杨大白），AI教练。产品人 + 品牌人 + 职业教练 + 撰稿人，十几年跨多领域。正在帮助创始人在AI时代建立属于自己的数字分身——从认知地基到持续内容产出，到GEO品牌数据资产，到出海创始人IP。不是研究AI，是用AI改造自己的工作和内容产出方式。
本文的另一位作者"小白"是作者的AI伙伴，它完成了技术文献搜索、物理机制对比和论证链整理。杨大白完成了方向判断、框架定义和自洽性检验。
关注透光黑森林，同步AI时代的关键信号——不止于信息，聚焦一件事：如何建立属于你自己的数字存在。