飛象原創（源初/文）近期，著名程序員、前ID Software創始人John Carmack發文提出了一個大膽的設想，利用光纖延遲線作為AI的高速緩存，從而解決如今人工智能計算領域的內存瓶頸問題。

光纖做AI“超大緩存”

Carmack思考使用一個長距離光纖回路作為某種二級緩存（L2 Cache），用于存儲AI模型權重，以實現近乎零延遲和巨大的帶寬。據他估算，目前單模光纖速度已達到256 Tb/s、傳輸距離超過200公里，也就意味著光纖線纜本身就包含著約32 GB的數據。

由于AI模型的權重在推理過程中可以順序訪問，Carmack認為可以將光纖回路作為數據緩存，以此保持AI加速器始終處于數據“喂飽”狀態。此觀點的邏輯在于把傳統RAM想象成SSD與處理器之間的緩沖器，通過光纖作為超大緩存的設想旨在改進甚至徹底取代它。

使用光纖線路的主要現實益處在于節能。維持DRAM運行需要消耗大量電力，而管理光信號的能耗極低。此外，光的傳播是可預測且易于處理的。Carmack指出：“光纖傳輸的發展軌跡可能優于DRAM。”

Carmack的思路原理類似20世紀中期的延遲線存儲技術，當時用水銀或聲音波來存儲數據。不過這種早期技術很難實際應用。甚至連圖靈都曾提出用“杜松子酒混合物”作為介質的荒誕想法來說明問題。

落地難點在哪？

作為業內著名程序員，John Carmack的設想很快引發了討論，然而就像很多設想一樣，最初都會面臨重重技術障礙，自然有著諸多在當前行業背景下的不可能，擺在從設想到落地的過程中。

部分人士認為，光纖“能做”和“能夠勝任”AI緩存是兩回事。光在光纖中傳播速度約為2×10⁸m/s，如果鋪設200 km光纖，單程延遲約1 ms，數據可以調制在光信號上，在光纖中“循環飛行”，只要不斷放大/再生信號，就可以讓數據在環形光纖中持續存在。但這一原理更像是光學延遲線存儲。

現代AI系統需要具備隨機訪問、納秒級延遲、大量并行通道的特征，而光學延遲線的“循環飛行”是順序訪問，無法快速定位某一特定地址。有人在討論中形容：“它更像一個‘循環磁帶’，而不是RAM或Cache。”另外，目前即使用“短光纖”，延遲也遠高于GPU可接受范圍，而在AI訓練里，延遲遠比容量更重要。

實際落地中的工程設計難題也可能比堆疊DRAM的方式復雜得多。眾所周知，由于光在光纖中會衰減，需要EDFA放大器、時鐘同步、光電轉換等進行配合，來維持設想中的“循環飛行”，也就會帶來能耗、抖動、誤碼率等問題。從而在當前條件的經濟性上，還難以媲美現有內存范式。同時，光放大器和DSP處理器等設備，也會消耗大量電力，可能抵消掉預期節能優勢。

圍繞光纖的“超大緩存”設想，更像是一場面向內存墻難題的思想實驗。它反映出如今AI時代算力與帶寬失衡的核心矛盾，但短期內難以撼動DRAM與HBM的主流地位。但縱觀技術發展史，很多如今成熟的技術，最初也均存在著諸多歷史節點上難以逾越的門檻。