对话范铃羚：芯片越来越强，为什么AI还是缺算力？

（本文为范铃羚以个人身份发表的观点，不代表其所属机构的立场，内容不涉及任何未公开的技术或业务信息。The views expressed in this article are Lingling Fan's own and do not represent the position of her employer or any affiliated organization. This interview contains no non-public technical or business information.）

第一次去舞蹈训练时，范铃羚差点被“劝退”。

那是斯坦福一年一度 Viennese Ball 前的训练。老师一开场就说，今天要学的 polka 很难，如果没有舞蹈经验，“the door is over there”。屋里大约三分之一的人随即离开。

范铃羚也有些犹豫。这时，一个朋友走过来邀请她做舞伴，她留了下来。polka 很难，但后来成了她最拿手的一种舞。她把这种“invite you to dance”的幸运，看作自己一次次进入陌生领域、迎接新挑战时的一种鼓励：有人愿意邀请你进入一个新的世界，也愿意给你空间，让你在里面慢慢学会“跳舞”。

支撑她不断走进新领域的，还有一种好奇心。

小时候家里给电动车充电，需要从楼上拖一根很长的电线下来，她就会想：为什么不能无线充电？后来进入斯坦福大学电子工程系读博，这种好奇心逐渐变成了具体的研究问题。她一边研究如何利用光学材料调节热辐射，让建筑兼顾外观与节能；另一边又把光子学带进计算，希望用光承担部分计算任务，从物理底层寻找突破传统芯片能耗瓶颈的可能。

2023 年博士毕业后，范铃羚没有沿着一条纯学术路径继续走下去，而是进入工业界，从光子芯片到大模型计算系统，从云端模型到端侧 AI，她开始站在更完整的系统尺度重新理解“计算效率”这件事。

这些经历也让她重新审视自己博士阶段研究的光子计算。光学器件本身再快，如果数据仍然需要在内存和计算单元之间频繁搬运，整个系统未必真的更高效；芯片越来越强，AI 却依然缺算力。在她看来，从公开信息看，真正可用的算力还受到产能周期、数据中心、电力以及软硬件协同效率的共同约束。

更有意思的是，这个每天和 AI 打交道的人，也会提醒自己不要过度依赖 AI。对她来说，更重要的是用好 AI，同时把基本功握在自己手里。

而面对职业选择，她在意的同样不是哪条路看起来最热门，也不只是职级和薪资。她更看重的是，身边有没有人愿意“invite you to dance”——在你还不熟悉一支舞的时候，邀请你进入场内，并给你足够的空间慢慢学会它。

最近，范铃羚入选 2025 年度“35 岁以下科技创新 35 人”中国区名单。从光子芯片到大模型系统，她一路变化的研究方向背后，其实始终是同一个问题：怎样突破计算的能耗瓶颈，让更强的智能以更低的成本运行。

这次，DeepTech 和范铃羚聊了聊光子计算、AI 算力与端侧模型，也聊了聊一个电子工程背景的研究者，如何在快速变化的技术世界里不断重新选择自己的位置。

以下为经编辑整理的对话全文。

重新理解计算效率

DeepTech：可以先简单介绍一下你的研究经历，以及从博士阶段到工业界之后，研究方向发生了哪些变化？

范铃羚：我 2023 年从斯坦福大学电子工程系博士毕业。博士阶段接受的训练主要打下了物理和数学的基础，也包括不少实验搭建 prototype 的能力。我的研究主要围绕光学芯片展开，比如卷积内核，以及和 FPGA 相关的一些工作，探索如何让卷积算子更高效地部署到光学器件上，用光学硬件来完成计算；除此之外，我也做过一些节能相关的研究，比如通过设计光学材料的辐射和反射性质来降低能耗。

博士毕业进入工业界后，研究重点逐渐转向人工智能和大语言模型。在第一家公司期间，我主要做的是云端大模型；后来，对端侧模型更感兴趣，而且这和博士期间的研究也更接近。

DeepTech：你是不是很早就对物理比较感兴趣？

范铃羚：是的。小时候遇到生活中一些不方便的事情时，就会习惯去想，能不能从物理上找到一种解决办法。比如家里刚有电动车的时候，充电需要从楼上拉一根很长的电线下来。我当时就在想，能不能让它无线充电？后来无线充电确实逐渐普及了。

从小我就会有这种想法：看到生活中一些不方便的地方，就会去想为什么不能换一种方式，或者它到底受什么条件限制、为什么暂时实现不了？

DeepTech：你博士期间做过两类看起来很不一样的研究，一类是节能材料，一类是光子计算。它们之间有没有一个相同的底层逻辑？

范铃羚：其实这两类研究底层都是对光学性质的利用，只是在不同波段做不同的应用。

比如做节能研究时，更多关注红外、远红外波段。像辐射制冷，主要是在 8-13 微米这个范围内，和热辐射、能量传递有关；而光计算因为和光通信相关，关注的是 1550 纳米通信波段。在不同的应用环境里，我们需要考虑信号强弱、噪声等因素，选择合适的波长来工作。

所以节能和光计算看起来是两个不同方向，但对我来说，本质上都是利用光在不同波段的性质去解决不同的问题。

DeepTech：从光子计算转向大模型计算系统，跨度其实不小。你原来的知识体系和科研训练，是怎么迁移到新领域里的？

范铃羚：首先还是回到问题本身，用一种类似“第一性原理”的方式去思考。

比如接触一个新项目时，我有时候反而觉得，不熟悉一些传统方法未必是坏事，因为这样更容易保持“空杯心态”，先不被既有路径限制，直接去看问题真正的瓶颈是什么、评价标准是什么，再从事实和数据出发分析。

另外，科研训练也让我形成了比较强的批判性思维。做科研时经常会问：大家都这么做，是不是还有别的方法？这种习惯到了工业界也很有帮助。有时候不完全依赖既有经验，反而更容易找到新的突破口。

DeepTech：在工业界接触大模型计算系统之后，你现在怎么看光计算的产业化前景？相比博士阶段，你的判断有没有发生变化？

范铃羚：我对这个方向本身一直是有信心的。光在带宽和能耗上的物理优势是实实在在的，光电结合的路线在未来的计算系统里会有它的位置。

只是从公开的产业进展看，不同分支的节奏不一样。偏传输的光互连、CPO 这类方向离商业化更近，已经在往产品里走；而用光直接做计算，要经过流片、材料和器件的多轮迭代，验证一轮的周期和成本都比改一版算法高得多。所以它慢，更多是硬件行业本身的工程规律，不代表这个方向有问题。

DeepTech：未来光子计算会不会更多是和电子计算长期共存，而不是完全取代电子计算？

范铃羚：对，现在很多设计本身就是光电共存的。

一个很重要的原因是，光子计算本质上更接近模拟计算，也就是处理模拟信号。但我们今天绝大多数计算系统仍然是数字计算，主要处理数字信号。所以如果完全依赖光学来完成所有计算，在现实中会有一些很难成立的地方。

因此我觉得，更现实的方向还是光和电结合，各自发挥优势，而不是简单理解成用光完全取代电。

芯片越来越强，为什么算力还是不够？

DeepTech：你过去做光计算时，就已经比较关注整个系统的效率。真正进入大模型计算系统以后，你对 AI 算力和能耗瓶颈的理解有没有发生变化？

范铃羚：其实我在学校做光计算的时候，就已经比较关注系统层面的问题了。比如 data movement，也就是数据在 DRAM（内存）和计算单元之间的搬运，这个过程往往非常耗能、耗时，很多时候才是真正的瓶颈。所以我们当时并不只是看光学器件本身有多快。如果不把数据搬运、存储等系统开销一起考虑进去，局部性能提升未必能转化成整个系统的提升。我在自己的论文里也比较认真地分析过这些问题。

到了大模型领域，也有类似的分析框架，比如 Roofline Model，用来判断系统究竟受计算能力还是内存带宽等因素限制。虽然不同领域的叫法不一样，但背后的很多逻辑和我以前做光计算时是相通的。

DeepTech：如果瓶颈不只在芯片本身，现在芯片也一直在变强，为什么行业还是不断在说“缺算力”？

范铃羚：先说明一下，这个问题我只能从公开报道的层面谈，具体到某家公司的产能、采购或供货情况，我没有信息，也不做判断。从公开信息看，算力紧张首先是供需关系的问题：需求这几年增长得很快，而产能扩张有它自己的周期，两边节奏对不上。其次，买到芯片不等于算力马上可用，还需要配套的数据中心和电力，这两项的建设周期通常比芯片本身更长。

DeepTech：芯片、数据中心和能源都在持续投入，AI 获得的算力也越来越多。你觉得这种能力的增长，最终应该用来解决什么问题？与此同时，有哪些边界需要守住？

范铃羚：我始终觉得，AI 最终一定是要为人类服务的。我比较相信，未来更强的 AI，甚至 AGI，能够提高人的生产效率，让很多过去需要花很长时间完成的工作变得更快、更高效。

第二，我觉得 AI 也可以 empower people。比如有些人受所在地区、成长背景或者教育资源限制，很难接触到足够多的知识。但有了 AI 之后，获取知识会变得更加灵活和方便，它有机会让更多人获得原来接触不到的能力和资源。

当然，AI 也会带来风险。模型的安全性、可靠性，以及被滥用的可能，都是整个领域正在共同面对的课题。所以我觉得 AI 一定需要明确的边界，不是什么事情都可以做，有些事情必须明确地说不。

DeepTech：你们平时工作中应该也会比较多地使用 AI 吧？

范铃羚：我用得很多。同时我也会有意保留一些手推公式、自己读代码和论文的习惯，把基本功练扎实，这和用好 AI 是互补的，不是替代。

DeepTech：过去大模型的发展很大程度上是“堆算力”。继续增加算力，未来还能带来同样明显的收益吗？

范铃羚：最开始大语言模型出现的时候，确实有一点“大力出奇迹”的感觉，增加算力能够比较直接地带来能力提升。

但如果继续增加更多芯片，我觉得还是要具体问题具体分析。比如 GPU 的利用率到底高不高，就是一个很现实的问题。所以它实际上不是单纯的硬件问题，而是硬件和软件结合的问题。

如果目标是继续提高模型能力，更多算力一般还是会带来增益；但与此同时，软件层面也有很多空间，比如模型怎么训练、怎么做更好的 inference，这些都会对最终的能力和效率产生很大影响。

DeepTech：如果不能只靠增加芯片数量，未来 AI 硬件会继续以通用 GPU 为主，还是会出现越来越多定制化、专用化的形态？

范铃羚：我觉得两种都会存在，甚至未来可能还会出现更多不同的形式。

因为硬件最终怎么被使用，不只是技术本身决定的，也和用户需求、厂商以及新的商业模式有关。比如现在也开始出现一些类似“Token Factory”的模式。随着 AI 的应用方式不断变化，我觉得围绕算力也会不断出现新的形态和商业模式，不一定只有一种硬件路线。

DeepTech：除了云端越来越大的模型，你后来也开始更多关注端侧 AI。为什么你觉得端侧现在越来越重要？

范铃羚：一个很重要的原因是，并不是所有人都会一直依赖云端的大模型服务。

大家当然可以使用云端大模型产品，但如果希望自己能够更完整地掌握模型，同时对隐私和安全有更高要求，就会更希望模型能够直接运行在端侧。

其实我博士期间做光计算时，也一直会谈到 on-device 这件事。光学计算当时吸引我的一个地方，就是它也有可能支持更高效的端侧计算。所以后来我对端侧模型感兴趣，和之前的研究其实也有一定延续性。

DeepTech：但端侧的算力、功耗和资源都更受限制，这种约束会不会反过来改变模型本身的设计？

范铃羚：我觉得肯定会。模型本身就是一代一代不断迭代的，不会一成不变。

如果希望模型运行在端侧这样资源约束更强的环境里，同时又希望它具备更强的能力，那模型本身肯定也需要随之变化。

这个过程有点像以前计算机视觉里大家说的“炼丹”，需要不断尝试，再从实践中总结经验，逐渐找到更合适的设计。

进入一个新领域，像被“邀请跳舞”

DeepTech：毕业的时候你也拿到过高校的教职机会，为什么先去了工业界？

范铃羚：我不太会把它想成“选了哪条路”，更像是在不同阶段，去找一个能让自己把事情做成的位置。 毕业时先去工业界，是因为我关心的系统效率问题，data movement、利用率、软硬件怎么配合，只有在足够大的真实系统上，它才会以本来的样子出现，学校里能碰到的规模有限。学术界的吸引力一直都在，我真正看重的是 mentorship 和研究自主性，这两件事在不同的位置上都有可能实现。

DeepTech：所以，带实习生在一定程度上也满足了你当老师的愿望？

范铃羚：是的，我觉得这也是一种老师的角色，只是彼此之间会更平等一些。

DeepTech：从物理到计算，再从学术界进入工业界，你几次进入自己原本并不熟悉的领域。做这些重要选择时，你最看重什么？

范铃羚：我做选择的时候，会把“人”的因素放得很高，有时候甚至比具体做什么更重要。

尤其进入一个新领域时，我很在意身边的人是不是真的欢迎你。我很喜欢一个说法，叫 “invite you to dance”——就像有人邀请你一起跳舞，愿意接纳你进入这个领域，也愿意给你空间，让你在里面成长、发光。

以前面对几个机会时，我除了看资源和成长空间，也会很在意和谁一起工作。因为好的同事关系往往很长远，大家以后即使去了不同的地方，也可能再次合作，甚至成为很多年的朋友。所以对我来说，职业选择里和谁一起做很重要。相比之下，职级和薪资反而不会放在最前面。

DeepTech：你平时也喜欢音乐、画画。这些看起来和技术没有太大关系的兴趣，会反过来影响你的工作吗？

范铃羚：我比较喜欢音乐，也会录一些作品放到 YouTube 上。后来发现有些同事也喜欢音乐，甚至会组乐队。大家工作上不一定有直接交集，但共同的兴趣会让人更容易建立连接，也让工作环境更融洽。

我也喜欢画画，会在陶制花盆上作画。我觉得画画是一个训练想象力的过程。我们平时做模型看起来比较抽象，但其实也需要很多巧思。有时候我会把画画和工作联系起来，比如 embedding 是从一个空间映射到另一个空间，艺术创作里其实也存在类似的“映射”。

所以我觉得艺术和技术并不是完全分开的。现在做 AI 其实也很需要想象力，包括模型设计，甚至新的商业模式，都需要先有人能够想象出一种原来不存在的可能性。

DeepTech：如果不急着给自己设定一个职位或者身份，你现在最想把自己往什么方向上推？

范铃羚：现阶段比较希望自己能够扎实一点，在某一个小领域里真正成为专家，让自己更有不可替代性；另外，我一直希望 AI 最终能够真正造福这个世界。如果希望参与这个过程，我觉得最好的方式还是自己真正去做这件事情。

因为只有你实际身处这个“游戏”之中，才有可能更多地参与进去，也更有机会影响它、改变它。如果只是等其他人把东西做出来之后，我们再去使用，那能够参与和改变的东西可能就比较少。所以对我来说，现阶段还是希望继续真正参与到 AI 的发展里面，把更多主动权掌握在自己手里。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成