文章核心观点 - 资深工程师约翰·卡马克提出一种创新构想，即利用光纤环路作为人工智能模型的高速数据缓存，以光速循环存储模型权重，这代表了利用光而非硅来定义未来人工智能存储和调用知识方式的潜在技术路径 [2] 光纤环路存储技术构想 - 技术原理基于单模光纤当前可实现以每秒256太比特的速度传输200公里数据，据此估算在任何给定时刻电缆中大约存储着32 GB的信息 [2] - 建议将光纤循环本身视为存储介质而非单纯数据管道，作为“二级”缓存，其原理类似于内存（RAM）在硬盘和处理器间缓冲数据，但具有几乎为零的延迟和更高的带宽 [2] - 该构想与20世纪中期的延迟线存储器技术有概念上的延续性，但现代光纤技术以更高的精度和可预测性赋予了其新的生命力 [2][3] 潜在优势与挑战 - 与需要不断刷新以保持比特状态的动态随机存取存储器（DRAM）相比，光纤维持光信号仅需极少功率，在大规模人工智能服务器中具有显著的潜在节能优势 [3] - 光纤传输的增长曲线可能比DRAM更有利，尤其是在元件小型化速度放缓的背景下 [3] - 主要障碍在于200公里长的高品质光纤成本高昂，且维持传输所需的放大器和数字信号处理器可能会抵消节能效果 [3] - 更极端的设想如基于真空的光数据传输目前仍更接近科幻概念而非可行工程方案 [3] 其他相关技术探索方向 - 更实际的近期方向是通过直接接口将闪存芯片与人工智能加速器紧密耦合，使模型权重能在计算单元间快速移动，无需依赖DRAM，这需要半导体制造商与加速器设计者合作 [4] - 研究团队已开始探索使用固态存储的类似架构，例如2021年的Behemoth、FlashNeuron及FlashGNN项目，研究了使用NAND闪存作为神经网络的近内存缓存 [4] - 增强型内存网格（Augmented Memory Grid）计划提出了旨在优化大型模型键值缓存效率的开源框架，这些实验表明存储和内存之间的界限正开始模糊 [4]