AI 想要更快、更省电，不能只盯着模型结构，硬件本身也要变得更像大脑。

现在很多 AI 系统已经能同时做多件事，比如识别人脸、估计年龄、重建图像。但这些任务通常会被拆成多个模型、多个训练流程，或者在 GPU 上反复搬运数据。真正耗电的地方，往往不只是乘加计算，而是数据在存储器和计算单元之间来回移动。

我看到的关键转变是：如果一个硬件单元本身就能同时输出两种可训练信号，多任务学习就不必完全依赖软件调度。器件可以直接参与学习。

一，一个输入，两种输出

核心器件是基于 Cs₁₋ₓFAₓPbBr₃ 钙钛矿量子点的 8 × 8 交叉阵列。它最有意思的地方不是“能存储权重”这么简单，而是同一个输入脉冲进去后，可以同时产生两类突触响应：

- PSC：postsynaptic current，电流型突触输出；
- PSEL：postsynaptic electroluminescence，电致发光型突触输出。

我把它理解成一个“会发光的人工突触”。传统突触器件多半只给出电信号，而这里多了一条光信号通道。电流可以作为一组权重，发光也可以作为另一组权重。于是，一个物理节点不再只是单通道存储单元，而更像一个双通道学习单元。

这对多任务学习很重要。因为多任务学习的本质不是简单把两个任务堆在一起，而是让它们共享一部分表征，同时保留各自的输出目标。双输出器件恰好给了硬件层面的共享与分流能力。

二，为什么钙钛矿量子点适合做这件事？

我关注到一个细节：FA 掺杂浓度 x 可以在 0.00 到 0.15 之间调节。随着 FA 成分变化，材料的能带、离子迁移和电致发光行为都会改变。也就是说，器件的“可塑性”不是纯粹靠外部电路硬凑出来的，而是材料自身就提供了可调空间。

实验里，这个阵列表现出几类类脑特征：

- 成对脉冲易化 PPF；
- 长时程增强 LTP；
- 长时程抑制 LTD；
- 约 1000 个独立可调状态；
- 电信号 PSC 与光信号 PSEL 的同步更新趋势。

这让我觉得它不像普通存储器那样只是“记住一个数”，而是在材料层面模拟了“学习 - 记忆 - 遗忘”的动态过程。

三，多任务学习怎么跑起来？

任务设计来自人脸图像数据。输入是一张脸，系统需要完成不同目标：

1. 年龄回归；
2. 种族分类；
3. 图像重建。

其中两组多任务组合最关键：

- 分类 + 回归；
- 分类 + 图像重建。

我喜欢这个设计，因为它不是只验证一个单点指标，而是在考察多任务之间是否真的能互相借力。分类任务偏向提取高层语义特征，重建任务偏向保留低层像素细节，回归任务则要求模型对连续变化更敏感。三类目标放在一起，能比较好地检验硬件是否只是“能跑”，还是“能协同学习”。

四，速度提升来自哪里？

最直观的数据是训练轮次减少。

在分类 + 回归任务中，多任务 CNN 在 100 个 epoch 左右就能同时达到年龄预测 R² 约 0.749、分类准确率约 85%。如果按组合式单任务流程，需要 189 个 epoch 才能达到类似水平。

在分类 + 图像重建任务中，多任务 ResNet-15 在 119 个 epoch 达到分类准确率约 84.9%、SSIM 约 0.9；组合式单任务流程需要 168 个 epoch。

换算下来，达到目标表现所需训练轮次最多减少：

- 分类 + 回归：47.09%；
- 分类 + 图像重建：29.17%。

我会把这里的“加速”理解成两层：一是任务共享表示后，学习路径更短；二是双输出硬件让两个任务不必完全串行地使用同一种信号通道。

五，省电才是更大的看点

如果只看速度，这还不够震撼。真正让我觉得有价值的是能耗。

和 GPU 硬件加速器相比，这种双输出器件方案在向量矩阵乘法相关能耗上有明显优势：

- 分类 + 回归任务：最多降低 8.2 倍；
- 分类 + 图像重建任务：最多降低 32.4 倍。

另外，在权重更新能耗上，多任务学习也比组合式单任务更低：分类 + 回归约降低 2 倍，分类 + 图像重建约降低 1.4 倍。

这背后的逻辑很朴素：传统计算架构里，数据移动非常贵；而类脑硬件把存储和计算放得更近，甚至让器件状态本身承载权重更新。少搬数据，就少耗电。

六，我的极简理解框架

```python
input_pulse = face_image_to_voltage(image)

psc_weight = synapse.electrical_output(input_pulse)   # 电流通道
psel_weight = synapse.optical_output(input_pulse)     # 发光通道

loss = 0.7 * task_loss_a(psc_weight) + 0.3 * task_loss_b(psel_weight)
synapse.update(loss)
```

这段伪代码不是器件级实现，只是帮助理解：同一份输入被映射到电流和光两条路径，两条路径共同参与多任务损失优化。

七，我看到的边界

我也不会把它理解成“GPU 很快会被替代”。这里的结果更多是在说明一种可能路线：让神经网络硬件从单输出、单任务、强数据搬运，走向双输出、多任务、低能耗协同。

真正落地还要面对很多问题，比如大规模阵列一致性、外围电路能耗、器件寿命、制造稳定性，以及复杂任务上能否保持精度。尤其是这里的能耗比较主要聚焦特定计算和更新环节，工程系统的整体能耗还需要进一步验证。

但即便如此，我仍然觉得方向很清晰：未来 AI 的效率竞争，不只是“谁的模型参数更少”，也不是“谁的 GPU 更强”，而是软硬件能不能一起设计。

八，我的结论

我最喜欢这个方向的一点，是它把“多任务学习”从算法概念推进到了器件层面。

一个会同时输出电信号和光信号的突触阵列，让我看到了一种更接近大脑的计算方式：同一个输入，不必只服务一个任务；同一个器件，也不必只承担一种权重。

如果说过去 AI 硬件追求的是更快地算，那么这类发光突触器件给我的启发是：下一代 AI 硬件也许要学会更聪明地“同时算”。

参考资料：Park and Wang, Sci. Adv. 12, eady8518 (2026)