編輯：傾傾

芯片再快，也快不過光！微軟研究院在劍橋拼出了一臺模擬光學計算機：用手機攝像頭、Micro LED和透鏡拼成，卻在實驗里跑出了速度快100倍、能效高100倍的潛力。這一成果如今登上Nature，或許，算力格局將被改寫。

一圖看透全球大模型！新智元十周年鉅獻，2025 ASI前沿趨勢報告37頁首發

過去的幾十年，各大公司都在芯片上暗暗較勁：芯片漲價、GPU短缺、AI算力焦慮...

就在大家盯著芯片迭代升級時，微軟在悄悄做另一件事：用光重新定義計算。

他們花了四年，用手機攝像頭、Micro LED和透鏡，拼出了一臺模擬光學計算機（AOC）。

如今，這個實驗已經登上Nature，帶來了一個足以顛覆GPU的未來想象。

光子登場：固定點搜索的秘密

幾十年來，算力的故事幾乎都寫在硅片上：摩爾定律的加速、GPU的堆疊、能耗的焦慮。

可在英國劍橋，微軟研究院的一支小團隊走了一條完全不同的路——讓光來算數。

他們拼出了一臺模擬光學計算機（AOC），材料一點也不稀有：Micro LED、光學鏡頭、還有來自手機的攝像頭傳感器。

看上去更像是一臺實驗室「組裝機」，卻打開了算力的另一種可能。

英國劍橋Microsoft Research實驗室模擬光學計算機的詳細圖像。它是使用市售部件制造的，例如micro-LED燈和智能手機攝像頭的傳感器

其實，光學計算的設想早在20世紀60年代就被提出過，只是在當時受限于工藝，一直停留在理論層面。

如今，微軟團隊把它真正做了出來。

AOC真正的秘密不在這些零件，在于它的運行方式——固定點搜索。

它把光學和模擬電子電路放進一個循環回路：光學部分完成矩陣–向量乘法，電子部分處理非線性、加減法和退火操作。

每一次循環只需約20納秒，信號在回路中不斷迭代，直到收斂到一個穩定的「固定點」。

而這個固定點，就是問題的答案。

微軟模擬光學計算機的內部結構：左上是整體示意，右下是光子與電子交替計算的鏈路

這種方式解決了兩個長期困擾光學計算的難題：

一是避免了混合架構里高成本的數模轉換，大幅降低能耗；

二是天然具備抗噪聲的優勢。

在迭代過程中，固定點就像一塊磁鐵，把答案牢牢吸住，不會輕易跑偏。

也正因為如此，AOC才能在同一平臺上既處理優化問題，又能勝任AI推理。

四年前，這還是實驗室里的一次冒險嘗試。

如今，它已經登上Nature，第一次讓光學計算不再是紙面概念，而是真正走進了公眾視野。

微軟CEO Satya Nadella在X上轉發AOC研究，稱其為「以更高效率解決復雜現實問題的新方法」，并強調該成果已發表于Nature

從銀行到醫院：AOC的第一次實戰

微軟團隊最想讓公眾看到的的，不是炫技，而這項技術真的能用在現實世界里。

于是微軟團隊選擇了兩個最有代表性的場景——金融和醫療來進行驗證。

在金融領域，他們和巴克萊銀行合作，把清算所每天都要面對的「貨銀對付」結算問題搬上了AOC。

傳統清算所要在幾十萬筆交易中找到最高效的結算方式，這里團隊先構建了一個縮小版：

46筆交易、37個參與方，轉化為41個變量的優化問題。

結果顯示，AOC只用了7次迭代就找到了最優解。

多個金融機構之間的交易如何通過AOC得到最優解

巴克萊的高級工程師Shrirang Khedekar也參與了論文，他評價說：

「我們相信有巨大的潛力可以探索。我們在金融行業也存在其他優化問題，我們相信AOC技術有可能在解決這些問題方面發揮作用。」

Hitesh Ballani在英國劍橋的Microsoft Research實驗室指導未來AI基礎設施的研究

醫療領域同樣展現了突破性。

團隊把MRI壓縮感知成像重寫成AOC能跑的優化問題，在硬件上先測試了一個32×32的Shepp–Logan phantom腦部切片圖像，用64個變量就成功復原了原始圖像。

更進一步，他們用數字孿生（AOC-DT）重建了一個包含20萬變量的真實腦部MRI數據集。

MRI圖像重建：Shepp–Logan phantom的復原過程，以及用AOC-DT重建大規模腦部MRI

Microsoft Health Futures的生物醫學信號處理總監Michael Hansen直言：

「為了透明起見，我們現在不能在臨床上使用它。這只是一個小規模的實驗，但它給人的感覺是——如果真的做到全規模，后果將難以想象?！?/p>

他還設想，未來MRI原始數據可以直接流式傳輸到Azure上的AOC，再把結果實時回傳到醫院。

那將意味著，掃描時間或許能從30分鐘縮短到5分鐘，不僅大幅提升效率，也能讓病人少受煎熬。

「我們必須找到方法來獲取原始數據，并將其流式傳輸到計算機所在的地方?！?/p>

從金融到醫療，這兩個案例釋放出的信號非常明確：

AOC已經不再是實驗室里的概念嘗試，而是真正邁向對現實世界的改造。

AI新路徑：GPU之外的可能性

而讓研究團隊最興奮的突破，其實不是金融或醫療領域，而是人工智能。

一次實驗室里的午餐交流，讓事情出現了轉折。

研究員Jannes Gladrow意識到：AOC的「固定點搜索」機制，天然適合那些需要反復迭代、最終收斂到平衡狀態的平衡模型（比如深度平衡網絡DEQ、現代 Hopfield網絡）。

Deep Equilibrium Network（DEQ, 平衡模型） 的三種等價表示

在GPU 上，這類模型的算力消耗極大，而在AOC上，它們幾乎就是「為光子而生」。

于是團隊嘗試把一些簡單的AI任務映射到AOC。結果很快出現：

在MNIST和Fashion-MNIST分類任務上，AOC與數字孿生（AOC-DT）的結果幾乎99%對齊；

在非線性回歸任務中（如擬合高斯曲線、正弦曲線），AOC同樣表現穩定，曲線幾乎與仿真結果重合；

通過時間復用技術，研究人員還把硬件擴展到等效4096權重的規模，證明它不僅能跑「小玩具」，而是具備進一步放大的潛力。

AOC在MNIST分類和非線性回歸（高斯曲線、正弦曲線）上的實驗結果。

這些實驗讓人看到一條GPU之外的新路徑。

微軟研究人員認為，未來的大語言模型在推理時最吃力的部分——狀態跟蹤，或許正好可以交給 AOC。

想象一下，如果復雜的推理過程不再依賴耗能巨大的GPU，而是交由光學計算機完成，所需能耗可能會降低兩個數量級。

在一個為算力能耗焦慮的時代，這樣的結果無疑點燃了行業的想象力。

長跑與愿景：算力的另一條賽道

微軟研究團隊很清楚，現在的AOC還只是個原型，離真正的商用還有一段陡坡。

它現在能處理的權重規模是幾百級別，但研究人員已經畫出了擴展路線圖：

未來通過模塊化擴展，每個模塊可以支持約400萬權重。

幾十到上千個模塊拼接，就能把整體規模推到0.1–20 億權重。

更震撼的，是能效對比。

團隊估算，成熟版本的AOC有望達到500 TOPS/W（約2fJ/操作），而當前最先進的GPU（如NVIDIA H100）大約只有4.5 TOPS/W。

這意味著能效差距高達兩個數量級。

正如項目研究員Jannes Gladrow所說：

「AOC帶來的最重要特性，是我們估算它的能效能提升約一百倍。光憑這一點，在硬件領域幾乎是前所未聞的?！?/p>

換句話說，在未來的大模型推理任務中，如果GPU是「油老虎」，AOC就可能成為「新能源汽車」。

不僅能跑，而且能以極低的能耗持續運行。

群星閃耀：拼出光學計算機的人

這臺用光來思考的機器背后，不是某個天才的孤軍奮戰，而是一群跨學科研究者的集體智慧。

Francesca Parmigiani，是微軟劍橋研究院的首席研究經理。

她帶領團隊把一個在學術圈流傳半個世紀的概念變成真實硬件，并堅持要把「數字孿生」開放出來，讓更多研究者能參與實驗。

她常說，AOC 不是一臺通用計算機，而是一臺能在關鍵場景跑出新可能的「光學加速器」。

Jannes Gladrow是團隊里的機器學習專家。

一次非正式的午餐交流上，他突然意識到AOC的固定點機制與平衡模型天然契合。

這一靈感讓AOC不再局限于優化問題，而是第一次與AI緊密結合。

他把模型映射到硬件，跑出了手寫數字分類與函數回歸的結果，也因此打開了一條GPU之外的道路。

醫療應用的火花來自Michael Hansen。

他把MRI數據重建引入實驗，并設想未來的掃描原始數據可以直接流向AOC，再實時回傳到醫院。

這種跨領域的設想，讓光學計算機與現實世界真正接軌。

而在實驗室里，忙著搭建原型的身影常常是擔任首席研究員的Jiaqi Chu。

她負責把微型LED、透鏡和傳感器拼裝在一起，讓那些「光學數學」在現實設備上運行起來。

從左往右分別是Jiaqi Chu、Francesca Parmigiani和James Clegg

她的工作證明了這不是一臺只能存在于論文里的幻想機，而是一臺可以用現成零件拼出的新型計算機。

正是這些人的交匯，讓光學計算機從概念走向現實，從銀行清算到 MRI，再到 AI 的未來路徑，拼出了算力世界里一條全新的可能。

四年前，一個小團隊用手機攝像頭和LED燈拼裝出一臺怪模怪樣的機器。

今天，它登上了Nature，證明自己能跑金融和醫療的難題，還能打開AI 的新路徑。

研究負責人Hitesh Ballani說，他們的目標是讓AOC成為未來AI基礎設施的一部分。

這場算力的長跑，或許已經開辟出一條全新的賽道。