编辑：倾倾
【新智元导读】芯片再快，也快不过光！微软研究院在剑桥拼出了一台模拟光学计算机：用手机摄像头、Micro LED和透镜拼成，却在实验里跑出了速度快100倍、能效高100倍的潜力。这一成果如今登上Nature，或许，算力格局将被改写。
一图看透全球大模型！新智元十周年钜献，2025 ASI前沿趋势报告37页首发
过去的几十年，各大公司都在芯片上暗暗较劲：芯片涨价、GPU短缺、AI算力焦虑…
就在大家盯着芯片迭代升级时，微软在悄悄做另一件事：用光重新定义计算。
他们花了四年，用手机摄像头、Micro LED和透镜，拼出了一台模拟光学计算机（AOC）。
如今，这个实验已经登上Nature，带来了一个足以颠覆GPU的未来想象。
光子登场：固定点搜索的秘密
几十年来，算力的故事几乎都写在硅片上：摩尔定律的加速、GPU的堆叠、能耗的焦虑。
可在英国剑桥，微软研究院的一支小团队走了一条完全不同的路——让光来算数。
他们拼出了一台模拟光学计算机（AOC），材料一点也不稀有：Micro LED、光学镜头、还有来自手机的摄像头传感器。
看上去更像是一台实验室「组装机」，却打开了算力的另一种可能。
英国剑桥Microsoft Research实验室模拟光学计算机的详细图像。它是使用市售部件制造的，例如micro-LED灯和智能手机摄像头的传感器
其实，光学计算的设想早在20世纪60年代就被提出过，只是在当时受限于工艺，一直停留在理论层面。
如今，微软团队把它真正做了出来。
AOC真正的秘密不在这些零件，在于它的运行方式——固定点搜索。
它把光学和模拟电子电路放进一个循环回路：光学部分完成矩阵–向量乘法，电子部分处理非线性、加减法和退火操作。
每一次循环只需约20纳秒，信号在回路中不断迭代，直到收敛到一个稳定的「固定点」。
而这个固定点，就是问题的答案。
微软模拟光学计算机的内部结构：左上是整体示意，右下是光子与电子交替计算的链路
这种方式解决了两个长期困扰光学计算的难题：
一是避免了混合架构里高成本的数模转换，大幅降低能耗；
二是天然具备抗噪声的优势。
在迭代过程中，固定点就像一块磁铁，把答案牢牢吸住，不会轻易跑偏。
也正因为如此，AOC才能在同一平台上既处理优化问题，又能胜任AI推理。
四年前，这还是实验室里的一次冒险尝试。
如今，它已经登上Nature，第一次让光学计算不再是纸面概念，而是真正走进了公众视野。
微软CEO Satya Nadella在X上转发AOC研究，称其为「以更高效率解决复杂现实问题的新方法」，并强调该成果已发表于Nature
从银行到医院：AOC的第一次实战
微软团队最想让公众看到的的，不是炫技，而这项技术真的能用在现实世界里。
于是微软团队选择了两个最有代表性的场景——金融和医疗来进行验证。
在金融领域，他们和巴克莱银行合作，把清算所每天都要面对的「货银对付」结算问题搬上了AOC。
传统清算所要在几十万笔交易中找到最高效的结算方式，这里团队先构建了一个缩小版：
46笔交易、37个参与方，转化为41个变量的优化问题。
结果显示，AOC只用了7次迭代就找到了最优解。
多个金融机构之间的交易如何通过AOC得到最优解
巴克莱的高级工程师Shrirang Khedekar也参与了论文，他评价说：
「我们相信有巨大的潜力可以探索。我们在金融行业也存在其他优化问题，我们相信AOC技术有可能在解决这些问题方面发挥作用。」
Hitesh Ballani在英国剑桥的Microsoft Research实验室指导未来AI基础设施的研究
医疗领域同样展现了突破性。
团队把MRI压缩感知成像重写成AOC能跑的优化问题，在硬件上先测试了一个32×32的Shepp–Logan phantom脑部切片图像，用64个变量就成功复原了原始图像。
更进一步，他们用数字孪生（AOC-DT）重建了一个包含20万变量的真实脑部MRI数据集。
MRI图像重建：Shepp–Logan phantom的复原过程，以及用AOC-DT重建大规模脑部MRI
Microsoft Health Futures的生物医学信号处理总监Michael Hansen直言：
「为了透明起见，我们现在不能在临床上使用它。这只是一个小规模的实验，但它给人的感觉是——如果真的做到全规模，后果将难以想象。」
他还设想，未来MRI原始数据可以直接流式传输到Azure上的AOC，再把结果实时回传到医院。
那将意味着，扫描时间或许能从30分钟缩短到5分钟，不仅大幅提升效率，也能让病人少受煎熬。
「我们必须找到方法来获取原始数据，并将其流式传输到计算机所在的地方。」
从金融到医疗，这两个案例释放出的信号非常明确：
AOC已经不再是实验室里的概念尝试，而是真正迈向对现实世界的改造。
AI新路径：GPU之外的可能性
而让研究团队最兴奋的突破，其实不是金融或医疗领域，而是人工智能。
一次实验室里的午餐交流，让事情出现了转折。
研究员Jannes Gladrow意识到：AOC的「固定点搜索」机制，天然适合那些需要反复迭代、最终收敛到平衡状态的平衡模型（比如深度平衡网络DEQ、现代 Hopfield网络）。
Deep Equilibrium Network（DEQ, 平衡模型） 的三种等价表示
在GPU 上，这类模型的算力消耗极大，而在AOC上，它们几乎就是「为光子而生」。
于是团队尝试把一些简单的AI任务映射到AOC。结果很快出现：
在MNIST和Fashion-MNIST分类任务上，AOC与数字孪生（AOC-DT）的结果几乎99%对齐；
在非线性回归任务中（如拟合高斯曲线、正弦曲线），AOC同样表现稳定，曲线几乎与仿真结果重合；
通过时间复用技术，研究人员还把硬件扩展到等效4096权重的规模，证明它不仅能跑「小玩具」，而是具备进一步放大的潜力。
AOC在MNIST分类和非线性回归（高斯曲线、正弦曲线）上的实验结果。
这些实验让人看到一条GPU之外的新路径。
微软研究人员认为，未来的大语言模型在推理时最吃力的部分——状态跟踪，或许正好可以交给 AOC。
想象一下，如果复杂的推理过程不再依赖耗能巨大的GPU，而是交由光学计算机完成，所需能耗可能会降低两个数量级。
在一个为算力能耗焦虑的时代，这样的结果无疑点燃了行业的想象力。
长跑与愿景：算力的另一条赛道
微软研究团队很清楚，现在的AOC还只是个原型，离真正的商用还有一段陡坡。
它现在能处理的权重规模是几百级别，但研究人员已经画出了扩展路线图：
未来通过模块化扩展，每个模块可以支持约400万权重。
几十到上千个模块拼接，就能把整体规模推到0.1–20 亿权重。
更震撼的，是能效对比。
团队估算，成熟版本的AOC有望达到500 TOPS/W（约2fJ/操作），而当前最先进的GPU（如NVIDIA H100）大约只有4.5 TOPS/W。
这意味着能效差距高达两个数量级。
正如项目研究员Jannes Gladrow所说：
「AOC带来的最重要特性，是我们估算它的能效能提升约一百倍。光凭这一点，在硬件领域几乎是前所未闻的。」
换句话说，在未来的大模型推理任务中，如果GPU是「油老虎」，AOC就可能成为「新能源汽车」。
不仅能跑，而且能以极低的能耗持续运行。
群星闪耀：拼出光学计算机的人
这台用光来思考的机器背后，不是某个天才的孤军奋战，而是一群跨学科研究者的集体智慧。
Francesca Parmigiani，是微软剑桥研究院的首席研究经理。
她带领团队把一个在学术圈流传半个世纪的概念变成真实硬件，并坚持要把「数字孪生」开放出来，让更多研究者能参与实验。
她常说，AOC 不是一台通用计算机，而是一台能在关键场景跑出新可能的「光学加速器」。
Jannes Gladrow是团队里的机器学习专家。
一次非正式的午餐交流上，他突然意识到AOC的固定点机制与平衡模型天然契合。
这一灵感让AOC不再局限于优化问题，而是第一次与AI紧密结合。
他把模型映射到硬件，跑出了手写数字分类与函数回归的结果，也因此打开了一条GPU之外的道路。
医疗应用的火花来自Michael Hansen。
他把MRI数据重建引入实验，并设想未来的扫描原始数据可以直接流向AOC，再实时回传到医院。
这种跨领域的设想，让光学计算机与现实世界真正接轨。
而在实验室里，忙着搭建原型的身影常常是担任首席研究员的Jiaqi Chu。
她负责把微型LED、透镜和传感器拼装在一起，让那些「光学数学」在现实设备上运行起来。
从左往右分别是Jiaqi Chu、Francesca Parmigiani和James Clegg
她的工作证明了这不是一台只能存在于论文里的幻想机，而是一台可以用现成零件拼出的新型计算机。
正是这些人的交汇，让光学计算机从概念走向现实，从银行清算到 MRI，再到 AI 的未来路径，拼出了算力世界里一条全新的可能。
四年前，一个小团队用手机摄像头和LED灯拼装出一台怪模怪样的机器。
今天，它登上了Nature，证明自己能跑金融和医疗的难题，还能打开AI 的新路径。
研究负责人Hitesh Ballani说，他们的目标是让AOC成为未来AI基础设施的一部分。
这场算力的长跑，或许已经开辟出一条全新的赛道。
