在全球科技行業(yè)努力應對人工智能應用和數(shù)字技術(shù)帶來的巨大能源消耗之際，微軟的研究人員可能已經(jīng)找到了一個很有希望的解決方案。微軟英國劍橋研究院的一個團隊與劍橋大學的合作者成功開發(fā)了一款新型的模擬光學計算機（Analog Optical Computer, AOC），該計算機利用光的特性進行計算，有望在處理特定的人工智能和優(yōu)化任務時，將能源效率提升高達 100 倍。相關(guān)研究成果已于 2025 年 9 月 3 日發(fā)表在《自然》（Nature）上。

圖丨相關(guān)論文（來源：Nature）

隨著各行各業(yè)對人工智能和大規(guī)模數(shù)據(jù)處理的依賴日益加深，傳統(tǒng)數(shù)字計算機的能源消耗和數(shù)據(jù)傳輸瓶頸問題變得愈發(fā)突出。數(shù)字計算在處理復雜的優(yōu)化問題和大規(guī)模 AI 模型推理時，往往需要消耗大量的電力，并受到數(shù)據(jù)在處理器和內(nèi)存之間移動速度的限制，即所謂的“馮·諾依曼瓶頸”。為了突破這些限制，科學界一直在探索新的計算范式，而模擬計算，特別是利用光子進行計算的光學計算，被視為一個極具潛力的方向。

微軟研發(fā)的這款 AOC 正是基于這一理念。它并非一臺通用計算機，而是一種專用計算設備，旨在高效解決兩類關(guān)鍵問題：人工智能推理（AI Inference）和組合優(yōu)化（Combinatorial Optimization）。與依賴電子在“0”和“1”之間切換的數(shù)字計算機不同，AOC 利用光在通過光學元件時物理特性的連續(xù)變化來進行計算。這一模擬過程，避免了在數(shù)字與模擬信號之間進行耗能且耗時的轉(zhuǎn)換。

該 AOC 系統(tǒng)的核心架構(gòu)結(jié)合了三維光學系統(tǒng)和模擬電子器件。其基本工作原理是通過一個微型發(fā)光二極管（microLED）陣列來代表輸入數(shù)據(jù)或變量，這些光源發(fā)出的光線經(jīng)過復雜的透鏡系統(tǒng)，投射到空間光調(diào)制器（Spatial Light Modulator, SLM）上?？臻g光調(diào)制器在這里扮演著關(guān)鍵角色，其上的每個像素可以被編程來調(diào)整通過光線的強度，從而實現(xiàn)輸入數(shù)據(jù)與預設權(quán)重（或問題參數(shù)）的乘法運算。

圖丨AOC 及其應用（來源：Nature）

隨后，經(jīng)過調(diào)制的光線被另一組透鏡匯聚到光電探測器陣列上，完成加法運算。整個過程在物理層面瞬時完成了大規(guī)模的矢量-矩陣乘法，這是許多 AI 和優(yōu)化算法中最為核心和計算密集的部分。模擬電子電路則負責處理非線性激活函數(shù)、反饋和迭代等其余的計算步驟。

（來源：Microsoft）

這種光電混合的模擬計算方式，使得 AOC 能夠在一個統(tǒng)一的平臺上，高效地執(zhí)行 AI 推理和組合優(yōu)化任務。其關(guān)鍵創(chuàng)新之一是一種被稱為“快速定點搜索”（rapid fixed-point search）的機制。在 AI 模型推理中，系統(tǒng)通過迭代快速收斂到一個穩(wěn)定的“定點”，這個定點就代表了模型的輸出結(jié)果。

在解決優(yōu)化問題時，這個定點則對應于問題的最優(yōu)解或近似最優(yōu)解。這種迭代過程的本質(zhì)使其對模擬計算中固有的噪聲具有很強的魯棒性，因為每一次迭代都會將計算結(jié)果拉向正確的“吸引子”（attractor），從而有效抵消噪聲的干擾。

為了驗證 AOC 的實際應用能力，研究團隊進行了一系列案例研究。在一個與微軟健康未來團隊合作的項目中，他們利用 AOC 的“數(shù)字孿生”（Digital Twin）——一個精確模擬硬件行為的軟件模型——來處理醫(yī)學圖像重建任務。結(jié)果顯示，該技術(shù)有潛力將核磁共振成像的掃描時間從 30 分鐘大幅縮短至 5 分鐘，這對于提升醫(yī)療效率和改善患者體驗具有重大意義。

在金融領(lǐng)域，微軟與巴克萊銀行（Barclays）合作，將 AOC 應用于解決復雜的金融交易結(jié)算問題。這是一個典型的組合優(yōu)化難題，需要在滿足各種法律和信貸約束的條件下，找到最大化結(jié)算交易數(shù)量或價值的最佳方案。在一個包含 46 筆交易和 30 個約束條件的測試案例中，AOC 硬件成功找到了全局最優(yōu)解，其表現(xiàn)甚至優(yōu)于一些量子計算硬件在該問題上的嘗試。

除了這些復雜的優(yōu)化任務，該原型機也展示了其在 AI 推理方面的能力。研究團隊成功地在 AOC 上運行了針對手寫數(shù)字（MNIST）和時尚商品（Fashion-MNIST）圖像識別的神經(jīng)網(wǎng)絡模型，以及非線性回歸任務。測試結(jié)果顯示，AOC 硬件的推理結(jié)果與數(shù)字孿生模型的模擬結(jié)果有超過 99% 的一致性，證明了從數(shù)字環(huán)境訓練模型，再部署到模擬光學硬件上的可行性。

圖丨用于機器學習推理的 AOC（來源：Nature）

目前，這臺 AOC 原型機的規(guī)模還相對較小，其硬件能夠處理的權(quán)重數(shù)量為 256 個，通過特定技術(shù)可以擴展到 4096 個。研究人員指出，要處理現(xiàn)實世界中更大規(guī)模的應用，例如驅(qū)動大型語言模型或解決更復雜的工業(yè)優(yōu)化問題，硬件的可擴展性需要達到數(shù)億甚至數(shù)十億個權(quán)重。

盡管面臨挑戰(zhàn)，但研究團隊對 AOC 的未來擴展性持樂觀態(tài)度。他們指出，這臺原型機的一個顯著優(yōu)勢是其構(gòu)建材料大多是消費級的成熟技術(shù)，例如智能手機攝像頭中的傳感器、微型 LED 和光學鏡片等。這不僅能降低制造成本，也意味著未來的大規(guī)模生產(chǎn)可以利用現(xiàn)有的供應鏈。

研究團隊設想，未來的 AOC 系統(tǒng)將采用模塊化設計，通過集成多個小型的光電計算模塊來處理更大規(guī)模的矩陣運算。據(jù)他們預測，一個由 25 個模塊組成、能夠處理 1 億個權(quán)重的 AOC 系統(tǒng)，其功耗約為 800 瓦，而計算速度可達到每秒 400 千萬億次運算（Peta-OPS），能效預計可以達到每瓦 500 萬億次運算（TOPS/W），這比目前最先進的圖形處理器（GPU）在同等精度下的效率高出超過 100 倍。

參考資料：

1.https://www.nature.com/articles/s41586-025-09430-z

運營/排版：何晨龍