微軟用「光」跑AI登上Nature！100倍能效顛覆GPU，華人首席研究員扛鼎

新智元報道

編輯：傾傾

【新智元導讀】芯片再快，也快不過光！微軟研究院在劍橋拚出了一台模擬光學計算機：用手機攝像頭、Micro LED和透鏡拚成，卻在實驗裏跑出了速度快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。

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，拚出了一台模擬光學計算機（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矽片上：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。

他們拚出了一台模擬光學計算機（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。

看上去更像是一台實驗室「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。它是使用市售部件製造的，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，隻是在當時受限於工藝，一直停留在理論層麵。

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，在於它的運行方式——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。

每一次循環隻需約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裏高成本的數模轉換，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才能在同一平台上既處理優化問題，又能勝任AI推理。

四年前，這還是實驗室裏的一次冒險嚐試。

如今，它已經登上Nature，第一次讓光學計算不再是紙麵概念，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「以更高效率解決複雜現實問題的新方法」，並強調該成果已發表於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裏。

於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，把清算所每天都要麵對的「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，這裏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隻用了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：

「国产AV蜜桃网站相信有巨大的潛力可以探索。国产AV蜜桃网站在金融行業也存在其他優化問題，国产AV蜜桃网站相信AOC技術有可能在解決這些問題方麵發揮作用。」

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個變量就成功複原了原始圖像。

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的複原過程，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，国产AV蜜桃网站現在不能在臨床上使用它。這隻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，後果將難以想象。」

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分鍾縮短到5分鍾，不僅大幅提升效率，也能讓病人少受煎熬。

「国产AV蜜桃网站必須找到方法來獲取原始數據，並將其流式傳輸到計算機所在的地方。」

從金融到醫療，這兩個案例釋放出的信號非常明確：

AOC已經不再是實驗室裏的概念嚐試，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。

一次實驗室裏的午餐交流，讓事情出現了轉折。

研究員Jannes Gladrow意識到：AOC的「固定點搜索」機製，天然適合那些需要反複迭代、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」。

於是團隊嚐試把一些簡單的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；

通過時間複用技術，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，如果複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。

長跑與願景：算力的另一條賽道

微軟研究團隊很清楚，現在的AOC還隻是個原型，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。

幾十到上千個模塊拚接，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）大約隻有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，是国产AV蜜桃网站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。」

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：拚出光學計算機的人

這台用光來思考的機器背後，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，並堅持要把「數字孿生」開放出來，讓更多研究者能參與實驗。

她常說，AOC 不是一台通用計算機，而是一台能在關鍵場景跑出新可能的「光學加速器」。

Jannes Gladrow是團隊裏的機器學習專家。

一次非正式的午餐交流上，他突然意識到AOC的固定點機製與平衡模型天然契合。

這一靈感讓AOC不再局限於優化問題，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，並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。

而在實驗室裏，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、透鏡和傳感器拚裝在一起，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台隻能存在於論文裏的幻想機，而是一台可以用現成零件拚出的新型計算機。

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，拚出了算力世界裏一條全新的可能。

四年前，一個小團隊用手機攝像頭和LED燈拚裝出一台怪模怪樣的機器。

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。

參考資料：

http://news.microsoft.com/source/features/innovation/microsoft-analog-optical-computer-cracks-two-practical-problems-shows-ai-promise/

http://x.com/satyanadella/status/1963265500210700628

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