光启未来：微软光学计算机挑战GPU极限

在过去的几十年里，科技巨头们在芯片领域的竞争愈演愈烈：芯片涨价、GPU短缺、AI算力焦虑...这一切的焦点都集中在芯片的不断迭代与升级。

然而，微软却在默默探索另一条道路：用光重新定义计算。他们花了四年时间，利用手机摄像头、Micro LED和透镜，打造出一台模拟光学计算机（AOC）。如今，这一实验已在Nature杂志上发表，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

传统的算力提升故事几乎都在硅片上书写：摩尔定律的加速、GPU的堆叠、能耗的焦虑。但在英国剑桥，微软研究院的一支小团队却选择了一条不同的道路——让光来算数。

他们打造的AOC，使用的材料并不稀有：Micro LED、光学镜头，还有来自手机的摄像头传感器。这看似像一台实验室“组装机”，却为算力开启了另一种可能。

其实，光学计算的设想早在20世纪60年代就被提出，但受限于当时的工艺，一直停留在理论层面。如今，微软团队把它变成了现实。

AOC的真正秘密并不在于这些零件，而在于它的运行方式——固定点搜索。它巧妙地将光学和模拟电子电路结合在一个循环回路中：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。

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，牢牢吸住答案，不会轻易跑偏。

从银行到医院：AOC的实战应用

微软团队希望通过实际应用展示AOC的潜力。他们选择了金融和医疗两个最具代表性的场景进行验证。

在金融领域，他们与巴克莱银行合作，将清算所每天面临的“货银对付”结算问题搬上了AOC。结果显示，AOC只用了7次迭代就找到了最优解。

医疗领域同样展现了突破性。团队将MRI压缩感知成像重写成AOC能跑的优化问题，并在硬件上测试了一个32×32的Shepp–Logan phantom脑部切片图像，成功复原了原始图像。

AI新路径：GPU之外的可能性

让研究团队最兴奋的突破，其实是人工智能领域的应用。在一次实验室里的午餐交流中，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（如深度平衡网络DEQ、现代Hopfield网络）。

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”。于是团队尝试将一些简单的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）的结果几乎达到99%的对齐度；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。

长跑与愿景：算力的另一条赛道

微软研究团队深知，目前的AOC还只是个原型，离真正的商用还有一段路要走。它现在能处理的权重规模是几百级别，但研究人员已经规划了扩展路线图：未来通过模块化扩展，每个模块可以支持约400万权重。几十到上千个模块的拼接，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。

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。

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。