微软用“光”跑AI登上Nature 100倍能效颠覆GPU 华人首席研究员扛鼎

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。

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。

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。”

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。

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。

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。