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

新智元报道

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。

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。

参考资料：

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

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

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