微软模拟光学计算机登上Nature，估算能效为GPU的百倍

当行业普遍聚焦芯片迭代与GPU短缺时，微软研究院在英国剑桥选择了另一条路径——用光来计算。团队耗时四年，用Micro LED、光学镜头和来自手机的摄像头传感器，拼出了一台模拟光学计算机（AOC），相关成果已登上《自然》（Nature）。微软CEO纳德拉在社交平台转发该研究，称其为“以更高效率解决复杂现实问题的新方法”。

AOC的核心机制是“固定点搜索”。它把光学与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，每次循环约20纳秒，信号不断迭代直到收敛到稳定的固定点，这个固定点就是问题的答案。这一设计避免了混合架构中高成本的数模转换，大幅降低能耗，同时天然具备抗噪声优势，使AOC能在同一平台上兼顾优化问题与AI推理。

为证明实用性，团队选择了金融和医疗两个场景验证。在金融领域，微软与巴克莱银行合作，把清算所的“货银对付”结算问题搬上AOC，将一个含46笔交易、37个参与方的缩小版转化为41个变量的优化问题，仅用7次迭代就找到最优解。在医疗领域，团队把MRI压缩感知成像改写为优化问题，用64个变量成功复原了32×32的脑部切片图像，并借助数字孪生重建了含20万变量的真实脑部MRI数据集，设想未来扫描时间或能从30分钟缩短到5分钟。

最让研究团队兴奋的突破在人工智能。研究员发现，AOC的固定点机制天然适合需要反复迭代收敛的平衡模型，如深度平衡网络DEQ和现代Hopfield网络。在MNIST和Fashion-MNIST分类任务上，AOC与数字孪生结果近99%对齐；通过时间复用技术，硬件被扩展到等效4096权重的规模。研究人员认为，大语言模型推理中最吃力的状态跟踪部分，或许正可交给AOC完成。

能效对比是这项研究的核心看点。团队估算，成熟版本的AOC有望达到500 TOPS/W（约2飞焦/操作），而当前最先进的英伟达H100约为4.5 TOPS/W，差距高达两个数量级。研究人员坦言，现在的AOC仍只是原型，能处理的权重规模为几百级别，但已规划出模块化扩展路线，未来每个模块可支持约400万权重，拼接后整体规模有望推至数亿权重。研究负责人表示，目标是让AOC成为未来AI基础设施的一部分。