過(guò)去的幾十年，各大公司都在芯片上暗暗較勁：芯片漲價(jià)、GPU短缺、AI算力焦慮...

就在大家盯著芯片迭代升級(jí)時(shí)，微軟在悄悄做另一件事：用光重新定義計(jì)算。

他們花了四年，用手機(jī)攝像頭、Micro LED和透鏡，拼出了一臺(tái)模擬光學(xué)計(jì)算機(jī)（AOC）。

如今，這個(gè)實(shí)驗(yàn)已經(jīng)登上Nature，帶來(lái)了一個(gè)足以顛覆GPU的未來(lái)想象。

光子登場(chǎng)：固定點(diǎn)搜索的秘密

幾十年來(lái)，算力的故事幾乎都寫(xiě)在硅片上：摩爾定律的加速、GPU的堆疊、能耗的焦慮。

可在英國(guó)劍橋，微軟研究院的一支小團(tuán)隊(duì)走了一條完全不同的路——讓光來(lái)算數(shù)。

他們拼出了一臺(tái)模擬光學(xué)計(jì)算機(jī)（AOC），材料一點(diǎn)也不稀有：Micro LED、光學(xué)鏡頭、還有來(lái)自手機(jī)的攝像頭傳感器。

看上去更像是一臺(tái)實(shí)驗(yàn)室「組裝機(jī)」，卻打開(kāi)了算力的另一種可能。

英國(guó)劍橋Microsoft Research實(shí)驗(yàn)室模擬光學(xué)計(jì)算機(jī)的詳細(xì)圖像。它是使用市售部件制造的，例如micro-LED燈和智能手機(jī)攝像頭的傳感器

其實(shí)，光學(xué)計(jì)算的設(shè)想早在20世紀(jì)60年代就被提出過(guò)，只是在當(dāng)時(shí)受限于工藝，一直停留在理論層面。

如今，微軟團(tuán)隊(duì)把它真正做了出來(lái)。

AOC真正的秘密不在這些零件，在于它的運(yùn)行方式——固定點(diǎn)搜索。

它把光學(xué)和模擬電子電路放進(jìn)一個(gè)循環(huán)回路：光學(xué)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(huán)只需約20納秒，信號(hào)在回路中不斷迭代，直到收斂到一個(gè)穩(wěn)定的「固定點(diǎn)」。

而這個(gè)固定點(diǎn)，就是問(wèn)題的答案。

微軟模擬光學(xué)計(jì)算機(jī)的內(nèi)部結(jié)構(gòu)：左上是整體示意，右下是光子與電子交替計(jì)算的鏈路

這種方式解決了兩個(gè)長(zhǎng)期困擾光學(xué)計(jì)算的難題：

一是避免了混合架構(gòu)里高成本的數(shù)模轉(zhuǎn)換，大幅降低能耗；

二是天然具備抗噪聲的優(yōu)勢(shì)。

在迭代過(guò)程中，固定點(diǎn)就像一塊磁鐵，把答案牢牢吸住，不會(huì)輕易跑偏。

也正因?yàn)槿绱?，AOC才能在同一平臺(tái)上既處理優(yōu)化問(wèn)題，又能勝任AI推理。

四年前，這還是實(shí)驗(yàn)室里的一次冒險(xiǎn)嘗試。

如今，它已經(jīng)登上Nature，第一次讓光學(xué)計(jì)算不再是紙面概念，而是真正走進(jìn)了公眾視野。

微軟CEO Satya Nadella在X上轉(zhuǎn)發(fā)AOC研究，稱其為「以更高效率解決復(fù)雜現(xiàn)實(shí)問(wèn)題的新方法」，并強(qiáng)調(diào)該成果已發(fā)表于Nature

從銀行到醫(yī)院：AOC的第一次實(shí)戰(zhàn)

微軟團(tuán)隊(duì)最想讓公眾看到的的，不是炫技，而這項(xiàng)技術(shù)真的能用在現(xiàn)實(shí)世界里。

于是微軟團(tuán)隊(duì)選擇了兩個(gè)最有代表性的場(chǎng)景——金融和醫(yī)療來(lái)進(jìn)行驗(yàn)證。

在金融領(lǐng)域，他們和巴克萊銀行合作，把清算所每天都要面對(duì)的「貨銀對(duì)付」結(jié)算問(wèn)題搬上了AOC。

傳統(tǒng)清算所要在幾十萬(wàn)筆交易中找到最高效的結(jié)算方式，這里團(tuán)隊(duì)先構(gòu)建了一個(gè)縮小版：

46筆交易、37個(gè)參與方，轉(zhuǎn)化為41個(gè)變量的優(yōu)化問(wèn)題。

結(jié)果顯示，AOC只用了7次迭代就找到了最優(yōu)解。

多個(gè)金融機(jī)構(gòu)之間的交易如何通過(guò)AOC得到最優(yōu)解

巴克萊的高級(jí)工程師Shrirang Khedekar也參與了論文，他評(píng)價(jià)說(shuō)：

「我們相信有巨大的潛力可以探索。我們?cè)诮鹑谛袠I(yè)也存在其他優(yōu)化問(wèn)題，我們相信AOC技術(shù)有可能在解決這些問(wèn)題方面發(fā)揮作用?！?/span>

Hitesh Ballani在英國(guó)劍橋的Microsoft Research實(shí)驗(yàn)室指導(dǎo)未來(lái)AI基礎(chǔ)設(shè)施的研究 

醫(yī)療領(lǐng)域同樣展現(xiàn)了突破性。

團(tuán)隊(duì)把MRI壓縮感知成像重寫(xiě)成AOC能跑的優(yōu)化問(wèn)題，在硬件上先測(cè)試了一個(gè)32×32的Shepp–Logan phantom腦部切片圖像，用64個(gè)變量就成功復(fù)原了原始圖像。

更進(jìn)一步，他們用數(shù)字孿生（AOC-DT）重建了一個(gè)包含20萬(wàn)變量的真實(shí)腦部MRI數(shù)據(jù)集。

MRI圖像重建：Shepp–Logan phantom的復(fù)原過(guò)程，以及用AOC-DT重建大規(guī)模腦部MRI

Microsoft Health Futures的生物醫(yī)學(xué)信號(hào)處理總監(jiān)Michael Hansen直言：

「為了透明起見(jiàn)，我們現(xiàn)在不能在臨床上使用它。這只是一個(gè)小規(guī)模的實(shí)驗(yàn)，但它給人的感覺(jué)是——如果真的做到全規(guī)模，后果將難以想象?！?/span>

他還設(shè)想，未來(lái)MRI原始數(shù)據(jù)可以直接流式傳輸?shù)紸zure上的AOC，再把結(jié)果實(shí)時(shí)回傳到醫(yī)院。

那將意味著，掃描時(shí)間或許能從30分鐘縮短到5分鐘，不僅大幅提升效率，也能讓病人少受煎熬。

「我們必須找到方法來(lái)獲取原始數(shù)據(jù)，并將其流式傳輸?shù)接?jì)算機(jī)所在的地方。」

從金融到醫(yī)療，這兩個(gè)案例釋放出的信號(hào)非常明確：

AOC已經(jīng)不再是實(shí)驗(yàn)室里的概念嘗試，而是真正邁向?qū)ΜF(xiàn)實(shí)世界的改造。

AI新路徑：GPU之外的可能性

而讓研究團(tuán)隊(duì)最興奮的突破，其實(shí)不是金融或醫(yī)療領(lǐng)域，而是人工智能。

一次實(shí)驗(yàn)室里的午餐交流，讓事情出現(xiàn)了轉(zhuǎn)折。

研究員Jannes Gladrow意識(shí)到：AOC的「固定點(diǎn)搜索」機(jī)制，天然適合那些需要反復(fù)迭代、最終收斂到平衡狀態(tài)的平衡模型（比如深度平衡網(wǎng)絡(luò)DEQ、現(xiàn)代 Hopfield網(wǎng)絡(luò)）。

Deep Equilibrium Network（DEQ, 平衡模型） 的三種等價(jià)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」。

于是團(tuán)隊(duì)嘗試把一些簡(jiǎn)單的AI任務(wù)映射到AOC。結(jié)果很快出現(xiàn)：

在MNIST和Fashion-MNIST分類任務(wù)上，AOC與數(shù)字孿生（AOC-DT）的結(jié)果幾乎99%對(duì)齊；

在非線性回歸任務(wù)中（如擬合高斯曲線、正弦曲線），AOC同樣表現(xiàn)穩(wěn)定，曲線幾乎與仿真結(jié)果重合；

通過(guò)時(shí)間復(fù)用技術(shù)，研究人員還把硬件擴(kuò)展到等效4096權(quán)重的規(guī)模，證明它不僅能跑「小玩具」，而是具備進(jìn)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(shí)驗(yàn)結(jié)果。

這些實(shí)驗(yàn)讓人看到一條GPU之外的新路徑。

微軟研究人員認(rèn)為，未來(lái)的大語(yǔ)言模型在推理時(shí)最吃力的部分——狀態(tài)跟蹤，或許正好可以交給 AOC。

想象一下，如果復(fù)雜的推理過(guò)程不再依賴耗能巨大的GPU，而是交由光學(xué)計(jì)算機(jī)完成，所需能耗可能會(huì)降低兩個(gè)數(shù)量級(jí)。

在一個(gè)為算力能耗焦慮的時(shí)代，這樣的結(jié)果無(wú)疑點(diǎn)燃了行業(yè)的想象力。

長(zhǎng)跑與愿景：算力的另一條賽道

微軟研究團(tuán)隊(duì)很清楚，現(xiàn)在的AOC還只是個(gè)原型，離真正的商用還有一段陡坡。

它現(xiàn)在能處理的權(quán)重規(guī)模是幾百級(jí)別，但研究人員已經(jīng)畫(huà)出了擴(kuò)展路線圖：

未來(lái)通過(guò)模塊化擴(kuò)展，每個(gè)模塊可以支持約400萬(wàn)權(quán)重。

幾十到上千個(gè)模塊拼接，就能把整體規(guī)模推到0.1–20 億權(quán)重。

更震撼的，是能效對(duì)比。

團(tuán)隊(duì)估算，成熟版本的AOC有望達(dá)到500 TOPS/W（約2fJ/操作），而當(dāng)前最先進(jìn)的GPU（如NVIDIA H100）大約只有4.5 TOPS/W。

這意味著能效差距高達(dá)兩個(gè)數(shù)量級(jí)。

正如項(xiàng)目研究員Jannes Gladrow所說(shuō)：

「AOC帶來(lái)的最重要特性，是我們估算它的能效能提升約一百倍。光憑這一點(diǎn)，在硬件領(lǐng)域幾乎是前所未聞的?！?/span>

換句話說(shuō)，在未來(lái)的大模型推理任務(wù)中，如果GPU是「油老虎」，AOC就可能成為「新能源汽車(chē)」。

不僅能跑，而且能以極低的能耗持續(xù)運(yùn)行。

群星閃耀：拼出光學(xué)計(jì)算機(jī)的人

這臺(tái)用光來(lái)思考的機(jī)器背后，不是某個(gè)天才的孤軍奮戰(zhàn)，而是一群跨學(xué)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(jīng)理。

她帶領(lǐng)團(tuán)隊(duì)把一個(gè)在學(xué)術(shù)圈流傳半個(gè)世紀(jì)的概念變成真實(shí)硬件，并堅(jiān)持要把「數(shù)字孿生」開(kāi)放出來(lái)，讓更多研究者能參與實(shí)驗(yàn)。

她常說(shuō)，AOC 不是一臺(tái)通用計(jì)算機(jī)，而是一臺(tái)能在關(guān)鍵場(chǎng)景跑出新可能的「光學(xué)加速器」。

Jannes Gladrow是團(tuán)隊(duì)里的機(jī)器學(xué)習(xí)專家。

一次非正式的午餐交流上，他突然意識(shí)到AOC的固定點(diǎn)機(jī)制與平衡模型天然契合。

這一靈感讓AOC不再局限于優(yōu)化問(wèn)題，而是第一次與AI緊密結(jié)合。

他把模型映射到硬件，跑出了手寫(xiě)數(shù)字分類與函數(shù)回歸的結(jié)果，也因此打開(kāi)了一條GPU之外的道路。

醫(yī)療應(yīng)用的火花來(lái)自Michael Hansen。

他把MRI數(shù)據(jù)重建引入實(shí)驗(yàn)，并設(shè)想未來(lái)的掃描原始數(shù)據(jù)可以直接流向AOC，再實(shí)時(shí)回傳到醫(yī)院。

這種跨領(lǐng)域的設(shè)想，讓光學(xué)計(jì)算機(jī)與現(xiàn)實(shí)世界真正接軌。

而在實(shí)驗(yàn)室里，忙著搭建原型的身影常常是擔(dān)任首席研究員的Jiaqi Chu。

她負(fù)責(zé)把微型LED、透鏡和傳感器拼裝在一起，讓那些「光學(xué)數(shù)學(xué)」在現(xiàn)實(shí)設(shè)備上運(yùn)行起來(lái)。

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臺(tái)只能存在于論文里的幻想機(jī)，而是一臺(tái)可以用現(xiàn)成零件拼出的新型計(jì)算機(jī)。

正是這些人的交匯，讓光學(xué)計(jì)算機(jī)從概念走向現(xiàn)實(shí)，從銀行清算到 MRI，再到 AI 的未來(lái)路徑，拼出了算力世界里一條全新的可能。

四年前，一個(gè)小團(tuán)隊(duì)用手機(jī)攝像頭和LED燈拼裝出一臺(tái)怪模怪樣的機(jī)器。

今天，它登上了Nature，證明自己能跑金融和醫(yī)療的難題，還能打開(kāi)AI 的新路徑。

研究負(fù)責(zé)人Hitesh Ballani說(shuō)，他們的目標(biāo)是讓AOC成為未來(lái)AI基礎(chǔ)設(shè)施的一部分。

這場(chǎng)算力的長(zhǎng)跑，或許已經(jīng)開(kāi)辟出一條全新的賽道。