摘要：2025年9月，一项由微软剑桥研究院主导的研究登上《Nature》杂志，标题并不起眼，却引发了科技圈的广泛关注。

2025年9月，一项由微软剑桥研究院主导的研究登上《Nature》杂志，标题并不起眼，却引发了科技圈的广泛关注。

不是因为它用了什么先进的GPU，也不是因为它提出了全新的AI模型，而是因为它用“光”——重新定义了计算方式。

这台被称为“AOC”的模拟光学计算机，在实验中展现出远超传统GPU的能效表现。微软甚至估算其成熟版本的能效可达500 TOPS/W，是当前最先进GPU的100倍。

光学计算的概念很早就被提出，理论上，它用光来进行计算，速度快、能耗低。

但几十年来，它一直没能从实验室走出来。主要原因在于器件复杂、精度不高、难以控制。

微软的这次突破，核心在于他们用现成的元器件——手机摄像头、Micro LED、光学透镜——搭建起了一个能跑实际任务的光学计算原型。

研究团队花了四年时间，在英国剑桥的实验室里把这个系统拼了出来。他们的设计思路，是把光学矩阵运算和模拟电子电路结合，构建一个循环回路。

每20纳秒，系统完成一次迭代，逐步收敛到“固定点”——这个固定点，就是计算任务的结果。

很多人会担心，这种实验室设备是不是只能做“样板演示”？微软团队直接上了两个现实场景：金融和医疗。

在金融领域，微软联合巴克莱银行，把每天清算系统面对的“货银对付”问题搬到了AOC上。实验设定了46笔交易、37个参与方，转化为41个变量的优化问题。

通过AOC计算，仅用了7次迭代就得出最优解。这种问题的本质是组合优化，传统算法需要大量资源，而AOC在这个任务中表现出了不小的潜力。

医疗上，研究团队选择了MRI图像重建任务。他们先用32×32的Shepp–Logan脑部图像测试，成功复原原始图像。

随后，又用数字孪生技术（AOC-DT）模拟了一个包含20万个变量的真实脑部MRI数据集，完成了完整重建。

这两个案例说明，AOC不仅能处理数学问题，也能落地到现实世界。

微软的研究不只是停在传统优化任务上。

研究员Jannes Gladrow在一次内部午餐会上提出一个设想：AOC的“固定点搜索”机制，和AI中的平衡模型（如DEQ、现代Hopfield网络）天然契合。

这类模型在GPU上训练成本高，推理过程迭代复杂，AOC却可以通过自身回路特性高效运行。

实验中，团队把MNIST和Fashion-MNIST分类任务映射到AOC，结果几乎与数字孪生系统一致，准确率接近99%。他们还测试了高斯曲线和正弦曲线的拟合，AOC同样完成得很稳定，表现接近仿真结果。

这说明，AOC不仅能跑“玩具问题”，而且具备进一步扩展的潜力。

目前AOC的原型级别还只能处理小规模权重。但微软公布了一条明确的扩展路线图：未来每个模块可以支持400万个权重，几十到上千个模块组合后，可达到0.1亿至20亿权重的规模。

这并非空谈。

AOC跳过了传统芯片中最耗能的数模转换环节，计算过程天然抗噪，能耗极低。

研究人员估算，未来成熟版本的AOC能耗可达每次操作2飞焦耳（fJ），而NVIDIA H100大约在4500 fJ。这相当于能效提升两个数量级。

如果现有GPU是AI时代的“油老虎”，AOC或许能成为“新能源车”。

微软研究主管Francesca Parmigiani领导这个项目时曾说，AOC不是一台通用计算机，而是一种能在关键场景中跑出新可能的光学加速器。

团队中既有构建硬件的Jiaqi Chu，也有推动AI任务结合的Jannes Gladrow，还有在医疗实验中推动应用的Michael Hansen。正是这种跨学科融合，让AOC从一个“奇怪装置”成长为《Nature》认可的研究成果。

光学计算不是要取代GPU，而是在计算架构的多样性中，提供一种新的、低能耗、高效率的选项。

在AI不断膨胀的未来，算力不是越多越好，而是能不能以更低的代价完成更多的任务。微软这次用AOC做出的尝试，或许就是朝这个方向走出的第一步。

来源：小眼知心