近日，美國康奈爾大學(xué)團(tuán)隊給光學(xué)計算機(jī)成功減了肥，讓它縮小了 90% 以上，但性能卻幾乎沒有下降。這意味著我們距離一個萬物智能的世界更近了，比如智能手表有望搭載一個能以光速思考的 AI 助手，汽車可能擁有匹敵人類的視覺系統(tǒng)。
相關(guān)論文的第一作者、康奈爾大學(xué)博士后李彥棟開發(fā)出針對光學(xué)系統(tǒng)的模型壓縮與簡化策略，將光學(xué)神經(jīng)網(wǎng)絡(luò)的物理尺寸縮小到傳統(tǒng)設(shè)計的 1%–10%， 同時保持推理準(zhǔn)確率基本不變。
研究進(jìn)一步表明，隨著光學(xué)計算系統(tǒng)體積的增大，其推理準(zhǔn)確率的提升會逐漸趨緩，需要不斷擴(kuò)大架構(gòu)規(guī)模，才能獲得有限的性能提升。這意味著，在許多應(yīng)用場景中，通過優(yōu)化結(jié)構(gòu)與資源分配，在有限尺寸內(nèi)實現(xiàn)高效計算，往往比單純追求更大規(guī)模更為關(guān)鍵。
（來源：https://www.nature.com/articles/s41467-025-63453-8）
在傳統(tǒng)電子計算中，信息以電壓的形式存在，通過晶體管在電路中不斷調(diào)控來完成運算。而在光計算中，信息被編碼在光的物理特征中，例如光的強(qiáng)度、相位、偏振和頻率。這些光信號在器件內(nèi)部或不同光學(xué)器件之間傳播時，會嚴(yán)格按照物理規(guī)律發(fā)生變化。正是這些受控的物理變化過程，本身就構(gòu)成了一種模擬計算。更重要的是，這些光學(xué)器件并非一成不變。通過設(shè)計或調(diào)控器件的結(jié)構(gòu)和參數(shù)，人們可以讓光在傳播過程中執(zhí)行特定的數(shù)學(xué)運算，從而實現(xiàn)所需要的計算功能。
隨著 AI，尤其是大模型的快速發(fā)展，計算系統(tǒng)正面臨能耗、速度等多方面的挑戰(zhàn)。光計算正是在這些關(guān)鍵維度上，展現(xiàn)出獨特的潛在優(yōu)勢。
首先是能效優(yōu)勢。與電信號在金屬導(dǎo)線中傳輸相比，光在許多材料中的傳播損耗要低得多。在計算規(guī)模足夠大的情況下，例如超大規(guī)模矩陣運算，用于調(diào)控光學(xué)器件的能耗相對于整體計算來說可以忽略不計。這使得光計算在大規(guī)模計算任務(wù)中，具備顯著優(yōu)于傳統(tǒng)電子計算的能效潛力。
然后是信息通量優(yōu)勢。光在信息承載能力上具有天然優(yōu)勢。在空間維度上，自由空間光學(xué)系統(tǒng)可以輕松支持上百萬個空間模式同時調(diào)控；在頻譜維度上，光的帶寬處于太赫茲量級，可支持成百上千個頻域模式并行處理。
最后是速度優(yōu)勢。光計算的運算速度，本質(zhì)上由光穿過器件的時間決定。雖然在現(xiàn)代電子處理器中，電信號的傳播速度本身也接近光速。但在處理光信號時，電子處理器仍然需要進(jìn)行光電轉(zhuǎn)換。光計算的關(guān)鍵優(yōu)勢在于：當(dāng)輸入信號本身就是光時，可以用光學(xué)器件對其直接進(jìn)行處理，從而避免光電轉(zhuǎn)換所帶來的時間延遲。這種低延遲特性在 AI 視覺相關(guān)應(yīng)用中非常關(guān)鍵，例如自動駕駛、增強(qiáng)現(xiàn)實和具身智能等場景。
（來源：https://www.nature.com/articles/s43588-024-00657-w）
既然光計算優(yōu)勢顯著，尤其適合超大規(guī)模計算，為什么還沒有在實際系統(tǒng)中廣泛應(yīng)用？一個重要原因是，現(xiàn)有光計算設(shè)備往往體積較大。
光計算系統(tǒng)依賴特定形式的非定域性：某個輸出結(jié)果需要依賴來自多個空間位置的輸入信息。這要求光在器件內(nèi)部進(jìn)行橫向的信息交換，而不僅僅是沿傳播方向前進(jìn)。
在復(fù)雜計算任務(wù)中，不同輸出依賴的輸入?yún)^(qū)域往往高度重疊。為了避免相互干擾，系統(tǒng)需要支持大量互相獨立的橫向傳播通道，而這些并行通道通常只能通過增加器件厚度來實現(xiàn)。因此，隨著計算復(fù)雜度的提高，光計算設(shè)備往往不可避免地變得更厚、更大。
（來源：https://www.nature.com/articles/s41467-025-63453-8）
李彥棟的研究靈感，來自 AI 領(lǐng)域廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)剪枝。在 AI 中，剪枝通過刪除冗余或不重要的參數(shù)與連接，在盡量保持性能不變的前提下，顯著降低模型規(guī)模和計算復(fù)雜度，已成為邊緣計算和大模型加速的關(guān)鍵技術(shù)。
但在光學(xué)計算中，真正需要“剪掉”的并不是參數(shù)數(shù)量，而是整個系統(tǒng)的物理尺寸。圍繞這一核心問題，李彥棟針對兩種主流光學(xué)平臺——自由空間光路和光子芯片——提出了面向物理約束的剪枝策略。
在自由空間光路中，要讓器件變薄，關(guān)鍵在于讓每個輸出主要依賴附近的局域輸入，而不是與整個輸入平面耦合，即限制光所需的橫向“信息交換范圍”。基于這一物理直覺，他在訓(xùn)練過程中引導(dǎo)光學(xué)神經(jīng)網(wǎng)絡(luò)形成“本地稀疏結(jié)構(gòu)”，通過懲罰遠(yuǎn)距離連接并重新排列神經(jīng)元位置，將非定域連接壓縮到局部區(qū)域。結(jié)合常規(guī)權(quán)重剪枝后，器件厚度可降至傳統(tǒng)設(shè)計的 2%–25%，同時顯著改善規(guī)模定律（Scaling Law）：計算規(guī)模擴(kuò)大 100 倍，器件厚度僅增加約 10 倍，而不再是傳統(tǒng)設(shè)計的線性 100 倍增長。
在光子芯片平臺上，若所有輸入與輸出完全耦合，所需器件數(shù)量會隨規(guī)模平方增長，成為小型化瓶頸。對此，他提出將計算結(jié)構(gòu)引導(dǎo)為塊對角形式，把高度耦合的運算拆分為多個相互獨立的小模塊。這種設(shè)計雖然犧牲了部分全局耦合，但模型性能基本保持，同時所需器件數(shù)量大幅下降，使系統(tǒng)的規(guī)模定律從平方級改善為準(zhǔn)線性。在超大規(guī)模計算場景下，相比傳統(tǒng)設(shè)計，所需器件數(shù)量可減少約 99%，為超大規(guī)模片上光計算提供了可行路徑。
在嚴(yán)格證明規(guī)模定律改進(jìn)的同時，李彥棟將這套剪枝策略應(yīng)用到實際的光學(xué)神經(jīng)網(wǎng)絡(luò)中，設(shè)計了小型化的光子芯片模塊，用于替換目標(biāo)檢測模型 Faster R-CNN 中的大規(guī)模矩陣運算。通過將這部分計算轉(zhuǎn)移到光學(xué)模塊，60% 以上的 GPU 側(cè)參數(shù)被移除，顯著減輕了 GPU 的計算負(fù)擔(dān)。
（來源：李彥棟）
小型化、可擴(kuò)展光學(xué)神經(jīng)網(wǎng)絡(luò)的突破，并不是終點，而是新的起點。它引出了更深層次的問題：從信息論的角度，應(yīng)該如何理解光學(xué)系統(tǒng)的計算與信息處理能力？
與此同時，李彥棟也期待這一方向能夠催生新的應(yīng)用范式——將光計算視為一種全新的計算資源，或許可以像量子計算一樣，構(gòu)建基于光學(xué)計算的云平臺，讓更多研究者和開發(fā)者能夠低門檻地接觸、試用，并開發(fā)直接適配光學(xué)硬件的高效算法。
“小型化光學(xué)系統(tǒng)的設(shè)計，仍然高度依賴我們對物理規(guī)律和系統(tǒng)約束的理解。”李彥棟表示，“我希望模型能夠自主‘理解’物理規(guī)律、任務(wù)目標(biāo)、資源投入與回報，進(jìn)而演化為具備完全自動優(yōu)化能力的智能體，讓算法與物理系統(tǒng)協(xié)同進(jìn)化，為未來的智能硬件打開更大的想象空間?！?/p>
