UCLA 研发宽带光学 AI 处理器：靠千种光波并行，以光速算矩阵

AI 模型的体量越来越大，算力中心的电表也在疯狂狂飙。传统电子芯片靠晶体管开关传递电流，模型越大、层数越深，发热和能耗就越夸张。

面对这种物理瓶颈，加州大学洛杉矶分校（UCLA）的研究人员把目光转向了光。1 月 18 日，IEEE Spectrum 报道了 UCLA 光学工程师 Aydogan Ozcan 团队的最新成果：他们做出了一种宽带衍射光学处理器，让光子代替电子来跑神经网络，还能以光速并行执行数千个波长通道的矩阵乘法。

这项研究此前于 1 月 9 日发表在《Advanced Photonics》期刊上。

让光线穿过镜片，直接算出答案

所谓的衍射光学神经网络，原理听起来很像科幻装置。

研究团队把多层薄片叠加在一起，每一层上面都布满了密密麻麻的微小像素，用来散射和折射光线。在物理结构上，这些微小的衍射特征就充当了深度学习里的神经元。

平时电子芯片处理图像，必须先用传感器拍下画面，转成数字信号存进内存，再由 GPU 跑程序算一遍。而光学网络完全跳过了这些步骤：物体反射出来的光线直接照在晶片上，穿过各层折射后，光斑会自动汇聚到代表某个特定类别的像素上。整个识别过程，在光穿过薄片的瞬间就已经完成了。

更关键的是能耗。Ozcan 表示，这种计算除了提供照明的光源之外，本身几乎不消耗电量。

从单色到波长复用：千路光波同时跑

其实在此之前，Ozcan 团队就已经做过单色衍射网络。当时他们用 3D 打印制作了 64 平方厘米的聚合物晶圆，但单色光一次只能执行一组矩阵乘法。

这次的新突破在于「宽带」与「波长复用」。研究团队 3D 打印了三层衍射结构，每一层都带有 14,400 个衍射特征。实验中，他们成功利用两个亚毫米波太赫兹频段通道并行工作。

计算机模拟显示，这类架构最多能同时接纳大约 2,000 个波长通道。这意味着在同一束光里，不同颜色的光波能各自独立跑一组矩阵运算，成千上万次乘法在光速下同时收工。

团队还指出，除了太赫兹波，未来完全可以用可见光等其他频段来做，材料和制造工艺也能更灵活。

为什么重要

AI 计算的尽头是能源危机，这件事在今天已经成了行业共识。传统芯片的晶体管密度正在逼近物理极限，而大模型的参数扩张却毫无减速迹象。光子计算一直被视作破局的潜在方案，但过去往往受限于制造难度、精度控制以及只能处理单一任务。

UCLA 这一步走得很聪明：他们没有死磕通用数字光计算芯片，而是利用无源衍射元件把矩阵乘法做成了纯粹的光学物理过程，再引入通信领域成熟的「波长复用」把吞吐量拉高上千倍。这种架构在自动驾驶边缘感知、生物医学显微成像和安检遥感上非常有吸引力，它能在光线进入传感器的瞬间完成预筛选，根本不需要庞大的车载计算单元或数据中心中转。

不过，我们认为也不必急着宣布电子芯片要被取代。目前这项技术离大规模商业落地还有明显距离：首先它本质上是固定权重的模拟计算，层结构一旦 3D 打印成型就很难随意更改网络参数，灵活性无法媲美 GPU；其次，实验目前只验证了两个太赫兹通道，如何低成本推进到 2,000 个通道并在可见光波段维持加工精度，依然是个硬工程问题。但这至少证明了一条路：让物理规律直接替算法打工，AI 的功耗账本才有可能彻底被改写。