微软“光”跑AI登Nature，100倍能效挑战GPU，华人首席研究员扛鼎

用光跑AI竟登上顶刊Nature？微软这款新设备不一般，能效比当前最先进的GPU还高100倍，直接向GPU主导的算力格局发起挑战。

更让人关注的是，背后扛鼎的核心研究者是华人学者。

可光跑AI到底怎么实现？100倍能效是实验室数据还是能落地？它真能撼动GPU的地位吗？答案藏在这场算力新突破里。

微软这款登上Nature的模拟光学计算机AOC，号称能效是GPU的100倍，还能解决金融、医疗和AI推理问题，听着确实颠覆。

但冷静下来想想，这里面或许有不少值得琢磨的地方。

或许有人会说，现在AOC能处理的权重才几百级别，就算未来能扩展到几十亿，可跟现在大模型动辄上千亿的参数量比，根本不够看，这技术是不是没啥实际用？这话有道理，毕竟当前大模型对算力的需求摆在那，几百级别的权重确实像小打小闹。

但原文里也提到，研究团队已经画出了扩展路线图，未来通过模块化扩展，每个模块能支持约400万权重，几十到上千个模块拼接，就能推到0.1-20亿权重。

而且要知道，AOC的核心优势是能效，对于一些对参数量要求没那么极端，但对能耗敏感的场景，比如边缘计算中的AI推理，现在的能力或许已经能发挥作用。

随着技术迭代，权重扩展速度可能会加快，不能只盯着当下的短板否定未来潜力。

从另一个角度看，AOC在金融和医疗的实验都是小规模的，金融是46笔交易，医疗是32×32的脑部切片，这跟真实场景里海量的数据比，太理想化了，真能落地吗？确实，小规模实验的成功和大规模实际应用之间隔着不小的距离。

真实金融场景里，清算所每天要处理几十万笔交易，变量更多、关系更复杂；医疗领域，全尺寸的MRI数据量巨大，还涉及到临床安全性、兼容性等一堆问题。

但原文中也提到，这些小规模实验是第一次实战，目的是验证技术的可行性。

就像当初计算机刚出现时，也只能处理简单数据，后来才逐步应用到复杂场景。

而且团队已经在尝试用数字孪生（AOC-DT）重建20万变量的真实脑部MRI数据集，这正是向大规模应用迈进的一步。

不能因为刚开始是小范围测试，就全盘否定它落地的可能，技术落地本就是循序渐进的过程。

还有人可能质疑，光学计算几十年前就有设想了，之前一直没成，现在微软做出来了，会不会还是有没解决的硬伤，比如稳定性和兼容性？这种担忧并非没依据，毕竟光学计算受环境影响大，比如温度、振动都可能干扰光路，而且现在主流的计算生态都是基于电子芯片构建的，AOC要融入进去，兼容性是个大问题。

但原文里提到，AOC的固定点搜索机制天然具备抗噪声优势，迭代过程中能让答案稳定，这在一定程度上解决了稳定性问题。

至于兼容性，研究人员也明确说AOC不是通用计算机，而是光学加速器，不用完全替代现有生态，而是作为补充，专门处理适合它的任务，比如平衡模型的AI推理，这样就能降低兼容性门槛。

之前光学计算没成，是受限于工艺，现在技术进步了，之前的硬伤可能已经得到缓解或解决，不能用老眼光看待新尝试。

总的来说，微软AOC确实有让人眼前一亮的突破，但也存在需要完善的地方。

不能盲目吹捧它颠覆GPU，也不能因为当下的不足就否定其价值。

它更像是打开了算力领域的一条新赛道，未来能否真正立足，还要看技术迭代速度、实际场景适配情况，但至少现在，它让我们看到了GPU之外的另一种可能，这本身就很有意义。