Microsoft 研究院劍橋團隊成功開發出全球首個商業級模擬光學電腦 (AOC) 系統，在 AI 推理和最佳化運算中展現比傳統 GPU 高出 100 倍的能效表現。這項突破性技術採用市售光學元件組裝，每次運算週期僅需 20 奈秒，並成功通過 Barclays 銀行金融最佳化及醫療影像重建的實戰驗證。
該系統解決了當前 AI 產業面臨的三大核心挑戰：GPU 供應短缺導致的運算瓶頸、能耗焦慮引發的可持續發展問題，以及傳統數碼架構在大規模 AI 推理中的效率限制。Microsoft 行政總裁 Satya Nadella 日前在《Nature》期刊發表後表示，這項技術將為複雜現實問題提供更高效的解決方案。
GPU 短缺催生運算新路徑
面對 AI 算力需求的爆炸性增長，傳統 GPU 架構已無法滿足產業發展需求。Microsoft 研究院首席研究員 Hitesh Ballani 指出，AOC 系統通過光學矩陣運算與類比電路的創新結合，成功避開了馮諾伊曼瓶頸問題。該系統採用手機相機感光元件、Micro LED 及光學透鏡等消費級零件組裝，在室溫環境下穩定運作，無需昂貴的數碼類比轉換過程。
研究團隊首席經理 Francesca Parmigiani 強調，AOC 並非通用電腦，而是針對特定應用場景設計的專業運算系統。在 Matrix-vector 乘法運算中，光線透過不同強度執行加法與乘法操作，而類比電路則處理非線性運算、減法及退火過程。這種混合架構讓每次迭代運算僅需 20 奈秒完成，直到收斂至固定點解答，較傳統 GPU 架構效率提升數個數量級。
金融醫療場景驗證突破
為證明 AOC 系統的商業可行性，Microsoft 團隊選擇金融最佳化與醫療影像處理兩大高價值應用進行實戰測試。與 Barclays 銀行的合作項目中，AOC 系統在處理縮小版金融結算最佳化問題時，僅需 7 次迭代運算即達到最佳解，展現出遠超傳統運算系統的收斂速度。
醫療應用方面，Microsoft 健康未來團隊利用 AOC 系統處理核磁共振 (MRI) 壓縮感知成像問題，成功重建 32×32 像素的腦部切片影像。透過數碼孿生技術模擬 20 萬種變數的真實 MRI 數據，研究團隊發現 AOC 系統有潛力將傳統 30 分鐘的掃描時間縮短至 5 分鐘，大幅改善患者體驗並降低醫療成本。
機器學習專家 Jannes Gladrow 進一步驗證了 AOC 在深度平衡網絡 (DEQ) 等需要反覆收斂的 AI 模型中的適用性。在 MNIST 及 Fashion-MNIST 影像分類任務中，AOC 與數碼模擬結果達到 99% 一致性，並透過時間複用技術將硬件規模擴展至等效 4096 權重規模，證明其處理大型 AI 推理模型的能力。
產業變革的歷史脈絡
光學運算概念最早可追溯至 1960 年代，但受限於當時的製程技術水準，長期停留在理論研究階段。隨著光纖通訊技術在 1980 年代的成熟發展，以及近年來消費電子元件製造工藝的大幅提升，為光學運算的商業化應用奠定了堅實基礎。
當前 AI 產業正面臨前所未有的運算資源挑戰。根據最新產業報告 2025 年 GPU 短缺問題持續惡化，雲端服務供應商大幅調升 GPU 實例價格，現貨市場價格波動劇烈。NVIDIA H100 GPU 目前能效約為每瓦 4.5 TOPS，而 Microsoft 預估成熟版 AOC 系統可達每瓦 500 TOPS，能效差距達到兩個數量級。
這項技術突破正值全球 AI 基礎設施轉型的關鍵時刻。香港特區政府在《氣候行動藍圖》中訂定 2050 年碳中和目標，計劃將商業建築用電量較 2015 年減少 30-40%，其中 AI 運算能效提升將成為重要策略。
重新定義 AI 基礎設施未來
AOC 技術的成功驗證預示著 AI 運算基礎設施即將迎來根本性變革。Microsoft 規劃透過模組化擴展將系統支援範圍提升至 0.1-20 億權重規模，使其成為 AI 推理階段的低功耗基礎設施。研究團隊已開放數碼孿生平台，吸引更多研究機構參與技術改善，加速商業化過程。
對企業而言 AOC 技術將顯著降低大規模 AI 部署的能耗成本與硬件依賴程度，特別是在金融風險建模、醫療影像診斷等對運算效率要求極高的場景。然而該技術目前仍專注於特定應用領域，距離取代通用 GPU 還需更多技術驗證與生態系統建設。
