芬兰阿尔托大学的研究团队近日取得一项突破性进展，成功演示了一种名为“并行光学矩阵-矩阵乘法器”（POMMM）的新型光学计算架构。这项技术旨在破解人工智能（AI）模型训练与运行过程中面临的核心算力瓶颈，为大规模AI应用提供更高效的计算解决方案。
现代AI模型，尤其是大语言模型（LLM），其性能提升受制于张量数据的处理速度。张量作为AI模型中组织数据的核心结构，其运算效率直接决定了模型规模的上限。传统电子计算在处理大规模张量运算时，往往面临能耗高、延迟长的困境，而光学计算虽在小规模场景中展现出速度与能效优势，却因难以实现并行运算而难以推广。
研究团队指出，现有光学系统大多依赖线性运算模式，无法像GPU那样通过大规模并行处理提升算力。例如，OpenAI、Google等企业开发的顶级AI模型，均依赖数千块GPU的并行运行实现高效训练。这种依赖电子硬件的模式，不仅成本高昂，且在算力扩展上逐渐触及物理极限。
POMMM技术的核心创新在于，通过单次相干光传播完成整个矩阵乘法运算。其原理是将数字张量编码为光的相位与振幅，利用透镜组实现傅里叶变换后，运算结果以干涉图像形式被高速探测器捕获。整个过程在光传播的瞬间完成，无需电子回路或内存读取，实现了物理层面的“自然同步计算”。这种设计使运算延迟降至纳秒级，远超电子计算的微秒级水平。
研究团队基于商用光学元件搭建了原型机，并在标准光学平台上耗时六个月完成组装。测试数据显示，对于50x50规模的矩阵运算，该原型的平均绝对误差（MAE）低于0.15，归一化均方根误差（RMSE）控制在0.1以下，精度已能满足边缘推理等场景的需求。尽管当前原型机的能效（2.62 GOP/J）仍低于顶尖GPU，但其扩展潜力被广泛看好。
为推动技术落地，研究团队在GitHub平台公开了所有代码与数据，吸引了全球光子学实验室及AI加速器开发者的关注。团队坦言，目前技术仍面临探测器动态范围不足、校准漂移等挑战，但已制定清晰的优化路线：通过将空间光调制器与探测器阵列集成至低损耗氮化硅光子芯片，预计能效可提升百倍。
根据预测，集成专用光子芯片的升级版原型机有望在三年内问世，其能效预计达300 GOP/J，远超当前电子GPU约30 GOP/J的能效瓶颈。不过，受封装工艺、温控技术及激光器集成等工程难题限制，大规模量产可能需五年以上时间。
