美国康奈尔大学的研究团队在光学计算领域取得重要进展，成功将光学神经网络的物理尺寸缩减超过90%，同时保持推理性能基本稳定。这一突破为智能设备的小型化提供了新可能，未来智能手表可能搭载光速AI助手，自动驾驶汽车或具备更高效的视觉系统。
研究团队提出针对光学系统的模型压缩策略，通过优化结构设计，将光学神经网络的体积压缩至传统方案的1%至10%。实验数据显示，在图像识别等任务中，小型化设备与大型设备的准确率差异小于1%。这一成果打破了"体积越大性能越强"的传统认知，证明在有限空间内实现高效计算更具实用价值。
光学计算通过操控光的强度、相位等物理特性完成运算，其优势在于能效、信息通量和速度三个维度。光信号传播损耗远低于电信号，在超大规模矩阵运算中能效优势显著；自由空间光学系统可同时调控百万级空间模式，频谱带宽达太赫兹量级；直接处理光信号的特性避免了光电转换延迟，在自动驾驶等实时性要求高的场景具有独特价值。
尽管优势明显，但现有光计算设备普遍存在体积庞大的问题。复杂计算任务需要大量独立横向传播通道，传统方案只能通过增加器件厚度实现，导致设备随计算复杂度提升呈指数级膨胀。这种物理限制成为光计算大规模应用的主要障碍。
研究团队从神经网络剪枝技术中获得灵感，针对自由空间光路和光子芯片两种平台开发出物理约束剪枝策略。在自由空间系统中，通过限制光的信息交换范围，将非定域连接压缩至局部区域，使器件厚度降至传统设计的2%至25%。在光子芯片平台，采用块对角结构设计，将全局耦合拆分为独立模块，在保持性能的同时将器件数量减少约99%。
实际应用测试中，研究团队设计的小型化光子芯片模块成功替代目标检测模型Faster R-CNN中的矩阵运算单元。该光学模块承担了60%以上的计算任务，使GPU参数规模显著减少，同时保持模型识别准确率。这种软硬件协同优化模式为边缘计算设备提供了新的减负方案。
该研究引发关于光学计算本质的新思考：如何从信息论角度理解光学系统的计算能力？研究者提出构建光学计算云平台的设想，通过开放光学硬件接口，降低开发者使用门槛，推动适配光学特性的专用算法发展。这种计算资源的新型组织形式，可能催生类似量子计算的全新应用生态。
