美国康奈尔大学科研团队在光学计算领域取得重要进展，成功将光学神经网络物理尺寸缩减超过90%，同时保持推理性能基本稳定。这项突破性成果为智能硬件小型化开辟了新路径，有望推动智能手表搭载光速AI助手、汽车配备类人视觉系统等应用场景落地。
研究团队通过开发新型模型压缩策略，使光学神经网络物理尺寸压缩至传统设计的1%-10%。该技术突破源于对光学系统非定域性的深度理解——传统设备为避免计算干扰需增加厚度，而新策略通过限制光信号的横向信息交换范围，在保持性能的同时实现器件薄型化。实验数据显示，当计算规模扩大100倍时，器件厚度仅增加约10倍，远低于传统设计的线性增长模式。
光学计算相比传统电子计算具有三大核心优势：能效方面，光信号传播损耗显著低于电信号，在超大规模矩阵运算中能耗优势突出；信息通量上，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；运算速度层面，光计算直接处理光信号的特性，避免了电子处理器必需的光电转换延迟，在自动驾驶等实时性要求高的场景具有关键价值。
针对不同光学平台，研究团队提出差异化解决方案。在自由空间光路系统中，通过引导神经网络形成"本地稀疏结构"，将远距离连接压缩至局部区域，结合常规权重剪枝技术，使器件厚度降低至传统设计的2%-25%。在光子芯片平台，创新采用块对角计算结构，将全局耦合运算拆分为独立小模块，在保持性能的同时将器件需求量从平方级降至准线性级，超大规模场景下可减少约99%的器件数量。
实际应用验证中，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中的大规模矩阵运算单元，移除超过60%的GPU侧参数，显著减轻计算负担。这种硬件加速方案为边缘计算设备集成光学处理器提供了可行性示范，特别是在需要处理海量视觉数据的自动驾驶、增强现实等领域具有应用潜力。
该成果突破了光学计算设备体积与性能的固有矛盾，但研究者指出这仅是起点。当前研究正深入探索光学系统的信息处理本质，尝试构建基于光学计算的云服务平台。通过将光计算资源开放给更广泛的研发群体，有望催生适配光学硬件的专用算法，推动智能硬件进入协同进化新阶段。研究团队特别强调，未来光学系统设计将融合物理规律理解与智能优化算法，为智能硬件发展开辟全新想象空间。
