芬蘭阿爾托大學的研究團隊近日取得一項突破性進展，成功演示了一種名為“并行光學矩陣-矩陣乘法器”（POMMM）的新型光學計算架構。這項技術旨在破解人工智能（AI）模型訓練與運行過程中面臨的核心算力瓶頸，為大規模AI應用提供更高效的計算解決方案。

現代AI模型，尤其是大語言模型（LLM），其性能提升受制于張量數據的處理速度。張量作為AI模型中組織數據的核心結構，其運算效率直接決定了模型規模的上限。傳統電子計算在處理大規模張量運算時，往往面臨能耗高、延遲長的困境，而光學計算雖在小規模場景中展現出速度與能效優勢，卻因難以實現并行運算而難以推廣。

研究團隊指出，現有光學系統大多依賴線性運算模式，無法像GPU那樣通過大規模并行處理提升算力。例如，OpenAI、Google等企業開發的頂級AI模型，均依賴數千塊GPU的并行運行實現高效訓練。這種依賴電子硬件的模式，不僅成本高昂，且在算力擴展上逐漸觸及物理極限。

POMMM技術的核心創新在于，通過單次相干光傳播完成整個矩陣乘法運算。其原理是將數字張量編碼為光的相位與振幅，利用透鏡組實現傅里葉變換后，運算結果以干涉圖像形式被高速探測器捕獲。整個過程在光傳播的瞬間完成，無需電子回路或內存讀取，實現了物理層面的“自然同步計算”。這種設計使運算延遲降至納秒級，遠超電子計算的微秒級水平。

研究團隊基于商用光學元件搭建了原型機，并在標準光學平臺上耗時六個月完成組裝。測試數據顯示，對于50x50規模的矩陣運算，該原型的平均絕對誤差（MAE）低于0.15，歸一化均方根誤差（RMSE）控制在0.1以下，精度已能滿足邊緣推理等場景的需求。盡管當前原型機的能效（2.62 GOP/J）仍低于頂尖GPU，但其擴展潛力被廣泛看好。

為推動技術落地，研究團隊在GitHub平臺公開了所有代碼與數據，吸引了全球光子學實驗室及AI加速器開發者的關注。團隊坦言，目前技術仍面臨探測器動態范圍不足、校準漂移等挑戰，但已制定清晰的優化路線：通過將空間光調制器與探測器陣列集成至低損耗氮化硅光子芯片，預計能效可提升百倍。

根據預測，集成專用光子芯片的升級版原型機有望在三年內問世，其能效預計達300 GOP/J，遠超當前電子GPU約30 GOP/J的能效瓶頸。不過，受封裝工藝、溫控技術及激光器集成等工程難題限制，大規模量產可能需五年以上時間。