美國康奈爾大學科研團隊在光學計算領域取得重要進展，成功將光學神經網絡物理尺寸縮減超過90%，同時保持推理性能基本穩定。這項突破性成果為智能硬件小型化開辟了新路徑，有望推動智能手表搭載光速AI助手、汽車配備類人視覺系統等應用場景落地。

研究團隊通過開發新型模型壓縮策略，使光學神經網絡物理尺寸壓縮至傳統設計的1%-10%。該技術突破源于對光學系統非定域性的深度理解——傳統設備為避免計算干擾需增加厚度，而新策略通過限制光信號的橫向信息交換范圍，在保持性能的同時實現器件薄型化。實驗數據顯示，當計算規模擴大100倍時，器件厚度僅增加約10倍，遠低于傳統設計的線性增長模式。

光學計算相比傳統電子計算具有三大核心優勢：能效方面，光信號傳播損耗顯著低于電信號，在超大規模矩陣運算中能耗優勢突出；信息通量上，自由空間光學系統可同時調控百萬級空間模式，頻譜帶寬達太赫茲量級；運算速度層面，光計算直接處理光信號的特性，避免了電子處理器必需的光電轉換延遲，在自動駕駛等實時性要求高的場景具有關鍵價值。

針對不同光學平臺，研究團隊提出差異化解決方案。在自由空間光路系統中，通過引導神經網絡形成"本地稀疏結構"，將遠距離連接壓縮至局部區域，結合常規權重剪枝技術，使器件厚度降低至傳統設計的2%-25%。在光子芯片平臺，創新采用塊對角計算結構，將全局耦合運算拆分為獨立小模塊，在保持性能的同時將器件需求量從平方級降至準線性級，超大規模場景下可減少約99%的器件數量。

實際應用驗證中，研究團隊設計的小型化光子芯片模塊成功替代目標檢測模型Faster R-CNN中的大規模矩陣運算單元，移除超過60%的GPU側參數，顯著減輕計算負擔。這種硬件加速方案為邊緣計算設備集成光學處理器提供了可行性示范，特別是在需要處理海量視覺數據的自動駕駛、增強現實等領域具有應用潛力。

該成果突破了光學計算設備體積與性能的固有矛盾，但研究者指出這僅是起點。當前研究正深入探索光學系統的信息處理本質，嘗試構建基于光學計算的云服務平臺。通過將光計算資源開放給更廣泛的研發群體，有望催生適配光學硬件的專用算法，推動智能硬件進入協同進化新階段。研究團隊特別強調，未來光學系統設計將融合物理規律理解與智能優化算法，為智能硬件發展開辟全新想象空間。