Microsoft使用“ Light”执行并自然输入！中国首席研究员的能源效率超过100倍，破坏了GPU

Xinzhiyuan报告编辑：QingQing [Xinzhiyuan介绍]芯片的速度无关紧要，它的速度不能像光快！微软研究所是剑桥的模拟光学拼贴。它是由手机摄像机，微型LED和镜头制成的，但在实验上，它的速度快100倍，能源效率提高了100倍。这项成就现在已经达到了天然计算机，也许可以重写模式。近几十年来，大公司一直在秘密竞争芯片，随着芯片价格的上涨，GPU的稀缺性，AI计算机功能的不确定性……就像每个人都在看迭代和筹码的更新一样，微软也在沉默中做某事。使用手机摄像机，微型LED和镜头形成模拟光学计算机（AOC）花费了四年的时间。现在，该实验已经达到了自然界，并带来了Suser的未来想象，以取消GPU。 Fuiton的首次亮相：寻找数十年的秘密，计算机力量的历史是W硅晶片中关于摩尔定律的加速，GPU的积累和能源消耗的不确定性。但是，在英格兰剑桥，一个小的微软研究团队走了一条完全不同的道路。他们解释了模拟光学计算机（AOC），但材料并不少见。用于手机的微型LED，光镜和相机传感器。它看起来像是实验室的“组装机”，但打开了一种计算能量的可能性。英国剑桥市Microsoft研究实验室的光学模拟计算机的详细图像。它由可商购的组件制成，例如智能手机摄像机的灯和微型传感器。实际上，光学计算的概念已经在1960年提出，但是它受过程的限制，并且仍处于理论层面。现在，微软的团队确实取得了成功。 AOC的真正秘密不在这些部分。这是搜索固定点的方式。放置光学a循环循环中的模拟电子设备。光学器件完成了矩阵矢量的生长，电子设备处理非线性，加法和减法以及退火操作。每个循环仅需要约20纳秒，并且信号在循环中不断重复，直到收敛到稳定的“固定点”。这个固定点是问题的答案。 Microsoft模拟光学计算机的内部结构：左上方是一般示意图，右下部分是指向光子和电子的替代计算的链接。该方法解决了两个长期存在的光学计算问题。一种是避免混合体系结构中的高成本数字转换，从而大大降低能耗。另一件事是它自然具有抗新神性的优势。在迭代过程中，固定点就像磁铁一样，牢固地吮吸答案，并且不容易偏离。这允许AOC管理优化问题S在同一平台上，非常有能力推断AI。四年前，这是一次实验室冒险。现在他正在达到自然界，这是我第一次将光学计算变成了纸张的概念，并且真正进入了公众眼中。微软首席执行官萨蒂亚·纳德拉（Satya Nadella）已发送了X的AOC研究，“我们称其为“更有效”，并突出显示结果在自然界中从银行到医院发表。他与巴克莱（Barclays）一起工作，以实现“货币和银行交易”的问题，即清洁室必须面对每天的Aoc。巴克莱（Barclays）也参加了该文件：“我们相信有很大的探索可能性。我们还认为，金融行业还有其他优化问题，AOC技术可以在解决这些问题中发挥作用。英国剑桥的微软研究实验室中，AI在健康领域的UTURE基础设施。该设备通过AOC可以执行的优化问题重写MRI压缩检测图像。在硬件中，我第一次尝试了大脑切割Shepp-logan Shepp-logan 32×32的图像，并用64个变量成功地恢复了原始图像。进一步，他们重建了使用数字双胞胎（AOC-DT）包含200,000个变量的真实大脑磁共振数据集。 MAG RESONAME图像重建：由于Shepp-Logan幻影恢复过程和与AOC-DT的大脑大脑重建，MRI Microsoft Health Futures的生物医学信号处理总监Michael Hansen说：“现在，它无法在临床上用于固定性。他还可以将其成像。 Azure和R的结果的结果Azure的Esult以及Azure结果的结果可以直接传输到Azure结果结果的结果。它们融合到平衡状态（例如，Depth的平衡网络，现代Hopfield网络等）。相当于深平衡网络（DEQ，平衡模型）的三个等效物显示，这种类型的模型在GPU中消耗了很多计算机功率，并且主要是AOC中的“光子”。然后，团队试图将一些简单的任务从AI分配到AOC。结果立即显示。在MNIST和时尚摄像机的分类任务中，AOC和Digital Twin（AOC-DT）的结果适应了近99％。在非线性回归任务（例如调整后的高斯曲线和正弦波曲线）中，AOC还以稳定的方式进行，曲线几乎与模拟结果一致。通过时间多路复用技术，研究人员以同等的4096重量尺度扩展了硬件，表明不仅可以“小玩具” eXecute，但也有可能进一步扩大它们。 MNIST分类和非线性回归（高斯曲线，正弦波曲线）中的实验结果。这些实验使您可以看到GPU外的新路线。微软研究人员认为，国家监测是推理中未来大型语言模型中最困难的部分，足以将其传递到AOC。想象一下，如果复杂的推理过程不取决于消耗能量并传递到光学计算机的GPU，则可以减少两个数字消耗的能量。在一个关于能源计算的不确定性时代，这种结果无疑阐明了该行业的想象力。当前和长距离视觉：带有计算机功率的另一首轨道。 Microsoft研究团队非常清楚地表明，AOC仍然是原型，并且在实际商业用途之前仍然具有明显的斜率。尽管现在可以加工重量尺度Dred级别的研究人员绘制了一个路线图进行扩展。将来，每个模块都可以通过模块化扩展接收约400万比索。可以将数十万个模块拼接起来，重量在000万到20亿至20亿之间。 Lo que es aún más impactante es la comparación de la eficiencia energética.El equipo estima que la versión madura del AOC alcanzará 500 TOP/W (aproximadamente 2FJ/operación), con GPU de vanguardia actuales (como la NVIDIA H100) que es solo 4.5 TOP/W.这意味着能源效率差距是两个较高级级的顺序。 Como Jannes Gradrow，Dijo的El Rejiction Del Proyecto：“ LacaracterísticaMásementimede un Aoc es que es que exta que eficiencia efficiencia efficiencia eficienciamejoraráen aproximadamente 100 veces。换句话说，在未来伟大模型的推理中，如果GPU是“石油老虎”，ANDL AOC可能会成为“新能量工具”。不仅可以做到，而且还可以继续使用非常低的能耗。明星亮度：认为使用光的机器后面不是天才的孤独之战，而是一组跨学科研究人员的集体智慧。 Microsoft剑桥研究所首席研究员Francesca Parmigiani。她坚持开放一个“数字双胞胎”，以允许更多的研究人员参加实验，这使在实际硬件中已经在学术界流传的概念转变为循环。她经常说，AOC不是一台通用计算机，而是一个可以在关键场景中创造新可能性的“轻速度”。 Jannes Gradrow是自动学习团队的专家。在非正式的午餐交流中，他突然注意到AOC的固定点机制自然具有平衡模型。这种灵感不再将AOC限制在优化问题上，而是第一次与AI紧密整合。他映射了硬件模型并执行了用手和功能回归编写的数值分类结果，从而打开了GPU的路线。医疗应用火花来自迈克尔·汉森（Michael Hansen）。他在实验中介绍了磁共振数据的重建，想象未经处理的未来扫描数据可以直接流向AOC，然后实时发送到医院。这个交叉域的想法使光学计算机确实与现实世界一致。在实验室中，Jiaqi Chu通常是通过建造原型占领的主要研究人员。她负责组装微型LED，镜头和传感器，并在真实设备上执行这些“光学数学”。从左到右，Isn Jiaqi Chu，Francesca Parmigiani和James Clegg。他的工作表明，这不是只能在纸上存在的幻想机，而是可以从准备好的零件中解释的新计算机。这些人的交集允许光学从概念到现实的计算机，从银行清算到磁共振和人工智能，在计算机力量世界中创造了新的可能性。四年前，一个小型设备用手机摄像机和LED灯制造了一台奇怪的机器。如今，可以自然地着陆，进行财务和医生问题的证据，并为AI开辟了新的道路。研究负责人希特什·巴拉尼（Hitesh Ballani）表示，他的目标是将来使AOC成为其AI基础设施的一部分。计算机力量的长途职业可能已经打开了一条新轨道。请参阅：https：//news.microsoft.com/source/features/innovation/microsoft-analog-optictical-computer-computer-computer-cracks-two-practical-problems-sh hows-ai-promise/hows-ai-promise/https：//https：// https：//x.com/satyanadella comle //www.nature.com/articles/S41586-025-09430-Z
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息离子存储服务。
注意：以前的内容（如果您有照片或视频）将由社交媒体平台NetEase Hao的用户收取和发布，仅提供信息存储服务。