2024年5月7日，Microsoft Research公开了一台不同于传统电子计算机的原型系统：它把计算任务从电子域搬到光学域，核心组件是可逐像素调制亮度的微型 LED（micro‑LED）阵列和标准相机级 CMOS 传感器。
系统的基本思路回溯到 20 世纪中叶的光学计算概念：输入数据被编码为微型 LED 的光强分布，光束穿过或直接投射到图像传感器上，传感器在像素级别上的光强积分自然完成了乘加（dot‑product）操作——这是深度学习中矩阵乘法的核心。微软研究团队并未直接用复杂的光学元件来实现相干干涉，而是利用了可控光强与高速相机读出相结合的“弱相干/非相干”光学途径，将模拟积分与后端数字校准配合，完成一次次大规模矩阵运算。
在实验中，研究人员演示了将输入向量通过微型 LED 发光模式编码后，经相机一次性读取并通过软件解码出乘加结果的流程。与纯电子实现相比，光学通道以光子为载体的并行性与极低的传输损耗带来了显著的能耗优势。微软在论文与演示中指出：在特定算子和规模下，这种光学‑电子混合系统的能效有望比当前 GPU 高出一个数量级（研究者提到“多达 100 倍”作为上限场景）。
但原型也暴露出多项现实限制：光学读数受噪声、曝光与像素非线性影响，需要复杂校准与后处理来恢复数值精度；micro‑LED 与传感器的分辨率限制了可并行处理的向量长度；真正替代数字加速器还需解决器件可靠性、规模制造、以及如何与现有神经网络推理流水线无缝集成的问题。微软的团队强调，这并非立即取代 GPU 的产品，而是为边缘算力或数据中心内特定推理任务提供一种能效极限上的新思路。
对年轻的研发者和创业公司而言，这项研究提供了多条可进入的技术路线：改进微型 LED 的线性调制能力、提高传感器的动态范围与读出速率、发展针对光学噪声鲁棒的量化与训练方法，或在硬件‑软件协同上设计专门的模型与编译器，将光学算子纳入深度学习框架中。
总结来看，微软的光学计算原型把近八十年前的光学计算理念与现代微电子器件结合起来，展示了“用光做矩阵乘法”的现实可行性与惊人数值能效潜力。是否走向规模化、能否在保留精度的前提下实现真正的百倍能效提升，将取决于接下来几个关键技术瓶颈的突破。