如今的AI无处不在——自动驾驶汽车要实时识别路上的行人和车辆，医院里的CT影像要靠AI辅助诊断病变，短视频平台则需要AI快速理解视频内容进行推荐。这些任务有一个共同特点：它们处理的数据都是三维（3D）的。无论是激光雷达扫描到的立体点云、CT拍出的人体切片，还是一帧帧连续的视频画面，都天然地具有长、宽、深（或时间）三个维度。
要处理这类3D数据，深度学习中有一种专门的工具叫做3D卷积神经网络（3D CNN）。相比只能在平面上提取特征的2D网络，3D CNN能同时从三个方向挖掘数据之间的关联，效果更好。然而，3D带来的好处是有代价的——计算量会呈立方级增长。打个比方，如果2D处理需要算100次乘法，3D可能就要算100万次。这让现有的GPU等硬件承受着巨大压力。
近年来，光计算作为一种新兴方案引起了广泛关注。光信号天生具备高带宽、低延迟、低功耗的优势，处理速度可以达到数百GHz量级，远超传统电子芯片。然而，目前主流的光子计算加速器都是为二维矩阵运算设计的。要用它们处理3D数据，必须先在电子端把3D数据"拍扁"重新排列成2D格式，这一步不仅额外消耗内存和时间，还需要复杂的电子时钟来同步多个计算通道，大大增加了系统复杂度。
有没有办法让光子芯片直接处理3D数据，跳过这些繁琐的"格式转换"步骤？上海交通大学的研究团队给出了一个令人振奋的答案。
2026年3月，上海交通大学陆梁军、周林杰团队在国际顶级光学期刊《Light: Science & Applications》上发表了一项重要成果：他们提出并验证了一种集成光子3D张量处理引擎（3D-TPE），首次实现了在光域内直接完成3D卷积计算，无需将数据降维成2D再处理[1]。
如图[1]所示，传统的2D光子加速器（左侧）在处理3D卷积时，需要先将3D数据在电子端重新排列、依赖电子时钟进行通道同步、并在数字域进行多列结果的累加。而新提出的3D-TPE（右侧）将数据缓存、通道同步和计算全部放在光域完成，极大简化了系统架构。
这套系统的核心思路可以概括为三个关键词：时间、波长、空间的交织调制。具体来说：
最终，整个3D卷积运算可以在数据流过系统的过程中一气呵成，不需要拆分成小块分别计算再拼接。
3D-TPE系统的核心由两颗自主研制的光子芯片构成，各司其职。
如图[2]所示，OCU芯片是一块仅有2mm×3.17mm大小的4×4交叉阵列芯片，包含16个权重单元（WE）。每个权重单元采用了一种创新的双耦合微环谐振器（dual-coupled MRRs）结构，制造在多层氮化硅-绝缘体上硅（Si₃N₄-on-SOI）平台上。
为什么要用双耦合微环而不是传统的单微环？原因主要有三点：
| 特性 | 单微环（传统方案） | 双耦合微环（本方案） |
|---|---|---|
| 光学带宽 | 较窄，高速信号易失真 | 约50 GHz，信号失真小 |
| 频谱形状 | 尖锐的洛伦兹型 | 平坦的"箱型"，权重误差更小 |
| 温度敏感性 | 对环境温度敏感 | 氮化硅材料温度敏感性低 |
| 相邻通道串扰 | 较高 | 低于-25 dB |
实验测量表明，在27种不同权重组合下进行1350次测量，权重误差的均值仅为0.001，标准差仅为0.0041，等效精度超过7比特。在初始校准条件下，精度甚至可达约9.7比特——而且无需复杂的反馈控制算法，只靠简单的查找表就能实现高精度权重设置[2]。
如图[3]所示，OMU芯片制造在SOI平台上，尺寸为3.76mm×10.9mm，集成了8条完全相同的可调光延迟线（OTDL）。每条延迟线由7个级联的马赫-曾德干涉仪（MZI）开关和延迟波导组成，通过切换不同光路，可以实现从0到310.59 ps的连续可调延迟，调谐精度达到4.93 ps。
OMU芯片的一个重要特点是时钟频率可调。传统光计算方案通常使用固定长度的光纤或延迟线，只能适应一种数据速率。而3D-TPE的OMU可以根据不同任务灵活调节延迟时间，支持最高约200 GHz的自适应时钟频率。这意味着同一套硬件既能处理"数据稀疏"的低速任务，也能应对"数据密集"的高速场景。
更关键的是，OMU完全在光域实现了通道同步，彻底去掉了传统方案中昂贵且复杂的电子时钟模块。整个3D-TPE系统只需要1个调制器、1个放大器、1个数模转换器、1个模数转换器和1个跨阻放大器，高速电子器件的数量相比传统方案减少了数个量级。
研究团队首先在10、15、20和30 GBaud四种符号速率下，使用12万个随机生成的数据点进行了四通道并行矩阵乘法运算测试。从图[3]的实验波形可以看到，不同速率下实测波形与数字计算结果高度吻合，计算精度（以标准差的等效比特数衡量）在4.1到4.8比特之间。随着速率升高，精度略有下降，这主要受限于信号发生器的带宽和高速传输中不可避免的信号失真，未来通过芯片级单片集成可以进一步改善。
为了验证3D-TPE在真实AI任务中的表现，研究团队选择了一个与自动驾驶密切相关的场景——3D激光雷达（LiDAR）点云图像识别，任务目标是区分行人和车辆。
如图[4]所示，研究团队设计了一个包含3D卷积层、最大池化层和两个全连接层的3D CNN网络，结构类似于自动驾驶领域知名的VoxNet。其中，最核心的3D卷积运算在3D-TPE上完成，其余计算仍由数字计算机执行。实验使用的是悉尼城市物体数据集，包含由商用激光雷达采集的真实场景数据。数据被转化为32×32×32的3D点云，以20 GBaud的速率输入系统，3D卷积核大小为2×2×2。
从图[4]中的对比结果可以看到，无论是行人还是车辆，3D-TPE提取的3D特征图在不同观察角度下都与数字计算结果高度一致，细微差异主要来自高速传输中的噪声。最终，在68个测试样本上，实验识别准确率达到了97.06%，与纯数字计算机的结果完全一致[4]。
目前，3D-TPE的峰值吞吐量已达到0.96 TOPS（每秒万亿次运算），能效为0.3 TOPS/W。虽然这些数字与大型GPU相比还有差距，但考虑到系统仅使用了4×4规模的芯片，未来通过扩大芯片规模（最高可扩展至121个权重单元）、提升处理速率（最高支持200 GHz），以及将所有核心器件单片集成到约39.2 mm²的芯片上，性能还有巨大的提升空间。
值得注意的是，这项工作的意义不仅在于"更快"，更在于开创了一种全新的计算范式——让光子芯片原生地处理3D数据，而非被迫适应为2D计算设计的架构。随着自动驾驶、3D医学影像、实时视频分析、虚拟现实等领域对3D数据处理需求的持续爆发，这类光子3D计算引擎或许将成为下一代AI硬件的重要组成部分。
当然，从实验室原型到商业化产品还有不短的路要走——芯片间的耦合损耗需要通过单片集成来解决，温度管理、大规模制造的良率、与现有AI软件生态的兼容性等问题也有待攻克。但这扇窗户已经打开：当"光"学会了直接理解三维世界，AI的算力边界或许正在被重新定义。
本文由超能文献“资讯AI智能体”基于4000万篇Pubmed文献自主选题与撰写，并经AI核查及编辑团队二次人工审校。内容仅供学术交流参考，不代表任何医学建议。
分享
一项发表在《美国国家科学院院刊》上的研究揭示，“大不整合面”的形成并非“雪球地球”冰川刮削所致，而是更古老的哥伦比亚超大陆的演化。
MIT researchers use 'implosion fabrication' to 3D print 3D nanophotonic structures with 50nm precision and tunable optical properties by shrinking hydrogels.
本文探讨了为什么同样的减肥方法对不同人效果不一，指出现阶段缺乏个性化减肥方案的明确路线图。好消息是，在欧盟支持下，《肥胖评论》特刊将发布“抗胖路线图”，有望彻底改变未来体重管理方式，实现私人定制。
本文颠覆常识，指出衰老并非身体故障，而是进化为种群繁衍在有限资源下做出的“最优解”。通过解析适应度指标和三大衰老理论，结合自然界奇特现象，文章揭示优化理论完美解释衰老机制，强调长寿并非免费，并提出“老年科学假说”，指出调控衰老有望打包预防老年病，为人类健康和寿命带来新视角。
