在人工智能持續發展的當下，算力與能耗之間的矛盾日益突出。設想這樣一種可能：未來的無人機、自動駕駛系統或移動終端，無需依賴高功耗的AI芯片，僅憑鏡頭前一片透明的奈米結構薄膜，就能以光速完成視覺資訊的處理。香港中文大學陳世祺教授團隊與黃超然教授團隊，正通過製造工藝與光學計算架構的深度融合，將這一設想逐步推向現實。
一、行業困境：不堪重負的電子算力
傳統機器視覺架構對電子算力的依賴是結構性的。
成像系統中的高解析度感測器捕獲圖像後，必須先將其轉換為數位訊號，再交由GPU完成後續計算。面對深度學習模型不斷膨脹的計算需求，馮·諾依曼架構在以下方面均已顯現瓶頸：計算速度；功耗；數據存儲。
二、破局之道：光學神經網絡與隨機投影
為突破這一瓶頸，研究者將目光投向了：光學神經網絡（Optical Neural Networks, ONN）。
自由空間光學處理具備：速度快；功耗低；天然並行；等優勢，是承載機器視覺計算的理想物理載體。
其運作核心是一個簡潔而有效的數學原理——隨機投影（Random Projection）：
通過物理手段製造一塊具有隨機相位分布的繞射光學元件（DOE），其表面布滿亞波長尺度的隨機奈米結構。
當攜帶圖像資訊的相干光場穿過這層3D列印的繞射層時，光在奈米結構中發生繞射與干涉。光穿透器件的瞬間，即完成了一次大規模的高維特徵映射，將原始圖像編碼為傅里葉域的散斑圖樣。在數學上，Johnson-Lindenstrauss引理保證了隨機線性投影能夠在降維的同時保持數據點之間的距離關係，因此是一種性能優良的特徵編碼方式。更重要的是，這一計算過程由光的傳播自然完成，除了照明之外不消耗任何額外電能。最密集的矩陣運算，被外包給了物理世界本身。
三、製造突破：15分鐘列印400萬個光學神經元
ONN的概念雖然很好，但在可見光波段的實現卻長期受到製造工藝的限制。
可見光波長較短，要求器件具備數百奈米量級的特徵尺寸以及極高的神經元密度；
而傳統的**電子束光刻（EBL）等手段成本高昂、耗時數小時……
論文共同第一作者歐陽文琪（Wenqi Ouyang）與呂文（Wen Lyu）等人的工作，正是針對這一製造痛點提出了系統性的解決方案：
隨機化多焦點並行列印：
團隊自主研發了隨機化多焦點雙光子光刻（TPL）系統，利用數位微鏡器件（DMD）全息術將飛秒雷射整形成25個並行焦點，摒棄了傳統的單點逐序掃描模式。同時，團隊創新的隨機掃描策略將相鄰像素的曝光在時空上打散，有效抑制了聚合擴散導致的像素黏連與邊界模糊，在像素保真度與加工效率之間取得平衡。
加工速度：
系統以每分鐘26.7萬個神經元的速度寫入。僅需15分鐘，即可在1平方毫米的面積上完成包含**400萬個神經元（500奈米單元）**的繞射層製備。整個過程全程無需潔淨室。配合PDMS軟光刻與UV奈米壓印，還可實現低成本批量複製。
多任務通用視覺：
這一光學前端作為任務無關的通用編碼器，僅需搭配一個包含1000個參數的單層數位讀出網絡，即可勝任多種視覺任務，包括：
- 手寫數字分類；
- 物體識別；
- 人體動作識別；
- 流式細胞圖像分類；
- 人臉關鍵點檢測。
所有分類任務的準確率均達到：≥97%。切換任務時，僅需重新訓練輕量化的數位後端，光學部分無需任何改動。
四、技術版圖：同一團隊的線掃描方案
除了多焦點並行列印之外，陳世祺教授團隊還發展了另一條技術路線：
線照明時空聚焦雙光子光刻（Line-TF TPL）系統進一步豐富了高通量TPL的工具箱：
從「點陣」到「線掃描」：該系統利用DMD將飛秒雷射在空間與時間維度上同時聚焦，形成一條可編程的線狀光場。
連續掃描列印：在樣品台連續移動的過程中，線狀光場同步完成圖案寫入，實現連續、無縫的大面積加工。
灰度控制與成本優化：系統支持像素級的灰度調控，可精細控制奈米結構的形貌。
同時顯著降低了對脈衝能量的需求，使得採用成本更低的**飛秒振盪器（而非放大器）**成為可能。
多焦點隨機化列印與線掃描連續列印，分別面向不同的器件需求與生產場景。
五、規模效應：當神經元數量突破千萬級
大規模神經元製造工藝的成熟，為光學計算架構的規模化提供了堅實基礎。黃超然教授團隊的前期研究已經表明，當光學超表面的神經元規模達到4100萬量級時，量變引發質變：一塊完全無需訓練的靜態隨機超表面，其特徵編碼能力足以媲美ResNet、Vision Transformer等大型電子AI模型。
這一發現從原理上確立了：「大規模隨機光學編碼 + 輕量數位讀出」這一架構的可行性與競爭力。
沿著這一方向，未來的應用圖景已經清晰：借助高速、低成本的3D奈米列印與壓印複製技術，「光子神經超表面」有望實現類似光學鍍膜的規模化量產，
並直接整合於：智能手機；微型醫療內窺鏡；自動駕駛攝像頭；之中。
設備在捕獲光線的同一時刻，即以超低功耗完成特徵提取與視覺計算。
從電子計算走向光電融合，這片3D列印的繞射薄膜，或許正是跨越計算範式的一塊重要基石。
參考論文：
《Multi-task large-scale integrated optical vision processor using ultra-fast parallel nanofabrication》
Light: Advanced Manufacturing
