在現代工業與大型基礎設施的“軀體”中，光纖傳感器早已成為不可或缺的“神經系統”。無數光子在玻璃纖維中以每秒近 20 萬公里的速度穿梭，傳遞著極其細微的物理變化。然而，但當它抵達終點、被光電探測器轉化為電信號之后，一切都慢下來了：數據排隊等候處理器，處理器消耗電力，延遲可達微秒量級。

長期以來，這種“光捕捉，電計算”的模式，使系統響應延遲始終難以突破亞微秒量級。邊緣計算把運算從云端挪到了設備旁邊；芯片計算把運算從服務器挪進了芯片；那么，能不能把運算挪進傳感器本身，讓感知和計算同時在光域里發生，探測器讀到的光強直接被轉化為物理量？

5 月 25 日，上海交通大學智能光子學研究中心何祖源教授團隊在《光：科學與應用》（Light： Science & Applications）上發文，給出了肯定的答案。他們不僅做到了，還把系統級延遲壓縮進 3 納秒，光纖傳感系統第一次能以光速完成感知與計算。

（來源：DOI: 10.1038/s41377-026-02265-x）

被電子芯片拖慢的感知

外界的溫度、應變、振動、扭轉引起光纖中光場的微妙變化，進而發生波長漂移、偏振旋轉、模式重組等，探測端把這些變化轉成電信號，交給數字處理器解調出物理量，這就是光纖傳感的工作鏈路。在這條鏈路上，光在光纖里的傳播只占幾納秒到幾微秒，真正吃掉時間預算的是后端的模數轉換、緩沖、算法解調與結果輸出。

以最常見的光纖布拉格光柵（FBG）傳感器為例，其反射的布拉格波長會隨應變線性偏移，典型靈敏度約為每微應變 1.2 皮米（1.2 pm/με）。這是一個能讓人對精度門檻產生直觀感受的數字：要測出 1 με的應變，系統就必須分辨皮米級波長漂移。要做這件事，傳統方案要么依賴昂貴龐大的光譜分析儀（OSA），要么用龐德–德雷弗–霍爾（PDH）鎖定這類復雜解調技術。

過去十幾年，業界改進這一環節的主要思路是，讓電子部分跑得更快：把信號處理器換成現場可編程門陣列（FPGA）、圖形處理器（GPU）甚至神經網絡做實時解調。這些方法都能壓縮延遲，但根本架構沒變：光信號必須先變成電，然后被電子設備處理。

而且，這條路徑還有硬天花板。光電轉換有響應時間，數字處理有時鐘周期，系統級延遲在亞微秒一線就很難再壓低。對那些發生在納秒級的物理事件，比如爆轟沖擊波、閃電瞬態、激光燒蝕、聚變等離子體擾動等，傳統光纖傳感即便“感受到了”，也來不及“理解”。

更深的問題是規模。當一根光纖上搭載幾十甚至上百個傳感點，需要同時解調，電子計算資源消耗呈線性增長。大規模、密集部署的傳感網絡對功耗與延遲的要求，與傳統架構構成結構性沖突。

跳過電子計算的想法本身并不新。過去幾年，光學計算這個領域已經出現了一些進展。

2018 年，加州大學洛杉磯分校（UCLA）的阿伊多甘·奧茲坎（Aydogan Ozcan）團隊在《科學》（Science）上發表了衍射深度神經網絡（D2NN）的工作，用一組精心設計的衍射表面替代矩陣乘法，讓光在通過幾層透明板的過程中自動完成圖像分類。此后幾年，衍射神經網絡、片上光神經網絡、自由空間光學計算等方向密集涌現。

但該團隊后續工作基本集中在了圖像分類、相位成像、目標識別等視覺任務。原因不難理解。這類任務對精度要求相對寬容。可精密測量不一樣，FBG 的皮米級波長門檻擺在那里，差一個數量級，就是測量失敗。

對于光纖傳感領域，則有另一條進化路徑。早期的散斑光譜儀證明了多模光纖（MMF）可以當作一種被動的光譜編碼器，但解調過程依賴相機采圖與數字算法重建，未能消除延遲和功耗。即便加入機器學習，精度有所提升，電子計算的鏈路反而變得更長。

兩個社區都試圖繞開同一個瓶頸。然而，光計算的傳感精度不夠，光纖傳感又難以擺脫電子依賴。智能光子學研究中心的研究團隊由此開發了 AOFS-IC（包含傳感器內計算的全光纖傳感架構），他們想要解決的，正是前者都沒能繞開的障礙。

兩層巧思：在“光學迷宮”里完成極速解調

AOFS-IC 的構成包括傳感光纖（FBG 或多模光纖）和散射介質（一段幾十厘米到數米的多模光纖）、衍射光學網絡（ODN），以及光電探測器。攜帶傳感信息的光信號通過錯位熔接進入散射介質，光信號從頭到尾不離開光域，探測器讀到的光強大小，直接就是被測物理量的值。

整套系統的架構看起來不復雜，但其能成立，關鍵在兩層巧思。

第一層是讓散射介質替光計算，以此實現減負。多模光纖本身就是一個高度敏感的“放大器”。光場進入 MMF 后，數十上百個傳輸模式之間相互干涉，產生看似隨機的散斑圖樣。光場任何微小的變化都會讓散斑隨之發生顯著且確定的改變。

研究團隊稱之非線性高維投影，這使 MMF 把識別微小變化的任務，從 ODN 很難實現的光場參數空間轉換到了散斑強度空間。其本質是用 MMF 的物理特性預先完成了一道復雜的非線性編碼。

更重要的是，這種編碼具有漸進性：散斑圖樣會隨物理量連續變化而非跳躍突變。后續的解碼網絡只需要用極少的標定點，在實驗中，研究者只用了 4 個應變狀態，就能線性插值出整個量程的響應。

第二層是讓 ODN 只做光強回歸。經過 MMF 編碼后的散斑進入由空間光調制器（SLM）實現的衍射光學網絡。這一層不需要完成圖像分類或特征提取，只需要把散斑變換成“在某個指定位置的光強與被測物理量成線性關系”，目標被大大簡化。訓練方式上，團隊用遺傳算法進行端到端的原位訓練，不需要對實際光路做精確的物理建模。校準是一次性的數字優化，運行時完全在光域里完成。

實驗數據顯示，在 150 με量程內，FBG 應變傳感的分辨率達到了 2.78 με，量程擴展到 2.5 毫應變（mε）后依然保持線性響應，分辨率為 0.07 mε；在 95 納應變（nε）量程內，分辨率已達到亞納應變級別；多模光纖的 9 個離散扭轉狀態分類 100% 準確；同一根 MMF 上同時解調應變與扭轉，精度達到 2.28 με / 0.74°。

綜合來看，0.5 米多模光纖的傳播延遲為 2.44 納秒，加上自由空間衍射約 0.08 納秒，合計不超過 3 納秒，比傳統光纖傳感系統快兩個數量級以上。

圖 | 雙參數傳感實驗裝置（來源：DOI: 10.1038/s41377-026-02265

為驗證這套架構在多維度復雜任務中的潛力，團隊專門設計了一個三自由度（3-DOF）工業機械臂的動態追蹤實驗。這其實已觸及現代機器人感知的核心痛點之一：多路復用與并行計算。

在傳統的機械臂本體感受系統中，要知道各個關節彎曲了多少度，通常需要在每個關節處單獨安裝傳感器，并將數據排著隊傳回中央處理器進行串行解算。但在 AOFS-IC 架構下，團隊僅使用一段多模光纖，就能同時感知機械臂的三個獨立關節。

當機械臂在三維空間中連續揮舞、旋轉時，三個關節的姿態變化疊加在一起，光纖內部會產生極其復雜的光場耦合。面對這種混合多維度信息的“散斑亂碼”，ODN 展現出驚人的空間并行處理能力：光束在穿過“迷宮”的瞬間，直接在接收端自動分流，精準投射到了代表不同關節角度的三個探測區域。

實驗結果顯示，系統能夠實時、連續地追蹤機械臂的三維姿態，整體關節角度的均方根誤差僅約為 1.7°。這意味著，系統用同一次光速傳播，就能在光域內“一口氣”解調出三個獨立的物理自由度。證實了在底層物理層面，這套全光架構有能力為復雜機械結構提供瞬時、高維形態感知。

（來源：DOI: 10.1038/s41377-026-02265-x）

十年積累，打通高精度傳感與光計算的結界

這項工作出自光子學與通信全國重點實驗室，何祖源教授擔任實驗室主任，他曾長期研究超高精度 FBG 傳感和分布式傳感，從東京大學回國，加入上海交通大學后，團隊在分布式聲學傳感、布里淵光時域分析、相位噪聲補償式光頻域反射等方向積累了精度底座，他們對“納應變級分辨率”的執著也來源于此。

圖 | 何祖源（來源：智能光子學研究中心）

2019 年前后，團隊主導推動的散斑計算光譜儀系列，從基礎的 MMF 光譜儀，到融合光頻梳的高動態范圍波長計，再到 2024 年的全光纖計算偏振光譜儀，進一步強化了散斑有希望成為高維編碼器的學術認知。近年來，他們圍繞傳統高精度光纖傳感，以及基于散斑的計算感知分別建立起成熟的技術線路。AOFS-IC 完成了對二者的融合，也加入了光計算這一新元素。

放在更大的領域圖景里，這項工作不屬于衍射神經網絡的應用擴展，也并非對光纖傳感性能的常規優化。研究人員找到了“散射介質作為非線性預編碼”這一中間層，進而第一系統性地在兩個平行社區間搭建了一座橋梁，讓光神經網絡不必完全達到傳感所需的高精度，只需在簡化后的任務上做線性回歸。

未竟之處，以及為物理 AI 植入光子神經的可能

不過，這套系統可能仍有優化空間。首先是核心器件的妥協。演示中使用的空間光調制器（SLM）體積龐大，且需要主動供電驅動，功耗較高。這在某種程度上背離了“無電子計算”的初衷。雖然團隊也討論了用被動相位板替代的可行性，但仍需等待真正的工程驗證。

另外，MMF 散斑對物理狀態極為敏感，這是優勢也是問題：一旦光纖被替換、重接或劇烈彎曲，整套光學網絡就必須推倒重練。盡管在受控環境下，系統 24 小時的散斑相關性維持在 0.98 以上，但其在真實部署中的長期穩定性與環境魯棒性，還需要真實部署來檢驗。

精度與量程之間的權衡也是問題。在追求大量程時，分辨率必然會出現妥協。這受限于光電探測器固有的動態范圍與噪聲水平，這不是光學結構能完全解決的問題。而且，在機械臂監測等復雜任務中，團隊用相機做了結果驗證，然而，相機的低幀率在無形中壓縮了全光計算“納秒級延遲”的核心優勢；真正能發揮極速特性的探測器版本，目前僅在特定基礎實驗中亮過相。

如果我們把“納秒級響應”與“零電子依賴”這兩大極致性能投射到現實場景中，這套系統將在一些此前難以抵達的場景發揮極大作用。

在核極值環境中，強中子輻射足以摧毀任何常規電子器件。AOFS-IC 系統具備前端感知、全光解調、無電子等特性，結合玻璃光纖的天然抗輻射性能，有望提供目前唯一可行的監測方案。此外，AOFS-IC 小于 3 納秒的超低延遲，還恰好精準切入了應力波傳播這一稍縱即逝的時間窗口。

理論上，將此類光纖植入材料內部，人類將首次擁有實時追蹤爆炸沖擊波陣面的能力。對于橋梁、深空探測器等壽命長達數十年的大型結構，如果整條傳感監測鏈路能夠完全剔除電子節點，就從根本上避免了電子元器件老化、雷擊損毀以及強電磁干擾等問題，

當然，沿著論文中的機械臂應用進一步拓展，AOFS-IC 最具想象力的破局點，或許在于物理 AI。

機器大腦的“認知智能”突飛猛進，但當 AI 試圖以實體形態介入真實物理世界時，卻面臨感知與運動控制的延遲問題，這受限于冗長的電子鏈路。在面對復雜地形，或用機械手捏取脆弱物體等場景中，這種感知延遲往往會導致動作失真、影響任務完成，甚至可能引發更嚴重的后果。

人類能在瞬間憑借本能接住飛來的物體，是因為我們擁有獨立于大腦之外、極速響應的“脊髓反射弧”。AOFS-IC 展現的，正是為物理 AI 構建“光子反射弧”的潛力。

試想一下，如果未來機器人的觸覺網絡和本體姿態感知由多模光纖構成，物理世界的每一次觸碰、變形與受力，都能在光纖中以光速完成編碼，在傳感器內直接“算”出結果。這就將 AI 最底層的物理感知計算，完全卸載到了硬件物理層。不僅為機器人節省海量的算力與功耗，更有可能賦予其超越碳基生物的神經響應速度。

把沉重的計算負擔從電域挪進光域后，AOFS-IC 不僅讓傳感鏈路第一次真正進入納秒尺度，也為未來物理 AI 走向極致敏捷，提供了一種全新的硬件策略。

參考內容：

https://www.nature.com/articles/s41377-026-02265-x

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成