人脑里有无数神经元，神经元之间靠突触连接，外界信息进来后，神经元互相传递、加工信号，最后得出判断。
人工智能里的神经网络就是一套模仿人脑思考的通用逻辑框架，本身是无形的，必须靠具体的硬件才能跑起来，就像一套游戏规则，必须靠手机或者电脑才能玩。
传统的人工神经网络几乎全部跑在电子计算机上仿真完成，也叫虚拟神经网络，计算速度快、通用性强，但也面临两大硬伤：一是内存墙和功耗墙，数据在内存和处理器间来回搬运耗时耗电；二是摩尔定律逐渐失效，芯片制程逼近物理极限，很难再通过缩小晶体管来大幅提升性能。
为了突破电子计算的瓶颈，研究者把目光转向了光子，诞生了光学神经网络（ONN）。它用光波代替电子，直接在光域完成核心运算，速度可达电子系统的数十至数百倍，能效极高、无热耗散，非常适合 AI 时代海量并行推理。
目前，神经网络的训练都靠反向传播算法，就像老师改作业，错了就返回去重新学，特别费电脑算力，还费电，没法在小设备上用。
近日，深圳大学张晗团队受巴甫洛夫经典条件反射启发，首次研制出无需电子参与、无需算法训练、完全在光域内实现自主学习的智能光子材料系统。相关研究发表于国际顶级综合性期刊《国家科学评论》。
“这个想法的诞生基于已有研究，我们关注到此前已有相关研究尝试将联想学习与光学系统结合，但这些工作存在明显短板，比如部分研究的刺激顺序和巴甫洛夫实验的核心逻辑不符，还有的并非纯光调控，存在多信号耦合的问题。
我们思考能否弥补这些不足，把巴甫洛夫条件反射的经典生物学机制真正贴合地融入光学神经网络，同时依托纯光调控实现更贴合生物学习的过程，就这样慢慢探索出了二者结合的研究方向。”这项研究的通讯作者、深圳大学特聘教授张晗告诉 DeepTech。
当光学材料遇上“巴甫洛夫的狗”
巴甫洛夫的狗的实验是心理学经典的条件反射实验。通过在喂食（无条件刺激）前多次伴随铃声（中性刺激），使狗将铃声与食物建立联系。最终，即使没有食物，仅听到铃声（条件刺激）也会促使狗分泌唾液（条件反应），揭示了后天学习形成的反射机制。
在这项研究中，张晗等人使用了一种叫 DCPI 的双色光引发剂树脂。“该材料原本被用于 3D 打印的双光固化环节，我们发现它的光化学特性恰好适配光联想学习的需求，便将其改造为光学神经网络的物理基底。”他表示。
这种树脂就像巴甫洛夫实验里的“狗”，能对不同光的刺激产生固定反应，关键是两步光化学反应，而且对光的照射顺序有严格要求。
第一步，用紫外光照树脂，里面的螺吡喃（SP）会变成部花青（MC），此时树脂在紫外光下发红色荧光。这个反应可逆，没紫外光会慢慢变回去；第二步，用 532nm 绿光照树脂，部花青发生不可逆的聚合反应，生成聚合物，此时树脂在紫外光下发绿色荧光。
紫外光相当于摇铃，绿光相当于给吃的，发绿光相当于流口水，只有先摇铃再给吃的，狗才会形成条件反射。
值得注意的是，在光照中，必须先照紫外光，再照绿光，树脂才会从发红光变成发绿光，这就是树脂的“联想学习”。如果只照绿光、先照绿光再照紫外光，都不会发生聚合，树脂只会发红光，不会发绿光。
“这正是材料本身的固有性质带来的巧合。我们在对 DCPI 树脂进行光化学特性测试时，偶然发现只有按照‘先紫外光、后可见光’的顺序进行照射，才能快速触发树脂的聚合反应，形成稳定的绿色荧光信号，实现有效的记忆编码；若颠倒时序或单一光照射，都无法完成这一过程，而这一特性恰好与巴甫洛夫实验中‘条件刺激先于非条件刺激’的条件反射逻辑高度契合，我们便顺势利用这一材料特性，构建了贴合生物机制的光联想学习框架。”
自上而下，重塑光学网络训练逻辑
为了测试这个树脂能否学习，张晗团队设计了一系列严谨的对照实验。
结果发现，仅有紫外光持续照射时，荧光切换极慢（超 1,500 秒），几乎不产生聚合；先绿光后紫外光，或者只有绿光，树脂始终保持“淡定”，不会发生永久的化学记忆； 唯有严格遵循“先紫外、后绿光”的顺序，树脂才会迅速触发聚合反应，形成稳定的绿色荧光信号。
随后，研究团队开始让它尝试真正的 AI 任务：图案识别。
在训练阶段，研究人员将字母 N、V、Z 的形状作为紫外光图案投射到树脂基底上，并紧接着用绿光投射对应的结果图案。训练完成后，再照 N 的紫外光，对应的结果区域就会发绿光，成功认出 N。V、Z 同理，实验完全成功。
不仅如此，团队还在计算机模拟中将这一框架扩展到了 0-9 的手写数字识别。先把数字简化成黑白小格子，再用同样的联想学习方法训练，最后能准确认出数字，证明这个方法能扩展到更复杂的任务。
从简单的字母识别，拓展至更为复杂的手写数字识别任务，尽管其在逻辑层面的可扩展特性得到了初步验证。但张晗坦言，要实现产业级的规模化应用，仍需进一步解决材料制备过程中的稳定性与均一性问题。同时，寻找真正适配这一框架的落地场景，使技术特性与产业需求实现精准匹配，也是推动其从原型走向实用化的关键所在。
这篇论文最核心的学术贡献，在于对光学神经网络构建逻辑的根本性重塑。
传统的光学神经网络通常采用“自下而上”的构建策略。就像搭积木，需要先计算权重，再通过硬件单元堆叠实现网络构建，是从局部到整体的拼接。
“而我们的‘自上而下’方法完全模仿生物学习逻辑，依托巴甫洛夫实验的核心机制，用整体的输入输出数据驱动网络学习，让系统从整体角度建立刺激与响应的关联，无需提前进行复杂的权重计算，实现了权重确定与物理硬件实现的同步完成。”张晗说道。
这为光学计算领域带来了新的可能性：一是实现了光学神经网络的原位快速训练，大幅简化了硬件制备和训练流程；二是降低了大规模光学神经网络的研发成本，适配边缘计算的低成本、轻量化需求；三是为光学计算与生物智能的深度融合提供了可行框架，让光学系统的学习模式更贴近自然智能。
尽管研究取得了重要突破，但张晗也坦诚地指出了系统目前存在的“硬伤”。
首先，树脂的聚合反应是不可逆的。这意味着它一旦学会了 N、V、Z，就无法像人脑那样“主动遗忘”并学习新字符。虽然这种不可逆性换来了极高的稳定性，但如何平衡“记忆”与“更新”，依然是材料学上的难题。
第二个，也是现阶段更亟待突破的局限，是系统仅实现了单层线性计算，缺乏非线性激活。现实中的智能识别、决策等任务都具有高度的非线性特征，没有非线性激活，光学神经网络的表达能力和任务处理能力会被极大限制，只能解决简单的线性分类问题，无法向人脸识别、复杂物体检测等更复杂的实际应用拓展。这也是制约研究走向实用化的核心瓶颈。
生物 x 光电，将成光学 AI 发展趋势
从最初萌生想法到最终完成实验，张晗团队的这一研究耗时至少两三年，期间经历了两次大的实验方案改动。
最初团队希望让材料兼具自学习和自连接功能，却受限于材料特性和实验条件难以落地；调整方向专注自学习后，又一度无法观察到清晰的联想学习特征信号。直到精准控制光刺激的时序、强度和作用范围，团队才第一次清晰观察到树脂的荧光切换和稳定的聚合反应标记，这一决定性结果也让团队确认了研究的可行性。
这场跨越生物学、光学、材料学、人工智能的跨学科研究，不仅为光学神经网络的发展提供了新方法，也为光学计算的未来发展指明了新方向。在张晗看来，向生物智能学习是光学计算发展的捷径，生物与光电的交叉融合，必然会成为光学 AI 的核心发展趋势。
“一方面，生物智能经过亿万年的进化，形成了高度高效、低功耗、高鲁棒性的学习和决策机制，这正是现阶段光学计算和光学 AI 所追求的目标，从生物智能中汲取灵感，能让我们避开很多技术弯路，更快找到光学系统的智能实现路径；另一方面，不仅是光学 AI，几乎所有的发明创造，本质上都是对自然和生物机制的模仿与优化，生物的结构和功能为人工系统的设计提供了最优质的参考模板。
未来光学 AI 的发展，必然会持续深化与生物智能的交叉融合，让光学系统更贴近自然智能的本质。”张晗表示。
未来，张晗团队将把实现非线性激活作为核心研究方向，同时围绕材料改性、实验方案优化、工程化技术突破展开探索，持续推动光联想学习框架向更复杂的应用场景拓展。
1.https://www.bain.com/insights/how-can-we-meet-ais-insatiable-demand-for-compute-power-technology-report-2025/
2.https://cpoe.szu.edu.cn/szxq.jsp?wbtreeid=1191&id=1779754232620453889&language=0
运营/排版：何晨龙
宝盈策略提示：文章来自网络，不代表本站观点。
