在现代工业与大型基础设施的“躯体”中，光纤传感器早已成为不可或缺的“神经系统”。无数光子在玻璃纤维中以每秒近 20 万公里的速度穿梭，传递着极其细微的物理变化。然而，但当它抵达终点、被光电探测器转化为电信号之后，一切都慢下来了：数据排队等候处理器，处理器消耗电力，延迟可达微秒量级。
长期以来，这种“光捕捉，电计算”的模式，使系统响应延迟始终难以突破亚微秒量级。边缘计算把运算从云端挪到了设备旁边；芯片计算把运算从服务器挪进了芯片；那么，能不能把运算挪进传感器本身，让感知和计算同时在光域里发生，探测器读到的光强直接被转化为物理量？
5 月 25 日，上海交通大学智能光子学研究中心何祖源教授团队在《光：科学与应用》（Light： Science & Applications）上发文，给出了肯定的答案。他们不仅做到了，还把系统级延迟压缩进 3 纳秒，光纤传感系统第一次能以光速完成感知与计算。
被电子芯片拖慢的感知
外界的温度、应变、振动、扭转引起光纤中光场的微妙变化，进而发生波长漂移、偏振旋转、模式重组等，探测端把这些变化转成电信号，交给数字处理器解调出物理量，这就是光纤传感的工作链路。在这条链路上，光在光纤里的传播只占几纳秒到几微秒，真正吃掉时间预算的是后端的模数转换、缓冲、算法解调与结果输出。
以最常见的光纤布拉格光栅（FBG）传感器为例，其反射的布拉格波长会随应变线性偏移，典型灵敏度约为每微应变 1.2 皮米（1.2 pm/με）。这是一个能让人对精度门槛产生直观感受的数字：要测出 1 με的应变，系统就必须分辨皮米级波长漂移。要做这件事，传统方案要么依赖昂贵庞大的光谱分析仪（OSA），要么用庞德–德雷弗–霍尔（PDH）锁定这类复杂解调技术。
过去十几年，业界改进这一环节的主要思路是，让电子部分跑得更快：把信号处理器换成现场可编程门阵列（FPGA）、图形处理器（GPU）甚至神经网络做实时解调。这些方法都能压缩延迟，但根本架构没变：光信号必须先变成电，然后被电子设备处理。
而且，这条路径还有硬天花板。光电转换有响应时间，数字处理有时钟周期，系统级延迟在亚微秒一线就很难再压低。对那些发生在纳秒级的物理事件，比如爆轰冲击波、闪电瞬态、激光烧蚀、聚变等离子体扰动等，传统光纤传感即便“感受到了”，也来不及“理解”。
更深的问题是规模。当一根光纤上搭载几十甚至上百个传感点，需要同时解调，电子计算资源消耗呈线性增长。大规模、密集部署的传感网络对功耗与延迟的要求，与传统架构构成结构性冲突。
跳过电子计算的想法本身并不新。过去几年，光学计算这个领域已经出现了一些进展。
2018 年，加州大学洛杉矶分校（UCLA）的阿伊多甘·奥兹坎（Aydogan Ozcan）团队在《科学》（Science）上发表了衍射深度神经网络（D²NN）的工作，用一组精心设计的衍射表面替代矩阵乘法，让光在通过几层透明板的过程中自动完成图像分类。此后几年，衍射神经网络、片上光神经网络、自由空间光学计算等方向密集涌现。
但该团队后续工作基本集中在了图像分类、相位成像、目标识别等视觉任务。原因不难理解。这类任务对精度要求相对宽容。可精密测量不一样，FBG 的皮米级波长门槛摆在那里，差一个数量级，就是测量失败。
对于光纤传感领域，则有另一条进化路径。早期的散斑光谱仪证明了多模光纤（MMF）可以当作一种被动的光谱编码器，但解调过程依赖相机采图与数字算法重建，未能消除延迟和功耗。即便加入机器学习，精度有所提升，电子计算的链路反而变得更长。
两个社区都试图绕开同一个瓶颈。然而，光计算的传感精度不够，光纤传感又难以摆脱电子依赖。智能光子学研究中心的研究团队由此开发了 AOFS-IC（包含传感器内计算的全光纤传感架构），他们想要解决的，正是前者都没能绕开的障碍。
两层巧思：在“光学迷宫”里完成极速解调
AOFS-IC 的构成包括传感光纤（FBG 或多模光纤）和散射介质（一段几十厘米到数米的多模光纤）、衍射光学网络（ODN），以及光电探测器。携带传感信息的光信号通过错位熔接进入散射介质，光信号从头到尾不离开光域，探测器读到的光强大小，直接就是被测物理量的值。
整套系统的架构看起来不复杂，但其能成立，关键在两层巧思。
第一层是让散射介质替光计算，以此实现减负。多模光纤本身就是一个高度敏感的“放大器”。光场进入 MMF 后，数十上百个传输模式之间相互干涉，产生看似随机的散斑图样。光场任何微小的变化都会让散斑随之发生显著且确定的改变。
研究团队称之非线性高维投影，这使 MMF 把识别微小变化的任务，从 ODN 很难实现的光场参数空间转换到了散斑强度空间。其本质是用 MMF 的物理特性预先完成了一道复杂的非线性编码。
更重要的是，这种编码具有渐进性：散斑图样会随物理量连续变化而非跳跃突变。后续的解码网络只需要用极少的标定点，在实验中，研究者只用了 4 个应变状态，就能线性插值出整个量程的响应。
第二层是让 ODN 只做光强回归。经过 MMF 编码后的散斑进入由空间光调制器（SLM）实现的衍射光学网络。这一层不需要完成图像分类或特征提取，只需要把散斑变换成“在某个指定位置的光强与被测物理量成线性关系”，目标被大大简化。训练方式上，团队用遗传算法进行端到端的原位训练，不需要对实际光路做精确的物理建模。校准是一次性的数字优化，运行时完全在光域里完成。
实验数据显示，在 150 με量程内，FBG 应变传感的分辨率达到了 2.78 με，量程扩展到 2.5 毫应变（mε）后依然保持线性响应，分辨率为 0.07 mε；在 95 纳应变（nε）量程内，分辨率已达到亚纳应变级别；多模光纤的 9 个离散扭转状态分类 100% 准确；同一根 MMF 上同时解调应变与扭转，精度达到 2.28 με / 0.74°。
综合来看，0.5 米多模光纤的传播延迟为 2.44 纳秒，加上自由空间衍射约 0.08 纳秒，合计不超过 3 纳秒，比传统光纤传感系统快两个数量级以上。
为验证这套架构在多维度复杂任务中的潜力，团队专门设计了一个三自由度（3-DOF）工业机械臂的动态追踪实验。这其实已触及现代机器人感知的核心痛点之一：多路复用与并行计算。
在传统的机械臂本体感受系统中，要知道各个关节弯曲了多少度，通常需要在每个关节处单独安装传感器，并将数据排着队传回中央处理器进行串行解算。但在 AOFS-IC 架构下，团队仅使用一段多模光纤，就能同时感知机械臂的三个独立关节。
当机械臂在三维空间中连续挥舞、旋转时，三个关节的姿态变化叠加在一起，光纤内部会产生极其复杂的光场耦合。面对这种混合多维度信息的“散斑乱码”，ODN 展现出惊人的空间并行处理能力：光束在穿过“迷宫”的瞬间，直接在接收端自动分流，精准投射到了代表不同关节角度的三个探测区域。
实验结果显示，系统能够实时、连续地追踪机械臂的三维姿态，整体关节角度的均方根误差仅约为 1.7°。这意味着，系统用同一次光速传播，就能在光域内“一口气”解调出三个独立的物理自由度。证实了在底层物理层面，这套全光架构有能力为复杂机械结构提供瞬时、高维形态感知。
十年积累，打通高精度传感与光计算的结界
这项工作出自光子学与通信全国重点实验室，何祖源教授担任实验室主任，他曾长期研究超高精度 FBG 传感和分布式传感，从东京大学回国，加入上海交通大学后，团队在分布式声学传感、布里渊光时域分析、相位噪声补偿式光频域反射等方向积累了精度底座，他们对“纳应变级分辨率”的执着也来源于此。
2019 年前后，团队主导推动的散斑计算光谱仪系列，从基础的 MMF 光谱仪，到融合光频梳的高动态范围波长计，再到 2024 年的全光纤计算偏振光谱仪，进一步强化了散斑有希望成为高维编码器的学术认知。近年来，他们围绕传统高精度光纤传感，以及基于散斑的计算感知分别建立起成熟的技术线路。AOFS-IC 完成了对二者的融合，也加入了光计算这一新元素。
放在更大的领域图景里，这项工作不属于衍射神经网络的应用扩展，也并非对光纤传感性能的常规优化。研究人员找到了“散射介质作为非线性预编码”这一中间层，进而第一系统性地在两个平行社区间搭建了一座桥梁，让光神经网络不必完全达到传感所需的高精度，只需在简化后的任务上做线性回归。
未竟之处，以及为物理 AI 植入光子神经的可能
不过，这套系统可能仍有优化空间。首先是核心器件的妥协。演示中使用的空间光调制器（SLM）体积庞大，且需要主动供电驱动，功耗较高。这在某种程度上背离了“无电子计算”的初衷。虽然团队也讨论了用被动相位板替代的可行性，但仍需等待真正的工程验证。
另外，MMF 散斑对物理状态极为敏感，这是优势也是问题：一旦光纤被替换、重接或剧烈弯曲，整套光学网络就必须推倒重练。尽管在受控环境下，系统 24 小时的散斑相关性维持在 0.98 以上，但其在真实部署中的长期稳定性与环境鲁棒性，还需要真实部署来检验。
精度与量程之间的权衡也是问题。在追求大量程时，分辨率必然会出现妥协。这受限于光电探测器固有的动态范围与噪声水平，这不是光学结构能完全解决的问题。而且，在机械臂监测等复杂任务中，团队用相机做了结果验证，然而，相机的低帧率在无形中压缩了全光计算“纳秒级延迟”的核心优势；真正能发挥极速特性的探测器版本，目前仅在特定基础实验中亮过相。
如果我们把“纳秒级响应”与“零电子依赖”这两大极致性能投射到现实场景中，这套系统将在一些此前难以抵达的场景发挥极大作用。
在核极值环境中，强中子辐射足以摧毁任何常规电子器件。AOFS-IC 系统具备前端感知、全光解调、无电子等特性，结合玻璃光纤的天然抗辐射性能，有望提供目前唯一可行的监测方案。此外，AOFS-IC 小于 3 纳秒的超低延迟，还恰好精准切入了应力波传播这一稍纵即逝的时间窗口。
理论上，将此类光纤植入材料内部，人类将首次拥有实时追踪爆炸冲击波阵面的能力。对于桥梁、深空探测器等寿命长达数十年的大型结构，如果整条传感监测链路能够完全剔除电子节点，就从根本上避免了电子元器件老化、雷击损毁以及强电磁干扰等问题，
当然，沿着论文中的机械臂应用进一步拓展，AOFS-IC 最具想象力的破局点，或许在于物理 AI。
机器大脑的“认知智能”突飞猛进，但当 AI 试图以实体形态介入真实物理世界时，却面临感知与运动控制的延迟问题，这受限于冗长的电子链路。在面对复杂地形，或用机械手捏取脆弱物体等场景中，这种感知延迟往往会导致动作失真、影响任务完成，甚至可能引发更严重的后果。
人类能在瞬间凭借本能接住飞来的物体，是因为我们拥有独立于大脑之外、极速响应的“脊髓反射弧”。AOFS-IC 展现的，正是为物理 AI 构建“光子反射弧”的潜力。
试想一下，如果未来机器人的触觉网络和本体姿态感知由多模光纤构成，物理世界的每一次触碰、变形与受力，都能在光纤中以光速完成编码，在传感器内直接“算”出结果。这就将 AI 最底层的物理感知计算，完全卸载到了硬件物理层。不仅为机器人节省海量的算力与功耗，更有可能赋予其超越碳基生物的神经响应速度。
把沉重的计算负担从电域挪进光域后，AOFS-IC 不仅让传感链路第一次真正进入纳秒尺度，也为未来物理 AI 走向极致敏捷，提供了一种全新的硬件策略。
参考内容：
https://www.nature.com/articles/s41377-026-02265-x
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴