INSPIRE实验最重要的变化，并不是电路能够用光计算，而是制造完成的电路可以提供改进自身计算所需的信息。研究者不再只在数字副本中求出设置，再期待这些设置准确迁移到真实器件，而是直接测量光学硬件的响应。
该方法于2026年10月5日发表在《Nature Computational Science》，四天后获得Nature研究简报介绍。作者为Tiankuang Zhou、Yun Zhao、Shanglong Li、Guocheng Shao、Ruqi Huang和Lu Fang。清华大学将电子工程系及北京信息科学与技术国家研究中心列为牵头单位。
INSPIRE指原位物理梯度下降。实验覆盖精确矩阵拟合、多波长计算、散射介质以及元学习快速适应。它们支持“光学硬件可以更灵活地训练”，而不是宣布光子处理器已在通用AI训练上超越GPU。
训练实际芯片，而不是理想副本
梯度描述某个参数变化怎样影响误差。传统神经网络在数字处理器上计算导数；光学处理器则让光经过波导、相位控制器和散射结构，干涉同时取决于振幅与相位。
仿真可以描述这些相互作用，但制造偏差、热漂移与噪声会使模型不同于实物。在相干电路中，很小的相位变化也可能改变整个变换。工程师因此需要表征器件、更新模型、优化并迁移设置，条件漂移后还要重新校准。
INSPIRE把梯度测量放回物理环路。设计与实物的偏差成为优化器直接观察的条件，而不必先在软件中完美复现。不过系统仍需要目标函数、电子控制和参数更新。它减少对完整可微数字孪生的依赖，不是取消芯片设计中的软件与仿真。
逆向设计从目标光学功能寻找相应结构，制造前仍然重要。制造后根据实测调整，则为可配置且难以精确建模的器件提供补充路径，两者不必相互取代。
正向与反向光场怎样给出更新方向
实验使用片上合成时间反演全息。正向光场穿过电路产生输出；反向传播的第二个光场承载与输出误差有关的信息。研究者测量包含振幅和相位的复光场，确定可调元件怎样影响目标。
光学互易性把两个方向的传输联系起来。INSPIRE据此从物理测量提取梯度，控制器调整电路并重复过程。只测强度会丢失描述干涉所需的相位信息。
如果每次单独扰动一个参数，随着控制数量增加，所需测量会迅速增多。双向方法避免把每个设置当作孤立试验。不过真实收益仍取决于光场生成、路由、测量和可靠控制，而不仅是梯度公式。
作者将框架称为“拓扑无关”，即方法不限定一种光学元件排列。这是适用范围的主张，并不意味着不同材料、波长和调谐机制无需专门工程适配。
实验数字究竟证明了什么
矩阵训练中，实际变换相对目标变换的误差达到0.26%，说明该实验装置可以精确拟合。这不是任意多层神经网络的准确率，也不能单独证明长期训练稳定性。
团队还进行了跨多个波长的计算。不同波长通道可以共用物理系统，体现光子计算的光谱并行潜力。散射介质把光混合到复杂路径中，实验尝试利用这些复杂变换，而不是消除每一处不规则性。
论文报告的目标矩阵规模大于原生可调元件数量，说明不能只数显式控制器就判断系统可用行为。但这不等于无限独立参数：可控性、噪声与测量质量仍限制可实现的变换。
元光子实验则研究已学结构能否快速适应新任务。单次适应伴随251倍模型压缩和136倍任务特定训练加速。这些比率属于作者实验框架内部比较，不能解释为商用GPU替代速度，或任意生产模型的内存都会缩小251倍。
物理学习已有路线中的新一步
INSPIRE并非从零发明物理训练。2018年Optica论文提出原位光学梯度测量，2023年Science实验展示集成光子反向传播。2024年Nature工作采用仅需前向传播的训练，处理反向发送误差信号的工程困难。
2026年3月另一项Nature研究在光子芯片上集成线性与非线性计算，两项非线性分类准确率超过90%，稳健性接近数字参考模型。INSPIRE的区别是跨矩阵、散射及元学习的拓扑适用性，而不是宣称这些先前方法已被淘汰。
不同路线对互易性、信号路径与仪器要求不同。在同一任务上比较，比孤立对照速度倍数更有意义。通用方法扩大设计空间，并不保证对每一种平台都最便宜。
能耗与规模问题仍在整机层面
光子运算擅长某些并行线性操作，但AI系统还需要存储、非线性函数、参数保持、控制流和数据搬运。数字加速器在这些方面拥有成熟软件与可预测精度。INSPIRE没有展示大语言模型训练。
输入编码、光电检测都涉及转换成本。激光器、调制器、探测器、数模和模数转换、热控制以及电子更新均耗时耗能。论文摘要没有给出与当前GPU的端到端能耗比较，因此不能据此宣称整机更节能。
9月规模化综述讨论干涉仪、衍射和波分架构，指出模拟精度、累积误差、信噪比下降和转换效率等约束。物理训练能补偿部分制造失配，却不能消除光损耗、梯度噪声或邻近控制元件间的热耦合。
封装、良率、寿命和多器件校准仍待解决。十亿参数需要稳定的自由度与大量存储，不是改进一个小电路的更新规则就能实现。软件接口还必须让开发者不用手动操纵每个光学细节。
更近的应用可能是传感、通信、成像和科研仪器：输入本就是光，且需要反复适应，可避免数字优先工作负载额外引入的部分转换。混合系统也可以让光学承担合适变换，电子承担存储与控制。
下一步应是更大、可复现的系统，报告同任务精度、完整能耗与延迟、测量开销以及漂移后的稳定性。迁移到另一平台的独立复现则检验通用性。当前成果提供绕过模型失配的路径；是否经济，取决于维持整条物理学习环路所需的一切。