华人学者闪耀2026元旦，前有DeepSeek mHC：一次将 Transformer 残差流拉回重整化轨道的重大升级，

后有清华的“算盘：可扩展光子线性向量机”【文献1】与中科院大学的“可编程光子Ising机”【文献2】双双登上Nature。

Ising 机 - Nature 灌水机 中，笔者总结，过去几年，人工智能的进步几乎被简化为一条路径：堆 GPU、堆数据、堆参数。

Transformer 正是这一范式的巅峰，将大规模线性代数、统计建模和工程可扩展性结合在一起，构成了当今 AI 的通用骨架。

但在这种高度成功的范式中，一个更深层的问题开始隐现：

当问题从“表征与生成”转向“选择与决策”，Transformer 的计算逻辑正在变得低效。这不是工程问题，而是计算本身的结构问题。

  Transformer 能力边界

从本质上看，Transformer 是一个高度成熟的表征学习系统，

擅长在连续、高维、可微的空间中，通过线性变换和注意力机制，建模“可能、合理、概率较高”的米田嵌入。

然而当问题具有强约束、离散决策、多解选择和全局一致性要求时，难点不在于表征是否丰富，而在如何从庞大的可选空间中搜索最佳选择。

Transformer 不是不能处理这类问题，而是只能通过很昂贵的方式来近似，堆参数、拉上下文、反复采样。

而这常被误解为“规模仍然不够”，其实更准确的理解是，表征学习并不是决策搜索的自然方式。

  搜索是个物理问题

这正是 Ising 模型反复出现在计算领域的原因，不是因为“古老”或“优雅”，而是抓住了搜索问题的最小物理结构。

Ising 系统并不执行算法步骤，而是将离散变量和约束编码为一个能量函数，让系统通过自身动力学演化，收敛到稳定态。

所以，解不是被“算出来”的，而是在竞争、耦合和涨落中被自然选出来的。

在数字计算中，决策搜索复杂度体现为时间和步骤数；而在 Ising 系统中，搜索复杂度体现为能量景观和相变结构。

也就是说，复杂性并没有被消除，而是被转移给了物理系统本身。

  计算范式的转向

清华和中科院大学元旦这两项 Nature研究，从不同侧面证明了这种计算范式的现实性。

可编程光子 Ising 机【文献2】已经能够在室温下稳定运行，并被直接用于真实交通优化问题，在解的质量和效率上超越传统方法。这意味着组合优化正在脱离通用数字计算，走向专用物理系统。

OEIM性能雷达图和实验设置

一般COP和流量优化问题的求解过程

算盘光子线性向量机【文献1】展示了一种极其简洁、可扩展的光子线性代数架构，将 AI 中最昂贵的线性算子直接交由物理过程完成，绕开了冯·诺依曼瓶颈。

SUANPAN架构

SUANPAN工作原理

这两条路线共同指向一个事实，当计算的主要代价来自决策搜索与线性代数时，继续在 GPU 上堆规模已不再是唯一的选择。

  两种计算层级的分工

Transformer 在连续空间中构建一个可能性结构，回答“什么是合理的”“哪些模式在统计上成立”，擅长展开、生成和近似，却并不擅长执行最终的选择。

Ising 机擅长的是 Transformer 最不经济的那一步，在离散解空间中，通过全局耦合与竞争，完成一致性的确立。不是概率选择，而是物理裁决。

Transformer 更像是为世界生成一个丰富的候选景观，而 Ising 机则是在这一景观中，推动系统跨越相变边界，坍缩到一个稳定解。

前者依赖统计平均，后者依赖相互作用；前者擅长表征，后者擅长决定。两者并非相互替代，而是自然的分工。

  计算正在回归物理

笔者说 Transformer “尽头”，不是否定，而是承认其边界。当问题进入真实决策领域，仅靠表征学习将不可避免地遇到计算复杂度壁垒。

在这个边界上，引入自旋系统并不是激进选择，而是让目标函数、物理哈密顿量和系统动力学之间，实现高度一致。

围绕 Ising 机、光子计算和能量模型的一系列进展，并不是对现有范式的小幅加速，而是意味着一个更根本的转向：

计算正在从算法与表征，重新回归到物理与动力学。

Transformer 将我们带到了边界，而在边界之外，可能不是更多参数，而是 Ising 机。

【文献1】SUANPAN: scalable photonic linear vector machine，https://www.nature.com/articles/s41377-025-02059-7

【文献2】Programmable optoelectronic Ising machine for optimization of real-world problems，https://www.nature.com/articles/s41377-025-02100-9

---

文章转载自微信公众号：清熙

原文链接：https://mp.weixin.qq.com/s/ZQM4LKK5YrWEKhPNQlgs5g

华人学者闪耀2026元旦，前有DeepSeek mHC：一次将 Transformer 残差流拉回重整化轨道的重大升级，

后有清华的“算盘：可扩展光子线性向量机”【文献1】与中科院大学的“可编程光子Ising机”【文献2】双双登上Nature。

Ising 机 - Nature 灌水机 中，笔者总结，过去几年，人工智能的进步几乎被简化为一条路径：堆 GPU、堆数据、堆参数。

Transformer 正是这一范式的巅峰，将大规模线性代数、统计建模和工程可扩展性结合在一起，构成了当今 AI 的通用骨架。

但在这种高度成功的范式中，一个更深层的问题开始隐现：

当问题从“表征与生成”转向“选择与决策”，Transformer 的计算逻辑正在变得低效。这不是工程问题，而是计算本身的结构问题。

  Transformer 能力边界

从本质上看，Transformer 是一个高度成熟的表征学习系统，

擅长在连续、高维、可微的空间中，通过线性变换和注意力机制，建模“可能、合理、概率较高”的米田嵌入。

然而当问题具有强约束、离散决策、多解选择和全局一致性要求时，难点不在于表征是否丰富，而在如何从庞大的可选空间中搜索最佳选择。

Transformer 不是不能处理这类问题，而是只能通过很昂贵的方式来近似，堆参数、拉上下文、反复采样。

而这常被误解为“规模仍然不够”，其实更准确的理解是，表征学习并不是决策搜索的自然方式。

  搜索是个物理问题

这正是 Ising 模型反复出现在计算领域的原因，不是因为“古老”或“优雅”，而是抓住了搜索问题的最小物理结构。

Ising 系统并不执行算法步骤，而是将离散变量和约束编码为一个能量函数，让系统通过自身动力学演化，收敛到稳定态。

所以，解不是被“算出来”的，而是在竞争、耦合和涨落中被自然选出来的。

在数字计算中，决策搜索复杂度体现为时间和步骤数；而在 Ising 系统中，搜索复杂度体现为能量景观和相变结构。

也就是说，复杂性并没有被消除，而是被转移给了物理系统本身。

  计算范式的转向

清华和中科院大学元旦这两项 Nature研究，从不同侧面证明了这种计算范式的现实性。

可编程光子 Ising 机【文献2】已经能够在室温下稳定运行，并被直接用于真实交通优化问题，在解的质量和效率上超越传统方法。这意味着组合优化正在脱离通用数字计算，走向专用物理系统。

OEIM性能雷达图和实验设置

一般COP和流量优化问题的求解过程

算盘光子线性向量机【文献1】展示了一种极其简洁、可扩展的光子线性代数架构，将 AI 中最昂贵的线性算子直接交由物理过程完成，绕开了冯·诺依曼瓶颈。

SUANPAN架构

SUANPAN工作原理

这两条路线共同指向一个事实，当计算的主要代价来自决策搜索与线性代数时，继续在 GPU 上堆规模已不再是唯一的选择。

  两种计算层级的分工

Transformer 在连续空间中构建一个可能性结构，回答“什么是合理的”“哪些模式在统计上成立”，擅长展开、生成和近似，却并不擅长执行最终的选择。

Ising 机擅长的是 Transformer 最不经济的那一步，在离散解空间中，通过全局耦合与竞争，完成一致性的确立。不是概率选择，而是物理裁决。

Transformer 更像是为世界生成一个丰富的候选景观，而 Ising 机则是在这一景观中，推动系统跨越相变边界，坍缩到一个稳定解。

前者依赖统计平均，后者依赖相互作用；前者擅长表征，后者擅长决定。两者并非相互替代，而是自然的分工。

  计算正在回归物理

笔者说 Transformer “尽头”，不是否定，而是承认其边界。当问题进入真实决策领域，仅靠表征学习将不可避免地遇到计算复杂度壁垒。

在这个边界上，引入自旋系统并不是激进选择，而是让目标函数、物理哈密顿量和系统动力学之间，实现高度一致。

围绕 Ising 机、光子计算和能量模型的一系列进展，并不是对现有范式的小幅加速，而是意味着一个更根本的转向：

计算正在从算法与表征，重新回归到物理与动力学。

Transformer 将我们带到了边界，而在边界之外，可能不是更多参数，而是 Ising 机。

【文献1】SUANPAN: scalable photonic linear vector machine，https://www.nature.com/articles/s41377-025-02059-7

【文献2】Programmable optoelectronic Ising machine for optimization of real-world problems，https://www.nature.com/articles/s41377-025-02100-9

---

文章转载自微信公众号：清熙

原文链接：https://mp.weixin.qq.com/s/ZQM4LKK5YrWEKhPNQlgs5g