全球首例可自学习的光子智能材料问世：深圳大学开创光子人工智能新范式
深圳大学张晗教授团队在光子人工智能领域实现重大原创突破——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。该成果标志着光子智能从“被动响应”迈向“主动认知”的历史性跨越，为构建真正意义上的全光自主智能硬件奠定了物理基础。相关研究以封面论文形式发表于国际顶级综合性期刊《国家科学评论》（National Science Review, NSR）。
传统人工智能依赖“电域训练–光域推理”的分离架构，受限于冯·诺依曼瓶颈与高能耗。而本工作另辟蹊径，将生物学习机制直接编码于光子材料之中：研究团队设计了一种具有光致可塑性的双色响应智能树脂，作为光子智能的物理载体。在该体系中，紫外光（UV）作为“非条件刺激”，可见光（Vis）作为“条件刺激”。初始状态下，UV单独照射不产生荧光；但当UV与Vis按特定时序协同作用时，材料内部触发不可逆光聚合，形成稳定的“光记忆通路”。此后，仅需UV照射即可激发绿色荧光——系统在纯光学层面自主建立了输入–输出的因果关联，完成了类脑的联想学习（图1）。
基于这一“光子条件反射”机制，团队构建了全球首个可编程自学习光子智能单元。实验中，研究者直接以光图案对系统进行“训练”，使其学会识别字母‘N’、‘V’、‘Z’（图2）。当输入未知UV图案时，材料凭借内部已形成的聚合结构，瞬时输出对应的绿光识别结果——整个感知、学习与决策过程在飞秒至毫秒尺度内完成，无任何光电转换或数字计算介入。
这一范式彻底颠覆了当前主流的“自下而上”光子AI硬件构建逻辑——后者需先在计算机中训练权重，再用复杂工艺将数字权重“烧录”到物理器件中。而本工作提出“自上而下”的新路径：让光子材料在真实任务中自我演化出最优连接结构。“你只需提供输入与期望输出的光场模式，系统便会自主在微观尺度配置功能连接，”研究人员指出，“这本质上是一种具身光子智能（embodied photonic intelligence）——智能源于光与物质的原位交互。”
该技术在边缘智能场景中潜力巨大：系统无需外部电源、无电磁干扰、制造成本极低，且具备天然抗辐射与高鲁棒性，适用于工业现场、航空航天、野外监测等严苛环境（图3）。尽管当前原型为单层结构，团队已通过仿真验证其可扩展性，成功应用于手写数字识别。未来将聚焦两大方向：一是开发具备“遗忘”能力的可逆光智能材料，提升系统灵活性；二是引入可控光学非线性，构建多层光子智能架构，以处理更复杂的时空模式识别任务。
这项工作不仅在生物智能与人工系统之间架起桥梁，更重新定义了“智能”的物理实现方式——证明光本身可以成为学习与决策的主体。它为下一代超低功耗、超高速、完全自主的光子人工智能系统提供了全新范式，有望推动AI从“云端计算”走向“终端原生智能”的终极演进。
文章信息：
Pavlov’s experiment-inspired optical neural networks based on dual-color fluorescence switching effect
Songrui Wei, Kunbin Huang, Dingchen Wang, Shangcheng Yang, Haiyan Huang, Xiao Tang, Yanqi Ge, Bowen Du, Zhi Chen, Zhongrui Wang, Shuqing Chen, Dror Fixler, Dianyuan Fan, Han Zhang*
National Science Review, nwag029, https://doi.org/10.1093/nsr/nwag029
图1、巴甫洛夫条件反射实验与光子自学习原理的类比：可见光 ≈ 食物，紫外光 ≈ 铃声，绿光发射 ≈ 唾液分泌。
图2、自学习光子智能系统对光学字母图案的识别验证。
图3、边缘智能应用场景示意图：地铁运行噪音通过应变发光材料转化为特征光图案，由自学习光子芯片实时分类，实现故障预警。