“更远的探测距离、更高的分辨率、更广的探测视场、更小的光学系统、更强的适应能力”—— 这五大需求，曾是传统光学成像难以逾越的 “物理枷锁”。而如今，一场由 “AI + 光学” 掀起的革命，正在打破这些限制。
9月10-12日，第26届中国国际光电博览会在深圳举行，在同期举办的“计算光学成像技术创新论坛”上，中国科学院西安光学精密机械研究所副所长 邵晓鹏教授在《“AI + 光学” 为计算成像带来的新机遇》的专题演讲中，深度拆解了这一前沿交叉领域的突破路径、体系构建与未来图景。
一、计算成像需求爆发与四大挑战并存
什么是计算成像？它并非依赖传统光学器件直接成像，而是通过设计光学系统，让获取的原始信息经计算处理后，输出超越传统光学极限的高质量图像。如今，它已成为航天观测、医疗诊断、智能传感等领域的核心支撑，但邵教授直言，行业仍面临四大核心挑战：
重建算法精度与效率
系统噪声及环境适应性
高维信息的高效利用
光学编码设计的局限性
“传统光学成像的适应能力虽强，但在探测距离、视场分辨率、重量体积、适用范围等关键维度，已难以满足需求，受限明显。” 邵教授强调，如何破解这些难题？深入探索AI是有效途径。
二、诺奖背书：AI + 光学不是叠加，是 “重组”
融合的本质在于：
Science for AI：光学为 AI 提供超高速、低功耗的运算能力等。
三、三层架构 + 跨域突破
针对上述问题，邵教授表示：“需将这一交叉领域划分不同层级，来确定重点发展方向。”
1. 理论层：奠定跨域融合的 “底层逻辑”
2. 技术层：打通从理论到应用的 “关键链路”
共性技术层：覆盖光源设计、光场操控、多维探测、超分辨成像、光场显示等全链路，结合 AI 的数据驱动建模、物理引导学习、大模型等技术，构建 “信息物理框架”；
交叉技术层：聚焦新型光学系统设计、新型器件设计、信息处理能力增强等，实现 “光学器件 + AI 算法 + 物理规律” 的深度耦合。
3. 生态层：构建产学研用的 “创新共同体”
四、两大案例：见证 “AI + 光学” 的落地实力
理论的价值，最终要靠应用来验证。演讲中，邵教授分享了两个令人振奋的实践案例：
案例 1：光学信息相干
传统大口径望远镜受材料、加工工艺限制，成本极高且难以实现；主要面临面型一致性差、共相精度低以及加工难度大的难题。
而通过 “AI+光学” 的信息相干技术，研究团队将 “物理共相” 转化为 “信息共相”：在子镜不共焦、不共相的情况下，通过计算控制进行数字相位补偿。利用光场测量、数字校正等方式在信息域进行光学相干，以作为高精度物理控制的信息域实现，完成高分辨率光学成像。
邵教授总结：“AI+光学体系有望通过将深度学习与物理模型相融合，在信息域中实现更高效的对相干信息的感知、重构与调控，打通从感测到合成的全链路，使信息域光学相干控制具有更高的鲁棒性与灵活性。”
案例 2：极简光学设计
传统光电系统的体积、重量与成本，受限于镜头设计的 “零” 像差约束，西安光机所尝试简化光学镜头设计以降低成本。团队利用计算成像新范式，赋能极简光学设计。在计算成像新范式中引入波前维度，放宽像差约束，既实现短周期制作、提升环境适应性，又解决了大口径瓶颈问题。
今年 9 月 5 日，该极简光学载荷（采用 3D 打印铝制框架，无需调整机构）已随卫星搭载升空，目前卫星已能正常成像，正进行参数调试。邵教授介绍，这种设计不仅降低制造成本，还大幅提升了系统的环境适应性，为卫星载荷、无人机测绘等场景提供了低成本解决方案。
五、展望：AI 赋能，计算成像将迎来新范式
邵教授在演讲结尾展望：“光学成像的未来发展，需突破传统几何成像局限。计算成像将物理光学融入其中，再结合AI技术，构建“AI + 光学” 核心发展路径。通过物理与信息的深度耦合，这一模式有望打破现有设计体系，催生成像新范式。”
“未来，AI 赋能光学系统设计，将推动新理论、新方法、新标准与新技术持续涌现，形成颠覆性创新实例。”
从技术的跨界融合，到学科体系的系统构建，再到光学遥感领域的实验验证，“AI + 光学” 在中国正迎来爆发式增长。正如邵教授所言：“AI 不是替代光学，而是为光学打开了一扇通往‘无物理极限’的大门。”
未来已来，当光学的 “眼” 遇上 AI 的 “脑”，计算成像将在更多未知领域探索边界。
