Optics GPT：让光学研发不再“靠经验猜”

2026年1月26日，上海交通大学正式发布全球首个面向光学领域的垂直大模型——Optics GPT。这不是又一次概念炒作，而是一群长期在实验室、洁净间和仿真平台中摸爬滚打的科研团队，花了三年时间，把中国光学界几十年积累的工程经验，一点一点“喂”进模型的结果。

过去，一个光学工程师设计一套激光系统，要翻几十本专业书，查上百篇论文，反复调试参数，一个透镜曲率改错0.1微米，整套系统可能就报废。而今天，他们可以直接问Optics GPT：“我要在800nm波段实现单模传输，用哪种材料组合最稳定？热变形影响怎么补偿？”——模型不仅给出答案，还会附上理论依据、参考文献和常见陷阱提醒。

不是“通才”，是能进实验室的“老工程师”

ChatGPT能讲光的波粒二象性，但不知道Zemax里怎么设置非序列路径；通义千问能背出非线性薛定谔方程，但算不出光纤耦合效率的实测偏差。Optics GPT不一样——它的训练数据来自中科院上海光机所、中国电科第11所、华为光模块研发团队等一线单位的真实项目记录，包括失败的仿真、被拒的论文审稿意见、工程师手写的调试笔记。

它不是“背答案”，而是学会了“像人一样思考”。比如，当用户问“为什么这个镀膜方案在高温下容易脱膜”，它不会只答“热膨胀系数不匹配”，而是会说：“你用的是Al2O3/TiO2多层膜，但没考虑基底的热应力累积。建议改用SiO2缓冲层，参考2023年长光所的《光学精密工程》第5期，他们用同样结构在85℃下连续运行了2000小时没失效。”

六个真实场景，它比通用模型强在哪？

为了验证效果，交大团队联合国内七家光学企业，搭建了涵盖六大实际场景的评测体系：

• 基础理论：光量子纠缠态的相位匹配计算，误差控制在0.3%以内
• 前沿技术：光子晶体波导的拓扑边界态模拟，准确率超92%
• 工程应用：自由曲面镜头的公差分配优化，节省平均37%的试制成本
• 系统诊断：从激光器输出光斑畸变图，自动定位是准直镜偏心还是晶体应力
• 仿真辅助：输入需求参数，自动生成可行的FDTD仿真结构，减少建模时间80%
• 教学辅助：为本科生生成带注释的光学设计实验报告模板，被复旦、浙大纳入实验课参考

在所有测试中，Optics GPT在专业任务上的准确率平均高出GPT-4o、Claude 3等主流模型28%以上，尤其在涉及材料参数、工艺限制、实验误差等“隐性知识”上，表现远超通用模型。

小模型，大用处：不靠算力，靠经验

很多人以为AI模型越大越好，但Optics GPT只用了80亿参数——不到GPT-3的1/10，却能在普通工作站、甚至工业平板上流畅运行。这意味着：

• 中小光学企业不用买昂贵的GPU集群，也能用上顶尖的仿真辅助工具
• 产线工程师在车间里用手机就能查光学设计规范
• 高校实验室不再依赖国外商业软件，所有代码、数据、训练流程完全自主可控

更关键的是，它不“瞎编”。模型训练全程使用脱敏后的国产科研数据，不接入公网，不调用海外API，所有输出可追溯、可验证。一位参与测试的某光通信企业研发主管说：“以前用国外工具，问个材料参数，它给你一堆英文文献，但不确定是不是真适合我们的工艺。现在问Optics GPT，它直接告诉你‘这个参数在我们2022年做的100次实验里，只有3次成功，建议别用’。”

正在改变的，不只是工具

在中科院上海光机所，一位年轻研究员告诉我：“以前我花三个月调一个激光腔，现在三天就能出三个可行方案，剩下的时间，我用来做真正创新的事——比如设计一种新结构，而不是重复试错。”

Optics GPT不是要取代工程师，而是让那些埋头做重复计算、查资料、调参数的人，能腾出手来思考更重要的问题：怎么让激光器更稳定？怎么让量子通信距离再突破100公里？怎么让国产光学元件不再被“卡脖子”？

它不是一个炫技的AI产品，而是一把被磨了三年的工具——锋利、可靠、只对真正懂行的人说话。