做了这么多年光学设计这两年总被问一个问题AI寻优算法到底能不能替代传统光学设计优化问的人从刚入行的师弟到做产品的老板都有。说实话这类问题问多了以后我反而越来觉得答案没那么重要真正值得搞清楚的是两种思路在底层逻辑上到底哪里分岔了。标题里我先放了三个词山谷、钥匙、画师。它们分别对应优化问题的误差地形、初始结构、以及工程师的判断力。这篇文章就围绕这三个词展开把AI寻优算法和传统光学设计优化的本质差异掰开揉碎讲清楚。文章不算短但如果你真的在做光学系统设计或者打算用算法进入这个领域我建议你耐心看完。读完你会明白哪些环节AI已经能做得比人好哪些环节它连门都还没摸到。1. 三个比喻先把光学设计的全景图立起来1.1 山谷误差地形其实没有路标任何光学系统归根到底就是一组参数的事。镜片曲率半径、厚度、材料折射率、阿贝数、非球面系数、空气间隔再加上物距、入瞳直径、视场角这些使用条件全部确定以后理论上这个系统的成像质量就已经被决定了。优化要干的事就是在这组参数构成的高维空间里找一个点让成像质量最好。怎么衡量最好行业通用做法是定义一个评价函数通常包含波前差RMS、光斑半径RMS、MTF在某些空间频率处的值、畸变百分比、色差等指标每个指标按需求加权最终合成一个标量。这个标量越小系统性能越好。于是整个设计问题就变成了在参数空间里找一个使评价函数最小的点。如果把这个空间想象成一块地形参数是经纬度评价函数值是海拔那你就是在黑暗中找这片地形的最低谷。真实的光学评价函数地形是什么样非线性、非凸、多模态到处是坑。有些坑很浅有些坑很深但它们之间往往隔着高墙。你站在某个山头上看根本不知道远处那个深谷到底在哪。更麻烦的是这个地形不是光滑的某些参数边界附近可能直接塌陷评价函数瞬间从几十跳到几千系统彻底无法成像。理解了这个山谷后面所有关于算法的讨论才有了土壤。1.2 钥匙设计起点里藏着一半胜负传统光学设计里经验的价值首先体现在选初始结构上。拿到一个需求老师傅会先去翻专利库、镜头库或者凭脑子里的记忆找一组成接近的结构参数作为起点。这个初始结构就是标题里的钥匙。它不是最终解但它决定了优化过程从哪片区域开始探索。在传统局部优化里钥匙的重要性怎么强调都不过分——算法从哪个坑出发基本就注定你最后会停留在哪个坑底。钥匙对了后面顺水推舟钥匙不对你转断手也打不开门。很多老工程师嘴上说设计是七分选型三分优化说的就是这个道理。同一个指标要求用不同初始结构去跑同一台优化器出来的结果可能差一个数量级。这种对起点的敏感是传统优化方法最让新人头疼的地方也恰恰是经验最值钱的地方。1.3 画师藏在算法之外的判断力有了钥匙有了优化器就够了吗远不够。实际做设计的时候一轮优化跑完输出一个结果有经验的工程师不会直接拿着去投产。他会做一堆算法不会主动做的事看镜片光焦度分配是否极端看各个视场的像差平衡得是否合理预估公差灵敏度过一遍加工工艺是否现实。发现问题就手动调一调某些参数的边界、改一改评价函数的权重、甚至换一个镜片材料然后重新跑优化。这个人工干预-重新优化的循环有时候要重复几十轮。我把这种能力比作画师算法负责把画布填满但构图、配色、留白这些真正决定作品品质的判断来自画师。传统光学设计的完整链条从来不是输入参数-输出设计的单向过程而是人机协同的迭代循环。AI寻优算法的出现本质上是想在这三个环节里动刀用数据代替经验去生成钥匙用统计模型重塑对山谷的搜索方式用更智能的策略分担一部分画师的工作。接下来逐个拆。2. 传统光学设计优化半世纪老手艺的看家本领和死穴2.1 评价函数是全部法律的源泉想理解传统优化第一个绕不开的概念是评价函数Merit Function。它的典型形式大致是这样MF sqrt( Σ w_i * ( V_i_current - V_i_target )^2 / Σ w_i )其中每一项都是一个性能指标比如某视场的波前RMS、某空间频率的MTF值、畸变百分比w_i是权重V_i_target是目标值。优化器的工作就是让MF尽可能小。这里有个很容易被忽略的细节评价函数里每一项的量纲完全不一样有的量级是微米有的是百分比有的是无单位的MTF值。所以传统软件里都会有一套归一化和权重调整机制这直接决定了优化器更看重哪条像差。同一个初始结构你调整一下权重最后可能收敛到完全不同的解。评价函数一旦定下来整个优化任务的法律就定下来了。后面所有算法都是在这个法律框架内找最佳解。2.2 阻尼最小二乘法局部优化的心脏传统局部优化的核心算法是阻尼最小二乘法DLSZemax和Code V里最常见的local optimization就是这套思路的工程实现。它的数学内核可以用一个式子概括Δp (J^T J λI)^(-1) J^T r读起来很吓人拆开看并不复杂。J是雅可比矩阵表示每个评价项对每个设计参数的偏导数r是当前结构与目标之间的残差向量λ是阻尼因子。算法每一步都根据当前点的梯度信息计算一个新的参数增量Δp然后往前走一步。λ这个阻尼因子是整个算法的精髓。λ调大算法趋近于梯度下降步长小、走得稳不容易震荡但收敛慢λ调小算法趋近于高斯牛顿法收敛很快但容易越过非线性区域导致发散。优秀的软件实现里λ是自适应变化的当前步迭代成功就适当减小让收敛更快当前步振荡就增大让步伐更保守。DLS的优点是计算高效、局部收敛能力强、工程鲁棒性好缺点是它本质上是贪心搜索对初始结构极其敏感。你给它一个不好的起点它大概率把你带进一个浅坑然后告诉你已经收敛到局部最小值。这句话对设计师来说翻译过来就是请重新找钥匙再来一次。2.3 全局优化跳坑、爬山与碰运气为了对付局部极小值传统软件里也发展出了各种全局优化策略。模拟退火、遗传算法、粒子群优化这些词搞算法的都很熟。模拟退火的核心思想很形象开始时温度很高优化器有较大概率接受一个比当前更差的解就像烧红的铁一样活跃随着温度降低接受劣解的概率越来越小系统逐渐冷却最终趋向稳定。这种允许暂时变差的机制就是为了从一个小山谷里跳出来去看看外面的地形。遗传算法则是模拟生物进化。一组候选解组成种群每次迭代按照适应度进行选择、交叉、变异生成下一代。粒子群的逻辑更简单粗暴让一群解在参数空间里飞行每个粒子记住自己见过的最好位置同时向群体最好的位置靠拢。Zemax里的Global Optimization、Hammer优化Code V里的Global Synthesis都是这类思路的商业集成。它们确实比单纯DLS强太多了但代价是极其恐怖的计算量。一个4片式塑料镜头的设计全科学全局优化的完整运行可能要跑几天甚至几周期间CPU全程满载风扇嘶吼。更扎心的是跑完这么长的全局搜索结果依然不能保证是全局最优。算法的随机性决定了你换一个随机种子可能得到完全不同的解。传统全局优化本质上是在用计算时间去换跳出局部坑的概率。这个概率从70%提到98%花的代价可能是指数级的。2.4 传统方法里那个隐藏游戏很多没有实际做过光学设计的人把传统优化理解成软件自动跑一跑就完了。这是最大的误解。真正的传统设计流程里设计者才是主导者。我自己的日常工作经常是在Zemax和Excel、MATLAB之间来回切写一个宏去批量改变某个镜片的厚度范围跑一轮优化看结果再调整非球面系数的上限值再跑。一轮轮下来评价函数曲线的走势会告诉我哪些变量是敏感的、哪些变量是虚胖的。这个过程里积累的经验构成了画师的知识库。比如我拿到一个设计就知道第三片镜片光焦度太强会导致后组像差急剧恶化所以优化时宁可让它稍微偏离最优值再比如当MTF曲线在高频段掉得厉害时首先该检查的不是优化器而是非球面项是不是给少了导致高阶像差没人压制。这些判断没有一个写在算法代码里但它们对最终设计质量的影响往往超过了优化器本身。传统方法硬生生训练出了一批光学直觉极好的画师这既是它的护城河也是AI要攻下的城墙。3. AI寻优算法换了种方式找山谷、配钥匙、替画师3.1 先把概念厘清AI寻优到底包含哪些东西聊AI寻优之前必须先分清什么是AI什么是传统算法。遗传算法、粒子群这类无启发式算法虽然常被叫智能算法但它们在1990年代就成熟了核心逻辑是随机采样加选择压力没有从数据里学习的过程。严格意义上它们属于随机优化不算AI。我这里说的AI寻优指的是有学习过程、能从数据中提取模式的方法。在光学设计领域目前落地比较多的有四类代理模型加速、强化学习搜索、生成模型直接出结构、学习式优化器。下面逐个讲。3.2 代理模型把光线追迹从毫秒拉到微秒级光学设计最痛的瓶颈是光线追迹慢。一个稍微复杂点的系统一次追迹要跑几十万条光线在Zemax里要几秒到几十秒。全局优化跑几千轮累计就是几天几夜。代理模型的想法非常直白找一个人工神经网络先让它大量学习结构参数到成像性能的映射关系训练完成后它就可以在毫秒甚至微秒级预测给定结构的评价函数值替代慢速物理仿真。具体流程是这样先用拉丁超立方采样或随机采样生成几千到几十万个候选结构用Zemax或者Code V批量追迹这些结构得到对应的性能标签然后训练一个深度神经网络输入是镜片曲率、厚度、材料等参数输出是MTF曲线或者评价函数分量训练好的网络就变成一个快速但有一定误差的评估器。在我的项目里代理模型可以把搜索效率提升一到两个数量级。原本几千轮的全局优化在几天内完成用代理模型做筛选后再回到真实仿真器精修总时间压缩到原来的五分之一甚至十分之一是常态。但代理模型有个天生的坑预测误差。模型在训练集覆盖的区域预测比较准一旦搜索步越过训练样本的分布范围预测值可能严重失真。你拿着一个代理模型的优秀解回到Zemax里去验证结果评价函数直接爆表。所以稳妥的工程做法是代理模型初筛真实仿真器终审绝不能全程依赖代理。3.3 强化学习把设计过程当成一连串决策强化学习的思路是把光学设计看成一个马尔可夫决策过程当前的结构参数加上性能指标是状态调整某些参数是动作评价函数的改善量是奖励。智能体通过不断与环境也就是仿真器交互学习一套策略给定当前状态应该往哪个方向调参数。实际实现中PPO这类算法用得比较多。它的好处是一旦策略网络训练好了进行推理时速度非常快能够像老设计师一样连续地、基于当前状况去调整参数而不是每次都从头计算梯度。听起来很美但落地的时候问题很重。光学设计动作空间巨大——几十个变量每个变量可能是连续值这意味着智能体需要探索的空间是几十维的连续空间。在我自己跑的实验里从零开始训练一个RL agent做镜头优化前几千步完全是在乱试奖励曲线跟心电图一样。哪怕简化到只调整五个曲率半径训练收敛也要花费大量时间。所以现在做强化学习光学设计的团队普遍采用一个取巧方案不让agent从随机初始状态开局而是从一个经典初始结构附近开始探索动作限定在小范围内微调。这么一来RL才勉强能产出真正可用的结果。这也从侧面说明就算号称智能AI目前也绕不开初始结构这个钥匙。3.4 生成模型直接造一把钥匙最激进也最具想象力的AI寻优路线是用生成模型直接输出结构。VAE、GAN还有最近很火的扩散模型都可以用来做这件事。做法是收集几万组优秀的光学设计数据每组包含结构参数和它对应的规格条件训练一个条件生成模型输入是需求规格焦距、F数、视场角、总长输出是一整套镜片参数。训练完成后你就等于拥有一个按需生成初始结构的引擎。生成的初始结构再交给传统局部优化器去精修。这个路线在超表面、衍射光学等微纳光学结构设计里效果尤其明显因为这类结构动辄包含数万、数十万个几何参数传统优化根本无从下手。而在常规镜头设计里生成模型主要被用来造更好的钥匙把设计师从翻专利库里解放出来。不过生成模型的短板也非常明显它只能生成与训练数据分布相似的解。你给一个训练集里从未出现过的极端规格比如超短焦、超大视场、特殊光谱要求组合生成结果可能完全不能用。数据驱动的本质决定了它很难真正创造一个分布之外的新世界。3.5 两种信息源的底层差异把传统优化和AI寻优放在一起看最本质的差别其实不是算法而是信息从哪里来。传统优化每一步都基于当前的物理评估。哪怕是最简单的DLS梯度也是通过真实光线追迹算出来的每一行数据背后都有严格的物理定律在背书。这个特性决定了传统方法非常稳——只要追迹程序不出bug结果一定是物理可靠的但缺点是慢而且每次评估都要回到那个昂贵的物理仿真器上。AI寻优很大一部分步骤建立在统计推断上。代理模型预测某个结构好是因为它从训练数据里学到一个统计规律并不真正知道光在系统里是怎么走的。这个特性让AI极快也让AI拥有了从全局样本中提取模式的能力但一旦推理跳出了训练分布的边界它就失去了物理约束结果可能从根上就是错的。传统方法慢却稳AI方法快但会漂。搞清楚这个差异你就不会盲目迷信AI也不会轻易否定它。4. 一个定焦镜头设计任务的正面PK传统与AI各自的路数4.1 案例规格与总体思路光讲理论不过瘾我拿一个具体的实战例子来说话。项目需求设计一枚F数为2.8、全视场角60度、总长不超过12mm、适配1/2.3英寸传感器的4片式塑料非球面定焦镜头。对焦距离覆盖从1m到无限远尽可能在全视场范围内做到MTF在90lp/mm处超过0.3。这是一个很典型的消费类光学项目难度中等偏上既有成熟的参考架构又有明确的体积约束和性能要求。非常适合用来比较传统优化和AI寻优的完整流程。两条路线的目标一致但执行的逻辑完全不同。4.2 传统路线选型、缩放、局部优化、人工微调传统做法我大概用了两个工作日。第一步是找钥匙。从专利库和内部镜头库里筛出三到四个4片式或5片式的相近结构按目标焦距做比例缩放再用Zemax自动把焦距调到设计要求。这一步非常关键选对了结构后面会省很多事。第二步是球面优化。先锁定镜片数量和光焦度分配关掉非球面项用DLS把球面系统优化到极限。此时MTF通常很差但能把整个结构的位置关系理顺得到一个稳定初始点。第三步是逐步引入非球面。先放开最靠近光阑那片镜片的非球面项优化一两轮再依次放开其他镜片的非球面参数。这个过程不能急一次放太多非球面项会让优化器直接陷入混沌评价函数乱跳很难收敛。第四步是锤优化。Zemax的Hammer Optimization在DLS基础上加了全局搜索的变种我用它配合自定义的评价函数跑一个轮次大约五六个小时后得到一个局部极佳的候选结构。然后进入人工画师阶段逐个检查各个视场的像差曲线、畸变范围、离焦特性、公差灵敏度针对短板调整评价函数权重再优化。这个循环我重复了三轮。最终结构达到MTF在90lp/mm处全视场大于0.32畸变小于1.2%总长11.6mm公差在量产可接受范围内。整体体验是稳每一步都有数但确实慢且高度依赖我个人的经验积累。4.3 AI路线生成候选、代理筛选、真实精修AI路线我选择了一个相对保守的组合方案条件VAE生成初始结构 代理网络初筛 DLS精修。说实话纯RL方案在这个项目上不太值得去试训练成本太高收敛也极度不稳定。数据准备阶段花了大部分精力。我从公开专利库和过去项目里整理了约3500组四片式塑料镜头结构每个结构附带规格条件标签焦距、F数、视场角、总长、后焦。数据清洗时发现一个最头疼的问题各种命名不统一材料名有中文有英文有编号非球面系数的数量也不一致。我一共建了两天数据管线才把它们统一成一个完整向量。训练阶段条件VAE的隐空间设为128维编码器输入的是长度为64的向量结构参数非球面系数条件是5维的规格向量。跑了200个epoch训练集和验证集的reconstruction error都不错。之后我把生成器当作造钥匙机针对本项目规格生成了2000个候选结构。代理模型是一个三层的全连接网络输入是结构向量输出是预测的MTF值。在5000个真实追迹样本上训练测试集相关系数做到0.91左右。用它对2000个候选初筛挑了预测性能Top50的解再去Zemax里真实追迹验证。最后对真实性能最优的前20个解跑DLS精修每个解给不同的权重和约束耗时约三小时。最终最好的几个解与传统路线的结果几乎打平MTF略高一点总长更短。整个过程如果算上数据准备和训练总人工时间确实比传统路线更多但真正的机器时间和工程师自由度被大幅释放了。4.4 对比结果与分析从最终设计质量看AI路线与传统路线打成了平手在个别指标上AI甚至略好。但这里有一个很重要的细节AI路线之所以能打平离不开最后那道DLS精修。生成的初始结构再好没有这个局部优化做收尾直接交给生产完全不可靠。换句话说AI负责造钥匙DLS负责把钥匙插进门里拧到底。两条路线的差异在解释能力上体现得最明显。传统路线在做完设计后我可以很清楚地告诉你第三片镜片承担了多少光焦度、为什么要用这个材料的阿贝数组合、为什么视场边缘的像散要靠第四片非球面来压制。AI路线给出的最优解虽然性能很高但很多参数组合明显不像是人设计的它能用却很难被人理解、传承、维护。还有一点值得强调传统路线的工程师在20个小时里有一半时间是在思考、对比、做权衡AI路线的工程师在准备数据、调参、检查质量上的时间上也是20个小时上下但思考的内容从光学变成了数据和模型。两者的时间分配结构本质上是职业方向的问题。5. 实操避坑清单那些只有亲手做过才会懂的事5.1 AI在哪些地方最容易翻车关于AI寻优网上宣传得神乎其神实际项目里我的经验是它是一把异常锋利但不认识边界的刀下面这几个坑我每一个都真实踩过。第一个坑就是训练分布边界崩坏。生成模型给你一个很好看的初始结构各项规格都满足但拿到真实仿真器里一跑MTF直接断崖式下跌。原因通常是训练集里没有覆盖这个区域模型只是在统计学上外推了一个貌似合理的解。解决方式只有一条任何AI给出的解都必须经过真实光学仿真验证这是铁律。第二个坑是评价函数的不一致。训练生成模型和代理模型时我用的评价指标是MTF但最终设计里还要考虑畸变、公差、超温度性能。如果训练目标和你真实的考核指标不一致AI给出的结果看起来漂亮实则离落地差了十万八千里。所以工程里我会尽量构造一个复合目标或者用到了精修阶段再让传统评价函数来接管。第三个坑是数据污染。公开数据集中有很多专利结构并未经过真实加工验证也没有给出非球面系数的合理约束照单全收会把模型带偏。我后来在清洗管线里加了一步物理合理性过滤跑一遍Zemax凡是评价函数超过某个阈值的全丢掉。这一步清洗比后面换任何网络结构都有效。5.2 传统优化容易忽略的隐性成本传统优化看着稳妥但也有自己的坑。最典型的是过度优化。有些设计为了追MTF指标评价函数权重调到极其不平衡的参数区域结果MTF曲线是好看但公差稍微一松就性能崩溃。这种纸上性能在打样阶段就会被现实狠狠打脸。处理方法是每次优化收尾时必须跑一遍蒙特卡洛公差分析看看在最差公差组合下性能还剩多少。另一个隐性成本是评价函数里对玻璃材料的离散选择。玻璃不是连续变量你没法让折射率从1.62渐变到1.65只能选有限牌号。传统优化器通常先假设连续变量算出一个理论最优然后软件帮你搜近似的真实玻璃。这时候多跑几种替代组合往往比在一个组合上反复优化收益大得多。设计界的经验是优化到后期瓶颈常常不是算法而是选材这里AI其实帮我打开了一些思路用数据去找更聪明的替代组合。5.3 落地时的组合策略别二选一分层才是正解我现在的偏好是分层混合策略不搞二选一。第一层用AI做敏捷探索。用生成模型把初始结构批量造出来代理模型快速初筛再用真实仿真器对Top候选做验证。这一层负责覆盖搜索空间、跳出经验盲区成本低、速度快。第二层用传统优化做精修收敛。已经拿到一批不错的候选基础上全部交给DLS或锤优化去精修让它们在局部把性能榨干。这一层负责把AI给出的可能性转化为真正可制造的方案。第三层用人做判断。最终的公差、工艺、成本评估还是回到画师手里。AI可以告诉你什么样的解可能存在但它不知道产线上对镜片偏心公差的要求是什么样不知道良率对成本有多大影响。这些权衡短期内还是人脑的活。这套组合在一款车载镜头项目中把从立项到首版设计的时间从原来的三周压缩到了十天以内而且最终方案还比历史同类项目少用了一片镜片。这是我认为目前AI寻优在光学设计里最合理的使用方式。5.4 常见问题速查表问题排查方向解决办法生成结构在Zemax里性能崩坏训练分布外推回归真实仿真验证拒绝纯代理结论代理模型预测偏差大训练集覆盖不足增加采样的多样性用主动学习迭代补点RL训练奖励不收敛动作空间过大限定调整范围从初始结构附近起步传统优化陷入某个浅坑反复横跳阻尼因子与变量边界问题检查λ设置、限制变量范围、换全局策略MTF达标但公差极差评价函数缺公差惩罚项在评价函数中加入公差灵敏度权重设计结果无法解释生成模型的黑箱特性用降维可视化辅助结合经验人工甄别6. 写在最后的一点真实体会项目做多了以后我对AI会不会取代光学设计师这个问题已经没什么焦虑了因为答案已经写在每一次优化过程的细节里。AI寻优算法真正颠覆的是早期探索和初始结构生成这类低上限高耗时长的环节而传统光学设计优化在局部收敛、工程约束、物理可解释性上依然不可替代。我自己现在的工作流已经离不开AI辅助了但每次拿到一个AI给的惊喜解我第一件事不是高兴而是回Zemax里重新追迹一遍再像以前一样去审视它的公差、工艺和像质平衡。这套习惯从来没变过。如果说传统设计师的看家本领是那把用了半辈子的钥匙和画师般的手感那今天这个时代最好的策略是学会让AI帮你打造更多把钥匙再由你自己决定哪一扇门值得推开。