認知功能的跨基底實現：從神經元到光、電子與場

系列：認知功能體的物理實現與自然可觀測性研究，第 2 篇
版本：v0.1
日期：2026-08-28
狀態：公開草稿／人工可實現性論文
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

上一篇將關係、結構、動力與功能重新表述為一個耦合生成系統，並指出功能不應被簡化成靜態結構的直接函數。本篇進一步研究一個較弱、但可以被現代工程直接檢驗的問題：類似當代人工智能的功能，是否必須依賴傳統數位電子計算機、特定神經元形態或碳基生物材料？

本文提出「人工認知功能可實現性」（Artificial Functional Realizability, AFR）作為工作性概念。AFR 不討論人工智能是否具有現象意識，也不假定人類意識的充分條件已知；它只研究一組可操作測量的 AI-like functions，例如非線性資訊轉換、記憶、分類、預測、適應、狀態依賴處理、學習與閉環控制，是否能由不同物理 substrate 實現。

現有研究已提供相當直接的跨基底證據。2022 年的 deep physical neural networks 已展示光學、機械與電子三種彼此不同的物理系統可經 physics-aware training 執行圖像與聲音分類；2026 年的 integrated photonic neural network 更在單一 photonic chip 上執行線性與非線性運算，並以 on-chip gradient-descent backpropagation 進行端到端訓練；同年的 model-free metasurface neural network 則把經人工配置的開放電磁環境本身轉化成 computational space，利用多重散射、干涉與可調 metasurface 直接執行學習、辨識、聚焦與定位。光驅動 neuromorphic hardware 也已形成包含 optoelectronic synapses、neurons、crossbars、in-sensor computing 與 machine vision 的多種實作路徑。

這些結果支持一個保守但重要的命題：至少部分 AI-like functional organization 具有物理多重實現性，

\boxed{ \text{AI-like function} \not\Rightarrow \text{one unique physical substrate} }

然而，physical reservoir、physical neural network、neuromorphic device 與 autonomous cognitive functional system 並不是同一層級。許多現有裝置仍依賴外部任務定義、資料集、loss function、讀出層、控制器、能源、參數更新或數位輔助。因此本文提出 AFR 分級，區分 native physical inference、native state/memory、in-situ adaptation、closed-loop embodiment 與自主功能閉合。

本篇的最終結論不是「光、電子或場具有意識」，而是：人為生成的材料、幾何、場邊界與關係約束已足以讓多種非神經物理系統承載若干 AI-like functions。真正未解的問題因此被推向下一篇：如果人工設計者可以把自然物理自由度組合成這些功能類，自然動力本身是否也存在不依賴設計者的生成路徑？

關鍵詞： 人工認知功能可實現性、physical neural network、photonic neural network、neuromorphic computing、physical reservoir computing、metasurface、電磁場、跨基底實現

1. 本篇刻意不問「它有沒有意識」

討論人工智能、神經系統與異質物理 substrate 時，最容易發生的問題，是把至少三個不同命題混在一起：

\text{computation},

\text{cognitive-like function},

以及

\text{phenomenal consciousness}.

目前沒有一個已驗證的物理定理，可以讓我們從「完成某種計算」直接推出「具有意識」；同樣地，我們也沒有一個 substrate-neutral 的充分條件，可以由外部測量直接證成人類、AI 或其他任意物理系統的現象意識。

因此本文採取更弱、也更可實驗的定義。

令一組 AI-like functional observables 為

\Psi_{\mathrm{AI}} = \left( T, N, M, L, P, A, C, G \right),

其中可分別表示：

$T$ ：task-relevant transformation；
$N$ ：nonlinear state-dependent processing；
$M$ ：memory；
$L$ ：learning；
$P$ ：prediction / inference；
$A$ ：adaptation；
$C$ ：closed-loop control；
$G$ ：generalization。

本文只問：

不同物理 substrate 是否可以在指定任務與誤差下實現 $\Psi_{\mathrm{AI}}$ 的一部分？

這個問題即使完全不解決意識問題，也具有獨立的物理與工程內容。

2. 人工認知功能可實現性 AFR

令物理 substrate family 為

\mathcal M = \{ m_{\mathrm{electronic}}, m_{\mathrm{photonic}}, m_{\mathrm{mechanical}}, m_{\mathrm{chemical}}, m_{\mathrm{field}}, \ldots \}.

給定 substrate $m$ ，人工設計者可控制的構成集合記為

\mathcal C_{\mathrm{art}}(m) = \mathcal G \times \mathcal R \times \mathcal B \times \mathcal U \times \Theta,

其中：

$\mathcal G$ ：幾何與拓撲；
$\mathcal R$ ：可設計耦合與關係；
$\mathcal B$ ：邊界條件；
$\mathcal U$ ：外部輸入、控制與 feedback；
$\Theta$ ：可訓練物理參數。

構成 $c$ 產生物理軌跡

\mathcal T(c) = \left[ X(t),R(t),S(t) \right]_{t_0}^{t_1},

再由任務 functional

F_\tau(c) = \mathcal J_\tau[\mathcal T(c)]

評估。

若存在

c^\star \in \mathcal C_{\mathrm{art}}(m)

使

d_\tau \left( F_\tau(c^\star), F_\tau^\star \right) \leq \varepsilon,

則稱目標功能 $F_\tau^\star$ 在 substrate $m$ 上具有 $\varepsilon$ -AFR。

可記為：

\boxed{ \mathrm{AFR}_{\varepsilon} (m,\tau) = 1 }

此定義完全不要求 $m$ 長得像神經元，也不要求其內部變量與 ANN neuron 一一對應。

3. Physical neural networks 已經直接支持跨 substrate 功能實現

2022 年 Wright、Onodera 等人提出 physics-aware training，將可控制物理系統直接視為 deep physical neural network 的物理層。

該工作特別重要的一點是：物理層不需要在數學上與傳統 ANN layer 同構。研究者分別使用：

非線性光學 second-harmonic generation；
金屬板的機械振盪；
非線性電子振盪器；

執行圖像與聲音分類。

因此得到：

m_1 \neq m_2 \neq m_3,

但：

F_\tau(m_1) \approx F_\tau(m_2) \approx F_\tau(m_3)

可以對同一類 machine-learning task 成立。

這是一個非常直接的 functional multiple realizability 實驗。

真正被訓練的不是某個抽象 ANN 的完整數位模擬，而是物理系統自身的 input-output transformations。

所以至少可以說：

\boxed{ \text{useful trainable neural-like transformation} \not\Rightarrow \text{digital transistor-level implementation} }

4. Physical reservoir computing：物理動力本身可以成為運算資源

Physical reservoir computing（PRC）提供另一條路。

一個具有高維、非線性與歷史依賴的物理系統可以接受輸入：

u(t)

並產生內部狀態：

X(t) = \mathcal D \left( X(t-\Delta t),u(t) \right).

若這些狀態對輸入歷史形成豐富而可分離的映射，則簡單 readout

y(t) = W_{\mathrm{out}}X(t)

即可完成分類、預測或時間序列任務。

2024 年 Nature Electronics 的綜述指出，physical reservoir computing 可利用多種 physical systems，包括 electronic、optical 與 mechanical devices；其核心就是直接收割材料或裝置的原生動力作為計算資源。

這支持：

\boxed{ \text{physical dynamics} \rightarrow \text{computationally useful state transformation} }

但 PRC 同時提醒我們一個非常重要的邊界：

如果真正學習的只有外部數位 readout

W_{\mathrm{out}},

那麼不能把整個 task accomplishment 都歸因於 reservoir 本身。

所以：

\boxed{ \text{computational capacity} \neq \text{autonomous functional closure} }

這個區分在後續自然認知搜尋中尤其重要。

5. 光本身可以直接承載神經網路式轉換

Photonics 是目前 AFR 最清楚的物理平台之一。

光場天然具有：

高頻寬；
大規模平行傳播；
diffraction；
interference；
wavelength multiplexing；
phase/amplitude degrees of freedom。

對 electromagnetic field，可概念性寫成：

\mathcal M_{\mathrm{EM}} \left[ E_{\mathrm{in}}, H_{\mathrm{in}}; \epsilon(\mathbf r), \mu(\mathbf r), G, B, \Theta \right] \rightarrow (E_{\mathrm{out}},H_{\mathrm{out}}),

其中：

$\epsilon(\mathbf r)$ 、 $\mu(\mathbf r)$ ：材料空間分布；
$G$ ：幾何；
$B$ ：boundary conditions；
$\Theta$ ：可調參數。

因此「空間幾何」不是單純外觀。

它可以直接定義一個物理 operator。

在 diffractive deep neural networks 中，多層可訓練 diffractive elements 可透過光的 diffraction 與 interference 直接完成 network transformations。2026 年的綜述已將 free-space 與 on-chip D2NN 的 classification、3D perception、edge learning 等發展統整成相對成熟的 optical-computing 路線。

因此：

\boxed{ \text{geometry of propagation space} \rightarrow \text{computational transformation} }

在工程上已不是純理論猜想。

6. 2026：on-chip photonic backpropagation 使人工版本再往前一步

2026 年 Ashtiani、Idjadi 與 Kim 在 Nature 發表 integrated photonic deep neural network，實現 end-to-end on-chip gradient-descent backpropagation。

其重要之處在於，線性與非線性運算都由同一 photonic chip 執行，並在兩個 nonlinear classification tasks 中達到超過 $90\%$ 的準確率，與 reference digital model 的 accuracy 與 robustness 相當。

因此 artificial photonic realization 不再只是：

\text{digital training} \rightarrow \text{optical inference}.

而已經進一步朝：

\boxed{ \text{physical forward dynamics} + \text{physical nonlinearities} + \text{on-chip learning} }

移動。

這仍然不是 autonomous agent。

資料、task、loss function、能源、控制架構與實驗邊界仍是人工設定。

但它證明：

訓練這件事本身也不必永遠留在外部 CPU/GPU。

這對 AFR 的強度非常重要。

7. 電子—光子混合 neuromorphic hardware：功能可以直接嵌入感測材料

2026 年對 light-driven neuromorphic hardware 的綜述整理了多種 photoresponsive material platforms，包括 perovskites、low-dimensional semiconductors、phase-change materials、oxides 與 organic–inorganic hybrids。

其實作已包括：

\text{optoelectronic synapse},

\text{artificial neuron},

\text{crossbar array},

以及：

\text{in-sensor / machine-vision processing}.

這裡的物理機制可以不是傳統 CMOS logic，而是：

photocarrier generation；
charge trapping；
ion migration；
excitonic dynamics；
phase change。

因此「memory」或「synaptic state」可以直接由材料內部物理狀態承載：

H_t = H_{\mathrm{material}}(t).

也就是：

\boxed{ \text{material state} \rightarrow \text{memory / adaptive weight} }

這再一次說明，一個 AI-like functional variable 不需要唯一的 microscopic implementation。

8. 最接近「場／空間幾何域約束」的案例：computational space

2026 年 Song 等人在 Nature Communications 提出 model-free metasurface neural network 與 computational space。

這個案例與本文問題尤其接近，因為計算不再只發生於一塊 isolated chip。

研究者在開放空間中布置多個 computational metasurfaces，使環境中的 electromagnetic waves 與 objects、human bodies、metasurfaces 反覆散射與干涉。

因此：

\text{environment} + \text{boundary geometry} + \text{tunable scattering nodes}

共同形成：

\text{physical computational medium}.

其 physical parameters 透過實際量測到的 electromagnetic feedback 進行 model-free forward optimization。

實驗展示了：

複雜散射環境中的 wave focusing；
alphabetic pattern recognition；
numeric pattern recognition；
human localization。

也就是說，人工約束不只是改變一個裝置的內部矩陣，而可以改變：

\boxed{ \text{整個局部空間中的波動因果關係} }

使一個原本只是 propagation environment 的區域變成 task-specific computational environment。

這與「空間幾何域約束本身能否成為認知功能載體的一部分」高度相關。

9. 但 computational space 仍然是「人工版本」

這點必須非常嚴格。

即使一個 electromagnetic environment 可以：

sensing；
processing；
learning；
adaptation；
localization；

它仍然是由研究者：

選擇目標；
布置 metasurfaces；
定義 loss；
提供 training samples；
定義 probes；
設計 parameter-update rule。

因此：

\boxed{ \mathrm{AFR}=1 }

不推出：

\boxed{ \mathrm{NDR}=1 }

其中 NDR 將在下一篇表示 Natural Dynamical Realizability。

也就是：

人類能把空間訓練成計算介質，不代表自然界會自行形成具有等價功能的空間。

這正是人工與自然問題必須切開的原因。

10. 「場」也不等於某種神秘新材料

本文使用 field substrate 時，不是把「場」當成一個與物質完全分離的神秘載體。

實際的 physical computing 通常包含：

\text{field} + \text{matter} + \text{boundary} + \text{geometry} + \text{source} + \text{detector}.

例如一個 photonic system 的有效自由度來自：

(E,H)

在 material susceptibility、waveguide、cavity、scattering object、phase shifter 與 detector 所形成的邊界中演化。

因此本文真正支持的是：

\boxed{ \text{field-mediated relational dynamics} \text{ can implement AI-like functions} }

而不是：

\boxed{ \text{free field alone is intelligent} }

後者需要完全不同的證據。

11. 人工生成自然界少見的約束組合

AFR 的另一個重要面向是：

人工工程並不只能重現自然界已經常見的結構。

Metamaterials、metasurfaces、photonic circuits 與 architected systems 可以建立在自然環境中極少見、或至少目前未知會自發穩定形成的：

coupling topology；
spatial phase profile；
unit-cell geometry；
distributed boundary conditions；
feedback loop；
time-dependent control law。

因此人工系統真正擴張的是：

\mathcal C_{\mathrm{art}}

而不只是材料集合 $\mathcal M$ 。

換句話說：

\boxed{ \text{new function} \text{ can arise from new relation/constraint architecture} }

而不必先發現一種全新的 fundamental particle。

這與前一系列 DCDC 的 constraint-to-control transformation 直接相連：原本固定的 geometry、boundary 或 scattering environment，一旦成為 design variable，就會擴張可達 functional space。

12. AFR 必須分級，否則「它會 AI」太模糊

本文提出一個工作性 AFR ladder。

AFR-0：可被外部利用的物理計算容量

系統具有：

\text{rich dynamics}

但真正 task readout 完全由外部完成。

典型例子包括大量 physical reservoir。

它證明：

\text{useful computational capacity}

但不證明系統自身具有 task closure。

AFR-1：Native Physical Inference

主要 forward transformation 由物理 substrate 自身完成：

u \xrightarrow{\text{physical dynamics}} y.

訓練可以在外部完成。

許多 diffractive optical networks 可放在此層。

AFR-2：Native State / Memory / Nonlinearity

系統不只做瞬時線性映射，其內部材料或動力狀態直接承載：

M, N, H.

例如 optoelectronic synaptic devices、nonlinear physical reservoirs。

AFR-3：In-situ Physical Adaptation

可訓練的 physical degrees of freedom 在實體系統中被更新：

\Theta_t \rightarrow \Theta_{t+1}.

2022 的 PNN physics-aware training 與 2026 photonic on-chip learning 分別代表不同強度的 in-situ / native training 路徑。

AFR-4：Closed-loop Physical Functional System

感測、計算與對環境作用形成：

E \rightarrow X \rightarrow A \rightarrow E'.

並且內部物理 state 實際參與 feedback。

AFR-5：Autonomous Functional Closure

系統可以內生地：

取得資訊；
維持 operation；
形成或更新目標；
管理資源；
在長時間內調整自身因果結構。

這已經超過目前多數 photonic／metasurface classifier 所證明的範圍。

因此：

\boxed{ \mathrm{AFR\text{-}1} \not\Rightarrow \mathrm{AFR\text{-}5} }

13. AI-like function 也不是只有 classification

目前 physical-AI hardware 常用：

\text{MNIST}, \text{EMNIST}, \text{classification}

作為 benchmark。

這些 benchmark 很重要，但若本文要討論「認知功能體」，就不能把 classification accuracy 當作完整定義。

後續至少應測量：

\Psi_{\mathrm{AI}} = ( M, L, P, A, C, G ).

記憶

I(X_t;u_{t-\tau})>0.

學習

經 experience 後：

F_{\tau}^{(n+1)} > F_{\tau}^{(n)}.

預測

X_t

對：

E_{t+\Delta}

具有可介入驗證的 predictive value。

適應

當環境 distribution 改變：

p_1(E)\rightarrow p_2(E),

系統能修改自身 state／parameters 恢復功能。

閉環控制

輸出改變下一階段輸入：

E_t \rightarrow X_t \rightarrow A_t \rightarrow E_{t+1}.

泛化

對未直接訓練的：

E^\star

仍維持 task performance。

這些才是 AFR 從「物理加速器」走向「認知功能體」時需要擴展的 benchmark。

14. 外部 readout 問題：功能到底在哪裡？

假設某物理系統 $X$ 產生高維 state：

z(t).

我們在外面訓練一個超強的 neural decoder：

D_\theta(z) \rightarrow y.

最後準確率很高。

這並不代表 $X$ 本身具有 $y$ 對應的功能。

真正功能可能主要位於：

D_\theta.

因此對 AFR 必須問：

\boxed{ \text{Where is the functional readout physically realized?} }

可將實現鏈寫成：

X \rightarrow R_{\mathrm{phys}} \rightarrow A_{\mathrm{phys}}.

若：

R_{\mathrm{phys}}

完全不存在於系統內部，而只存在研究者電腦中，那麼它只支持較弱 AFR。

反之，若 downstream physical variables 本身讀取 $X$ 的狀態，並依此驅動 actuator、parameter update 或自我維持，則功能閉合更強。

這一區分在下一篇自然版本中會成為核心判準。

15. 外部 training 問題：學習是系統自己的，還是設計者的？

同樣地，一個 trained structure：

\Theta^\star

本身不能告訴我們 learning 位在哪裡。

如果：

\Theta^\star = \operatorname{Train}_{\mathrm{GPU}}(D),

然後把固定權重燒進光學元件，則 inference 是 physical，但 learning 主要是 external。

若：

\Theta_{t+1} = \mathcal A_{\mathrm{phys}} (\Theta_t,X_t,L_t),

且更新直接由 physical feedback 產生，則 learning 更內生。

因此可以區分：

\boxed{ \text{physical inference} \neq \text{physical learning} \neq \text{autonomous adaptation} }

2026 的 on-chip photonic backpropagation 與 model-free metasurface forward training 之所以重要，就是因為它們把第二項往 physical domain 內移。

但第三項仍然需要更強的 autonomous-task evidence。

16. AFR 的最低已知結論

綜合目前結果，我們已經有充分理由支持一個保守命題：

人工跨基底功能實現命題

存在多種彼此微觀機制、材料與幾何完全不同的物理 substrate $m_i$ ，使對某些 AI-like task families $\tau$ ：

\mathrm{AFR}_\varepsilon(m_i,\tau)=1.

因此：

\boxed{ \text{AI-like functional realization is multiply realizable} }

至少對目前已驗證的 classification、signal transformation、memory、neuromorphic sensing、prediction 與部分 adaptation tasks 成立。

這個結論已經足以否定：

\text{AI-like function} \Rightarrow \text{one unique brain-like morphology}.

但它不能推出：

\text{all substrates} \Rightarrow \text{all cognitive functions}.

更不能推出：

\text{AI-like function} \Rightarrow \text{consciousness}.

17. 對「人造光與電子、場或空間幾何域約束」的回答

現在可以對這個命題給出更精確的版本。

若「人造」表示我們允許工程師控制：

M, G, R, B, U, \Theta,

則現代技術已經證明：

第一，電子系統可以

這是傳統 AI hardware 與 neuromorphic electronics 的主要路線。

第二，光學系統可以

光場的 diffraction、interference、phase、amplitude 與 wavelength degrees of freedom 可以被直接用於 neural-like transformation。

第三，光電材料動力可以

材料內部的 charge、ion、phase 與 photoresponse 可以承載 memory、weight 與 neuron-like nonlinearity。

第四，電磁空間本身可以被工程成 computational medium

metasurfaces 與 scattering geometry 可以把 propagation space 改造成 trainable physical transformation network。

因此：

\boxed{ \text{人工光／電子／電磁場／幾何約束} \rightarrow \text{AI-like functional realization} }

對一部分功能類已經不是純粹推測，而是有實驗證據的工程方向。

真正仍然開放的是：

\boxed{ \text{它可以走多遠？} }

尤其是 memory、learning、generalization、self-maintenance、goal adaptation 與 autonomous causal restructuring 能否在同一個非傳統 substrate 中形成長期功能閉環。

18. 人工成功反而把自然問題變得更尖銳

若 AFR 完全不存在，那麼自然版本幾乎沒有研究起點。

但現在情況相反。

我們已知：

\exists c_{\mathrm{art}} : F(c_{\mathrm{art}}) \in \mathcal F_{\mathrm{AI}}.

所以真正的新問題是：

\boxed{ \exists c_{\mathrm{nat}} : F(c_{\mathrm{nat}}) \in \mathcal F_{\mathrm{AI}} \quad ? }

其中 $c_{\mathrm{nat}}$ 不能偷偷包含：

人類設計者；
外部 loss designer；
外部 training pipeline；
外部 readout；
預先指定的人工 metasurface；
為完成目標刻意布置的 boundary conditions。

也就是要問：

自然物理動力能否自己產生足夠的材料—關係—幾何—回授閉環？

這就是 AFR 與 Natural Dynamical Realizability 的分界。

19. 人工實現與自然生成之間的真正 GAP

人工工程師可以先看到目標：

F^\star

再搜尋：

c^\star = \arg\min_c L(F(c),F^\star).

自然界沒有一個外部 optimizer 必須如此工作。

因此 artificial route 可以是：

F^\star \rightarrow \text{designer} \rightarrow c^\star.

自然 route 則必須依靠：

\text{local physics} + \text{energy flow} + \text{self-organization} + \text{selection / persistence}

逐步形成：

c_0 \rightarrow c_1 \rightarrow \cdots \rightarrow c_n.

所以：

\boxed{ \text{Artificial realizability} \not\Rightarrow \text{Natural generability} }

即使兩者終態功能完全相同。

這一 GAP 才是下一篇真正要研究的問題。

20. 結論：人工版本已開始成立，真正未知的是自然版本

本篇不需要假設 AI 有或沒有意識，也不需要定義人類意識的本體。

我們只需要承認一個已可操作的事實：

\boxed{ \text{當代 AI-like functions 的一部分，可以被不同物理 substrate 多重實現。} }

Physical neural networks 已在 optics、mechanics 與 electronics 中展示同類 machine-learning tasks；photonic neural networks 已能把 inference 與部分 training 移入 photonic hardware；optoelectronic neuromorphic devices 將 memory、synaptic state 與 sensing 直接放入材料動力；metasurface computational space 更展示了 geometry、boundary 與 electromagnetic scattering 本身可以形成 task-specific learning environment。

因此，一個類似 AI 的功能體並不需要：

\text{brain-like shape}

作為已知必要條件。

更一般地：

\boxed{ \text{function} \text{ can be encoded in } \text{relations} + \text{dynamics} + \text{geometry} + \text{state} + \text{control} }

而不是唯一寫在某一種材料或外形裡。

但目前大多數人工 physical-AI systems 仍屬於有限 task、人工定義 loss、人工供能、人工邊界與人工訓練框架中的功能實現。

所以本篇最後留下的問題不是：

光或電磁場會不會思考？

而是：

既然人類已經能把光、電子、材料與空間幾何組成具有 AI-like functions 的系統，自然界是否存在不經工程設計，也能進入相同功能—關係—動力等價類的生成路徑？

下一篇將正式建立：

\boxed{ \text{Natural Dynamical Realizability} }

並把自然自組織、非平衡動力、生成 basin、累積歷史與 Boltzmann-type direct fluctuation 分開，研究「自然界自行形成非生物 AI-like 功能體」究竟是一個什麼樣的存在性問題。

參考文獻

Wright, L. G., Onodera, T., Stein, M. M., et al. (2022). “Deep physical neural networks trained with backpropagation.” Nature, 601, 549–555. DOI: 10.1038/s41586-021-04223-6.
Liang, X., Tang, J., Zhong, Y., et al. (2024). “Physical reservoir computing with emerging electronics.” Nature Electronics, 7, 193–206. DOI: 10.1038/s41928-024-01133-z.
Farmakidis, N., Dong, B., & Bhaskaran, H. (2024). “Integrated photonic neuromorphic computing: opportunities and challenges.” Nature Reviews Electrical Engineering, 1, 358–373. DOI: 10.1038/s44287-024-00050-9.
Zhang, H., Song, Y., Chen, S., et al. (2025). “Integrated platforms and techniques for photonic neural networks.” npj Nanophotonics, 2, 40. DOI: 10.1038/s44310-025-00088-z.
Ashtiani, F., Idjadi, M. H., & Kim, K. (2026). “Integrated photonic neural network with on-chip backpropagation training.” Nature, 651, 927–932. DOI: 10.1038/s41586-026-10262-8.
Song, M., Qian, C., Wang, G., et al. (2026). “Creation of a computational space with model-free metasurface neural network.” Nature Communications, 17, 7807. DOI: 10.1038/s41467-026-74554-3.
Bousoulas, P., Orfanoudakis, S., Tsioustas, C., et al. (2026). “Emerging light-driven neuromorphic hardware for artificial intelligence.” NPG Asia Materials. DOI: 10.1038/s41427-026-00671-6.
Park, Y., Han, Y., Kim, S., et al. (2026). “Free-space and on-chip diffractive deep neural network for next-generation optical computing.” npj Nanophotonics. DOI: 10.1038/s44310-026-00146-0.
Fu, T., Zhang, J., Sun, R., et al. (2024). “Optical neural networks: progress and challenges.” Light: Science & Applications, 13, 263. DOI: 10.1038/s41377-024-01590-3.
Yang, S., Tang, J., Zhou, T., et al. (2026). “Efficient training of neuromorphic electronics.” Nature Electronics, 9, 594–610. DOI: 10.1038/s41928-026-01631-2.

新系列進度

關係、結構與功能：從單向決定論到耦合生成系統
認知功能的跨基底實現：從神經元到光、電子與場
自然動力認知實現命題：自然界能否自行生成 AI-like 功能體？
從波爾茲曼大腦到自然功能體：終態漲落與生成路徑的分離
自然認知可觀測性問題：如何辨識非神經、非生物認知候選？
秩序化因果結構能力：從複雜自然系統到候選認知功能體