一百多年来，镜头设计只有一个目标：把照片拍得人眼看着清楚。这篇论文把目标换了：镜头不为任何人的眼睛优化，只为一个参数冻结的视觉大模型「认得出」优化，而且真涨了十一个百分点。
问题背景
手机镜头为什么要叠好几片玻璃？消像差、保色彩，全是围着「人眼看着清楚」转。光学领域有条省钱路线叫超表面透镜（meta-optic）：在一块比头发丝还薄的平板上刻满亚波长小结构，一片顶一摞，薄、便宜、好集成，智能眼镜和无人机都想要——代价是画面一塌糊涂，像差、色差、衍射全在，人眼没法看。
传统的补救是「端到端设计」：镜头后面接一个重建网络，把糊图修回来。隐患有二——修图网络一掺进来，涨的那几分算镜头还是算修图说不清；设备还得配算力专门修图。
可现实是，越来越多相机拍的东西根本不给人看：机器人、智能眼镜、门禁，最终「观众」是视觉大模型——在海量图文上预训练、不做针对性训练也能认东西（零样本）。模型不在乎照片好不好看，只要它特征空间里分得开。
关键转折
CODA 把镜头变成可求导的：镜面写成一张「密度图」，0 是空气、1 是材料；用时域电磁仿真算出光穿过的模糊模式，合成传感器图像；再从冻结的 CLIP（图文对齐训练出的视觉大模型）的分类误差反向求导。仿真器不在自动微分图里，穿过仿真的那段梯度由「伴随仿真」（反向运行的物理仿真，直接解出对镜头密度的梯度）补上——每次迭代 18 次仿真，笨办法要十二万次。
最关键的决定是「什么都不加」：镜头和模型之间没有去卷积、没有重建网络、没有 ISP（把传感器信号变成照片的那段相机处理），糊图原样喂给模型——涨上来的每一分都只能来自镜头本身：它学会的是优先保留模型需要的信息，而不是修好人眼想看的样子。
结果：同样被物理压到极限的超薄镜头，按传统「把能量聚进焦点」的目标设计，CLIP 零样本识别 ImageNet-100 为 53.75%；按 CLIP 自己的损失直接优化镜头，65.41%。更意外的是迁移：这颗镜头换到 SigLIP、DINOv2 和另外两个数据集上，九个组合全部占优，一次都没重调。
两个细节值得咀嚼：从零直接用模型梯度优化反而更差（47.87%），得先按传统方式聚好焦、再切模型目标——先有成像底子，再为模型偏科；而传统光学指标（焦点能量、光斑宽度）分不出这两颗镜头谁好，甚至在 CODA 的设计上更差——尺子失效了。
往哪落地
专用视觉设备（眼镜、机器人、门禁、物流）可以名正言顺放弃人眼画质：镜头更薄更便宜，还省掉修图算力。光学供应链的交付物会跟着变——从「MTF 曲线」（描述镜头清晰度的传统曲线）变成「在你那个模型上的准确率」。成像质量评价可能要长出「给机器看的镜头」这一支；而一颗人眼读不出、只为特定模型优化的镜头拍的东西算不算「照片」，取证和合规会被迫跟上。
局限与存疑
这是纯仿真工作：二维电磁仿真、三个波长直接当 RGB、没做宽带消色差、没流片——从仿真到真加工是这条路线公认的死亡之谷，单次优化还要吃四十多 GB 显存。作者划界清醒：它不如干净光学下的 88%，也不打算取代传统镜头设计；它证明的只有一件事——镜头被物理压到极限时，为模型优化是比图像质量优化聪明得多的分配方式。