(图片来源：ktsdesign/Shutterstock)大脑中的信号以大约每秒 390 英尺的速度在神经元之间跳跃。而光的速度，则是一秒钟 186,282 英里。想象一下，如果我们也能如此敏捷，那将是多么神奇。而计算机正朝着这个方向发展。周四，加州大学洛杉矶分校的研究人员公布了一种 3D 打印的光学神经网络，它能够让计算机以光速解决复杂的数学计算。换句话说，我们根本无法与之匹敌。抛开夸张的说法，研究人员认为这种计算技术可以将支撑当今许多人工智能应用的数学基础——机器学习算法——提升到一个全新的水平。
计算机化的大脑
深度学习是人工智能研究和应用领域发展最快的领域之一。机器学习让 Facebook 能够识别你和你的朋友；它让计算机能够从人体组织图像中诊断癌症；它决定了你的信用评分。如果你的工作属于“文书工作者”一类，AI 可能会让你失业。人工神经网络之所以能与大脑相提并论，是因为其算法的数学逻辑与科学家们认为的大脑功能相似。在有血有肉的大脑中，我们有错综复杂的神经元网络，它们执行两种功能之一：“放电”或不“放电”；它们是二元的。但如果将 1000 亿个神经元连接在一起，形成一个相互交织、无限缠结的思维意大利面条状的混合体，你就拥有了一台非常强大的计算机。人工神经网络的工作原理与此相似，但其“神经元”只是高度简化的数学方程——输入数据，进行计算，然后输出结果。人工神经网络包含成千上万个这样的数学神经元，它们被排列成层。当一个神经元执行计算时，它会将结果传递给下一层的神经元，下一层的神经元再执行计算，并将结果依次传递下去。研究人员通过向人工神经网络输入大量的特定任务解决方案来训练它们，例如识别树木的图片。通过向神经网络展示树木的图像——即解决方案——算法会“学会”什么是树。在这个过程中，算法会自动调整每个神经元的数学计算，直到输出与训练集中的解决方案匹配。当计算机识别出一个物体时，它只是输出一个以概率形式呈现的数学解决方案（例如，该物体是树的概率为 95%）。
AI 引擎
要让一个人工神经网络真正发挥作用，需要巨大的计算能力。而目前，计算能力的“V8 发动机”相当于图形处理单元（GPU）。这些小小的电路板是视频游戏之所以画面精美的功臣，它们加速了渲染图像所需的快速数学计算。如果你将这些 GPU 串联起来，就可以成倍提升它们的算力，用于挖掘加密货币或运行人工智能程序。难怪这些东西目前供不应求。但是，仔细想想，即使是市面上最顶级的 GPU，仍然是用硅和铜制造的。信息以电脉冲的形式沿着复杂的电路板高速公路传输。但是，由加州大学洛杉矶分校的邢林（Xing Lin）领导的研究人员，3D 打印了一个多层神经网络，它通过光脉冲来传递信息。通过光来发送信息，而不是通过金属导线上的电脉冲，这就像是选择开车或乘飞机去目的地。当然，研究人员并没有完全取代 GPU。他们的光学神经网络只执行识别任务——整个训练过程都是通过计算机完成的。也就是说，这还不是一个完整的系统，但这是一个开端。为了展示其设备的性能，他们通过输入 55,000 张从零到九的数字图像来训练算法，使其能够识别手写数字。然后，他们用 10,000 张新图像测试了该光学神经网络。它以 91.75% 的准确率正确识别了这些图像，以光速执行了计算。**工作原理**研究人员表示，光学网络不是通过调整每个神经元的数学计算，而是通过改变每个神经元处光的相位和幅度来调整其神经元。并且，在每个神经元处，其解决方案不是 1 或 0，而是通过传输或反射接收到的光到下一层。研究人员于周四在《科学》杂志上发表了他们的发现。研究人员将 AI 硬件推向了一个有趣的新方向，因为他们认为可以将光学神经网络与计算机配对，使它们协同工作，分担负载。研究人员相信，这些被称为衍射深度神经网络（D2NN）的组件，可以使用先进的 3D 打印技术轻松扩展，增加额外的层和神经元。另一个优点是：D2NN 非常节能，这一点很重要，因为目前的 GPU 消耗大量电力并产生大量热量。将 GPU 和光学 D2NN 结合起来，将为未来的 AI 应用——例如，在你新闻feed中识别俄罗斯的宣传信息——提供一个更快、更节能引擎。
