原標題：光速運算的突破，將為人工智能帶來哪些可能

文 | 顏璇

來源 | 智能相對論（ID：aixdlun）

1956年，“人工智能”這一概念被首次提出，自此以后，歷經六十多年沉浮至今，人工智能一共經歷了兩次浪潮。

第一次浪潮基于“if- then”結構，建立在人工設定的形式邏輯基礎上；第二次浪潮則是我們現在比較常見的，基于大數據驅動，借助統計學方法、模擬神經網絡等來實現計算機的自主學習。

從這兩波浪潮的轉變中，我們發(fā)現，AI的本質就是計算，算法控制著數據的流動并實現所謂的“智能”。計算，無疑是人工智能發(fā)展中最為重要的一環(huán)。而現在，人工智能的計算走到哪里了呢？

光速運算，解決AI訓練的成本難題

近日，OpenAI對不同時期最大型的AI試驗所消耗的計算量進行了調查分析。結果發(fā)現，跟6年前相比，AI訓練所需的計算量整整增長了30倍，相當于每3.5月就翻番。

圖為AI訓練所需的計算量（單位千億次浮點運算）

圖片來源：OpenAI分析報告

計算量不斷增加，其實并不是一件壞事，因為這代表著AI 的能力也在與日俱增，但是，計算力的提升也讓AI的訓練成本不斷增加。拿目前大家都知道的AlphaGo Zero舉例，這是目前最大規(guī)模的AI實驗，其成本可能是1000萬美元。如果試驗計算量持續(xù)增長，其成本每1.1-1.4年就會增加一個數量級。按照這個趨勢，在5-6年的時間內，這個實驗的成本將達到2000萬美元。

除非存在有一些非常強大的AI技術能帶來大規(guī)模的經濟回報，否則，要想維持AI的計算趨勢，保證下一個“阿爾法狗”能被“喂養(yǎng)”出來，經濟產出就要以每年一個數量級的速度來增長。這還只是就目前的情況而言，誰也無法保證AI計算趨勢在未來不會上漲得更快。

所以，目前擺在企業(yè)和政府面前的難題是，如何加快AI運算速度，滿足人工智能研究中日益增長的計算量。

談起速度，目前宇宙中最快的速度是光速，光的傳播速度是 30 萬公里每秒，如果可以讓AI的深度神經網絡中的信號以光速傳播，運算速度是否也能相應提高呢？

近日，來自加州大學洛杉磯分校（UCLA）的研究人員利用 3D 打印技術打印出了固態(tài)的神經網絡，并且利用層級傳播的光衍射來執(zhí)行計算，并達到了圖像識別手寫數字的效果。

圖為衍射深度神經網絡（D^2NN）架構

圖片來源：《science》

用光來執(zhí)行運算其實與機器學習的經典算法之一——線性回歸算法有著某種天然的合契，線性回歸一般是根據連續(xù)變量來估計實際數值，而光的振幅、相位都屬于可以調整的變量，這也是AI光速運算與傳統計算機電路中電場傳播所區(qū)別的地方。該項技術的發(fā)展，相信能為AI計算成本的不斷降低和量產化目標帶來助力。

用光執(zhí)行運算，意味著什么？

隨著技術落地，當光速運算技術被真正應用，會對人工智能有哪些改變呢？智能相對論（ID：aixdlun）分析師顏璇認為，其在以下兩個方面會有較大突破。

“黑匣子”成為了陽光下的“玻璃箱”

如果說人類是AI的“上帝”, 那么人類給AI的只是“生命”組合的規(guī)則，而真正的演化卻是由AI自己完成的。

在初始階段，AI的認知是十分有限的，它在不斷地試錯中尋求最佳結果，從而涌現出某種程度的智能。從人類的角度來講，我們在AI認知的過程中是缺席的，在深度學習的框架下，我們“知其然而不知其所以然”，這就是著名的“黑匣子”問題。

AI預測你將在50年后死亡，你卻不知道它運作的原理；無人駕駛的汽車撞上公路旁的護欄，你也不知道問題究竟出在哪里，只能送回原廠，修改全盤的算法。

讓AI擁有了光，“黑匣子”的問題或許就能迎刃而解了。要知道，AI運算雖然是看不見摸不著的數字，但光的衍射卻是實實在在的物理現象，如果將模型的預測過程固化為物理表示，就可以清楚地觀察到人工智能運算的過程。

在用光執(zhí)行運算的實驗中，UCLA 的研究人員研發(fā)出了一個 3D 打印 AI 分析系統。這一系統可以通過光線的衍射來分析人工智能。研究人員也表示，通過改變相位和振幅，人工智能中每個“神經元”都將是可調的。

2. AI 的“養(yǎng)成”游戲：強人工智能的開啟

強人工智能（有知覺和自我意識，且能推理和解決問題的智能機器）究竟能否實現？

有人預測，在21世紀內將出現能夠與人類智能水平相當的AI。而這種預測的立場來源于一種建立在還原論基礎上的計算主，其基本觀點是認為物理世界、生命過程甚至人類心智都是算法可計算的。

人類的大腦就像一臺計算機在運作，只要能夠模擬出人類大腦的計算規(guī)則，我們就能夠建立至少與人類水平相當的智能機器。當然了，這里面暗藏一個假設，即人類的全部意識均是大腦的計算產物。

如何創(chuàng)造出一個強人工智能， 我們或許就可以從人腦的計算量入手。這里有一個自然的假設，就是如果我們創(chuàng)造出一個AI，從零歲起就能夠有足夠的計算能力去模擬人類大腦運行18年，并以足夠細的顆粒度去捕捉大腦的智力表現，這個AI能否像一位18歲的成年人一樣解決問題？

而這個計算量有多大呢？模擬大腦一秒鐘所需的每秒峰值速度（FLOPS，也稱作“每秒浮點運算次數”）有很多測算，比如AI Impact收集的數據得出的中位數是1018 FLOPS，范圍在3×10^13FLOPS與1×10^25FLOPS之間。運行這樣的模擬18年相當于700萬Petaflop。

而AI技術不斷發(fā)展，其顆粒度只會更加細微，計算量也會更加大。如果能用光執(zhí)行運算，無疑是為這一暢想提供了一項可行的技術。

光速運算的“硬傷”

用光來執(zhí)行運算固然是革新了神經網絡的計算方式，但是，這種方法本身還是有著一些問題。

首先，在上文提到的實驗中，光的運算是建立在固化的神經網絡的基礎上，因此，當深度學習已經完成訓練，并且將所有參數的值都確定下來，繼而利用3D打印技術進行固化，打印出的神經網絡就不能再被編程。

其次，打造一個能實現按需處理任務的超高精度衍射板是非常困難的，在解決了計算訓練成本的難題時，很難說這個新技術不會帶來硬件研發(fā)的成本難題。除了制作工藝外，還有硬件安裝和環(huán)境穩(wěn)定性的難題。

誠然，新技術的應用仍需要一段時間，用光來執(zhí)行運算究竟能否滿足高速增長的AI計算趨勢，還需要我們積極探索。

隨著計算問題的解決，人工智能也必將取得長足發(fā)展。

【完】

智能相對論（微信id:aixdlun）：深挖人工智能這口井，評出咸淡，講出黑白，道出vb深淺。重點關注領域：AI+醫(yī)療、機器人、智能駕駛、AI+硬件、物聯網、AI+金融、AI+安全、AR/VR、開發(fā)者以及背后的芯片、算法、人機交互等。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。