如今機器學習系統到處都是，但它或多或少是隱形的。它隱藏在后臺優化音頻，或在圖像中識別人臉。但這個新系統不僅是可見的，而且是物理的。它不是通過計算數字，而是通過彎曲光線來進行AI型分析。它怪異且獨特，但和人們的第一感覺恰恰相反，它反而很好地證明了這些“人工智能”系統是多么的簡單。

機器學習系統，我們常把它稱作人工智能的一種形式，其核心是一系列基于數據的計算，每一組數據都是構建于最后一個反饋或循環中。計算本身并不是特別復雜，盡管它們不是你想的那種用鋼筆和紙做的數學運算。最終，所有這些簡單的數學計算最終會把輸入的數據與它“學會”識別的各種模式匹配。

但問題是，一旦這些“層”最終被“訓練”完成，在許多方面，它就會反復地執行相同的計算。通常這意味著它可以優化，從而不會占用太多的空間或CPU資源。但是來自加州大學洛杉磯分校的研究人員表明，它確實可以被固化，這些層本身就是3d打印的透明材料層，它們被復雜的衍射圖樣印在上面，就像數學運算時要把數字寫下來一樣。

如果這有點麻煩的話，想一個機械計算器。如今，這一切都是在計算機邏輯中數字化完成的，但在過去，計算器使用的是實際的機械部件移動，在某種程度上，這種“衍射深層神經網絡”和以下情況很像：它使用和操作數字的物理表示，而不是電子表示。

正如研究人員所說：在給定層上的每個點都可以傳輸或反射射入的波，它代表一個人工神經元，通過光學衍射與下面層的其他神經元相連。每個“神經元”都可通過改變相位和振幅來調節。

“我們的全光學深度學習框架，能夠以光速完成計算機神經網絡可以實現的各種復雜功能。它的功能非常多，而且速度很快，這項技術在世界上也非常先進，”研究人員在描述他們的系統的論文中寫道。

為了證明這一點，他們訓練了一個深入的學習模型來識別手寫數字。一旦發現它是最終的，他們采取的層次矩陣數學，會將它轉換成一系列光學轉換。例如，一層可能是通過將兩層的光線重新聚焦到下一層的一個區域，并將值相加來實現的——真正的計算要復雜得多，但希望你能理解。

通過在印版上安排數以百萬計的微小變換，進入一邊的光線從另一端發出，這樣系統就能以超過90%的準確度分辨出它是1 2 3等等。

你問這有什么用？事實上現在還沒有。但是神經網絡是一種非常靈活的工具，它完全有可能使系統識別字母而不是數字，使光學字符識別系統完全在硬件上工作，而幾乎不需要功耗或計算。為什么不需要基本的人臉或圖形識別，不需要CPU？那在你的相機里會有多大用處呢？

這里真正的限制是制造型的：很難用精確的精度來制造衍射板，并完成一些更苛刻的加工。畢竟，如果你需要計算到小數點后第七位，但是打印出來的版本只精確到第三位，這時你就會遇到麻煩。

這只是一個概念證明——事實上對于巨型數字識別機器的需求并不迫切——但這是一個非常有趣的機器。這一想法可能會對相機和機器學習技術產生影響，在現實世界而不是數字世界中構造光線和數據。它可能感覺是在倒退，但也許只是鐘擺在往相反的方向擺動。

審核編輯 黃昊宇