如今机器学习系统到处都是，但它或多或少是隐形的。它隐藏在后台优化音频，或在图像中识别人脸。但这个新系统不仅是可见的，而且是物理的。它不是通过计算数字，而是通过弯曲光线来进行AI型分析。它怪异且独特，但和人们的第一感觉恰恰相反，它反而很好地证明了这些“人工智能”系统是多么的简单。
机器学习系统，我们常把它称作人工智能的一种形式，其核心是一系列基于数据的计算，每一组数据都是构建于最后一个反馈或循环中。计算本身并不是特别复杂，尽管它们不是你想的那种用钢笔和纸做的数学运算。最终，所有这些简单的数学计算最终会把输入的数据与它“学会”识别的各种模式匹配。
但问题是，一旦这些“层”最终被“训练”完成，在许多方面，它就会反复地执行相同的计算。通常这意味着它可以优化，从而不会占用太多的空间或CPU资源。但是来自加州大学洛杉矶分校的研究人员表明，它确实可以被固化，这些层本身就是3d打印的透明材料层，它们被复杂的衍射图样印在上面，就像数学运算时要把数字写下来一样。
如果这有点麻烦的话，想一个机械计算器。如今，这一切都是在计算机逻辑中数字化完成的，但在过去，计算器使用的是实际的机械部件移动，在某种程度上，这种“衍射深层神经网络”和以下情况很像：它使用和操作数字的物理表示，而不是电子表示。
正如研究人员所说：在给定层上的每个点都可以传输或反射射入的波，它代表一个人工神经元，通过光学衍射与下面层的其他神经元相连。每个“神经元”都可通过改变相位和振幅来调节。
“我们的全光学 学习框架，能够以光速完成计算机神经网络可以实现的各种复杂功能。它的功能非常多，而且速度很快，这项技术在世界上也非常先进，”研究人员在描述他们的系统的论文中写道。
为了证明这一点，他们训练了一个深入的学习模型来识别手写数字。一旦发现它是最终的，他们采取的层次矩阵数学，会将它转换成一系列光学转换。例如，一层可能是通过将两层的光线重新聚焦到下一层的一个区域，并将值相加来实现的——真正的计算要复杂得多，但希望你能理解。
通过在印版上安排数以百万计的微小变换，进入一边的光线从另一端发出，这样系统就能以超过90％的准确度分辨出它是1 2 3等等。
你问这有什么用？事实上现在还没有。但是神经网络是一种非常灵活的工具，它完全有可能使系统识别字母而不是数字，使光学字符识别系统完全在硬件上工作，而几乎不需要功耗或计算。为什么不需要基本的人脸或图形识别，不需要CPU？那在你的相机里会有多大用处呢？
这里真正的限制是制造型的：很难用精确的精度来制造衍射板，并完成一些更苛刻的加工。毕竟，如果你需要计算到小数点后第七位，但是打印出来的版本只精确到第三位，这时你就会遇到麻烦。
这只是一个概念证明——事实上对于巨型数字识别机器的需求并不迫切——但这是一个非常有趣的机器。这一想法可能会对相机和机器学习技术产生影响，在现实世界而不是数字世界中构造光线和数据。它可能感觉是在倒退，但也许只是钟摆在往相反的方向摆动。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
