文 | 颜璇
来源 | 智能相对论（ID：aixdlun）
1956年，“人工智能”这一概念被首次提出，自此以后，历经六十多年沉浮至今，人工智能一共经历了两次浪潮。
第一次浪潮基于“if- then”结构，建立在人工设定的形式逻辑基础上；第二次浪潮则是我们现在比较常见的，基于大数据驱动，借助统计学方法、模拟神经网络等来实现计算机的自主学习。
从这两波浪潮的转变中，我们发现，AI的本质就是计算，算法控制着数据的流动并实现所谓的“智能”。计算，无疑是人工智能发展中最为重要的一环。而现在，人工智能的计算走到哪里了呢？
光速运算，解决AI训练的成本难题
近日，OpenAI对不同时期最大型的AI试验所消耗的计算量进行了调查分析。结果发现，跟6年前相比，AI训练所需的计算量整整增长了30倍，相当于每3.5月就翻番。
图为AI训练所需的计算量（单位千亿次浮点运算）
图片来源：OpenAI分析报告
计算量不断增加，其实并不是一件坏事，因为这代表着AI 的能力也在与日俱增，但是，计算力的提升也让AI的训练成本不断增加。拿目前大家都知道的AlphaGo Zero举例，这是目前最大规模的AI实验，其成本可能是1000万美元。如果试验计算量持续增长，其成本每1.1-1.4年就会增加一个数量级。按照这个趋势，在5-6年的时间内，这个实验的成本将达到2000万美元。
除非存在有一些非常强大的AI技术能带来大规模的经济回报，否则，要想维持AI的计算趋势，保证下一个“阿尔法狗”能被“喂养”出来，经济产出就要以每年一个数量级的速度来增长。这还只是就目前的情况而言，谁也无法保证AI计算趋势在未来不会上涨得更快。
所以，目前摆在企业和政府面前的难题是，如何加快AI运算速度，满足人工智能研究中日益增长的计算量。
谈起速度，目前宇宙中最快的速度是光速，光的传播速度是 30 万公里每秒，如果可以让AI的 神经网络中的信号以光速传播，运算速度是否也能相应提高呢？
近日，来自加州大学洛杉矶分校（UCLA）的研究人员利用 3D 打印技术打印出了固态的神经网络，并且利用层级传播的光衍射来执行计算，并达到了图像识别手写数字的效果。
图为衍射 神经网络（D^2NN）架构
图片来源：《science》
用光来执行运算其实与机器学习的经典算法之一——线性回归算法有着某种天然的合契，线性回归一般是根据连续变量来估计实际数值，而光的振幅、相位都属于可以调整的变量，这也是AI光速运算与传统计算机电路中电场传播所区别的地方。该项技术的发展，相信能为AI计算成本的不断降低和量产化目标带来助力。
用光执行运算，意味着什么？
随着技术落地，当光速运算技术被真正应用，会对人工智能有哪些改变呢？智能相对论（ID：aixdlun）分析师颜璇认为，其在以下两个方面会有较大突破。
“黑匣子”成为了阳光下的“玻璃箱”
如果说人类是AI的“上帝”, 那么人类给AI的只是“生命”组合的规则，而真正的演化却是由AI自己完成的。
在初始阶段，AI的认知是十分有限的，它在不断地试错中寻求最佳结果，从而涌现出某种程度的智能。从人类的角度来讲，我们在AI认知的过程中是缺席的，在 学习的框架下，我们“知其然而不知其所以然”，这就是著名的“黑匣子”问题。
AI预测你将在50年后死亡，你却不知道它运作的原理；无人驾驶的汽车撞上公路旁的护栏，你也不知道问题究竟出在哪里，只能送回原厂，修改全盘的算法。
让AI拥有了光，“黑匣子”的问题或许就能迎刃而解了。要知道，AI运算虽然是看不见摸不着的数字，但光的衍射却是实实在在的物理现象，如果将模型的预测过程固化为物理表示，就可以清楚地观察到人工智能运算的过程。
在用光执行运算的实验中，UCLA 的研究人员研发出了一个 3D 打印 AI 分析系统。这一系统可以通过光线的衍射来分析人工智能。研究人员也表示，通过改变相位和振幅，人工智能中每个“神经元”都将是可调的。
2. AI 的“养成”游戏：强人工智能的开启
强人工智能（有知觉和自我意识，且能推理和解决问题的智能机器）究竟能否实现？
有人预测，在21世纪内将出现能够与人类智能水平相当的AI。而这种预测的立场来源于一种建立在还原论基础上的计算主，其基本观点是认为物理世界、生命过程甚至人类心智都是算法可计算的。
人类的大脑就像一台计算机在运作，只要能够模拟出人类大脑的计算规则，我们就能够建立至少与人类水平相当的智能机器。当然了，这里面暗藏一个假设，即人类的全部意识均是大脑的计算产物。
如何创造出一个强人工智能， 我们或许就可以从人脑的计算量入手。这里有一个自然的假设，就是如果我们创造出一个AI，从零岁起就能够有足够的计算能力去模拟人类大脑运行18年，并以足够细的颗粒度去捕捉大脑的智力表现，这个AI能否像一位18岁的成年人一样解决问题？
而这个计算量有多大呢？模拟大脑一秒钟所需的每秒峰值速度（FLOPS，也称作“每秒浮点运算次数”）有很多测算，比如AI Impact收集的数据得出的中位数是1018 FLOPS，范围在3×10^13FLOPS与1×10^25FLOPS之间。运行这样的模拟18年相当于700万Petaflop。
而AI技术不断发展，其颗粒度只会更加细微，计算量也会更加大。如果能用光执行运算，无疑是为这一畅想提供了一项可行的技术。
光速运算的“硬伤”
用光来执行运算固然是革新了神经网络的计算方式，但是，这种方法本身还是有着一些问题。
首先，在上文提到的实验中，光的运算是建立在固化的神经网络的基础上，因此，当 学习已经完成训练，并且将所有参数的值都确定下来，继而利用3D打印技术进行固化，打印出的神经网络就不能再被编程。
其次，打造一个能实现按需处理任务的超高精度衍射板是非常困难的，在解决了计算训练成本的难题时，很难说这个新技术不会带来硬件研发的成本难题。除了制作工艺外，还有硬件安装和环境稳定性的难题。
诚然，新技术的应用仍需要一段时间，用光来执行运算究竟能否满足高速增长的AI计算趋势，还需要我们积极探索。
随着计算问题的解决，人工智能也必将取得长足发展。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
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。
