雖然有著諸多阻礙，現(xiàn)在光學(xué)計(jì)算機(jī)似乎正重新整裝待發(fā)，研究者們在測試一種新型光學(xué)計(jì)算機(jī)芯片，為人工智能設(shè)備鋪就了新的道路。

早在半個(gè)世紀(jì)前，就已經(jīng)出現(xiàn)了用光取代電子建造計(jì)算機(jī)的想法?！肮庥?jì)算”與傳統(tǒng)電子計(jì)算機(jī)相比，運(yùn)行更快，能耗更低。然而，盡管科學(xué)家殫精竭慮，研制比現(xiàn)今計(jì)算機(jī)的光學(xué)元件，生產(chǎn)切實(shí)可行的光學(xué)計(jì)算機(jī)前景依舊暗淡。雖然有著諸多阻礙，現(xiàn)在光學(xué)計(jì)算機(jī)似乎正重新整裝待發(fā)，研究者們在測試一種新型光學(xué)計(jì)算機(jī)芯片，為人工智能設(shè)備鋪就了新的道路。該類智能設(shè)備有著與自動(dòng)駕駛汽車等同的智能程度，同時(shí)又很精小，能放進(jìn)口袋。

傳統(tǒng)計(jì)算機(jī)的工作依靠電子電路交替運(yùn)行，開關(guān)嚴(yán)格與兩個(gè)數(shù)字的乘積相一致。光學(xué)計(jì)算機(jī)的運(yùn)作原理于此類似，但數(shù)學(xué)計(jì)算不再依靠電流來進(jìn)行，而是相互作用的光子束和透鏡、分束器等導(dǎo)光元件。與必須克服電阻并沿著電路迂回曲折傳輸?shù)碾娮硬煌?，光子沒有質(zhì)量，以光速行進(jìn)，一旦產(chǎn)生不會帶來額外的能量消耗。

麻省理工學(xué)院的科研人員近在 Nature Photonics 上發(fā)表了一篇論文，提出光學(xué)計(jì)算會非常有助于深度學(xué)習(xí)——推動(dòng)人工智能重要技術(shù)的進(jìn)步發(fā)展。深度學(xué)習(xí)需要的計(jì)算極其龐大：把大量數(shù)據(jù)集提供給模擬人工“神經(jīng)元”構(gòu)成的大型網(wǎng)絡(luò)，這種“神經(jīng)元”是基于人類大腦結(jié)構(gòu)設(shè)計(jì)的，但很簡略。每個(gè)人造神經(jīng)元吸收一組數(shù)字，將這些輸入進(jìn)行簡單計(jì)算并把結(jié)果傳遞給下一層神經(jīng)元。通過調(diào)節(jié)每個(gè)神經(jīng)元執(zhí)行的計(jì)算，一個(gè)人造神經(jīng)元網(wǎng)絡(luò)能學(xué)習(xí)執(zhí)行多重任務(wù)，比如識別貓，能駕駛汽車。

深度困境

深度學(xué)習(xí)已經(jīng)成為人工智能的核心，像 Google 和芯片巨頭 Nvidia 這樣的大型企業(yè)都斥資百萬研發(fā)深度學(xué)習(xí)專用芯片。人造神經(jīng)網(wǎng)絡(luò)的大部分時(shí)間都花在了“矩陣乘法”運(yùn)算上——每個(gè)神經(jīng)元把它的輸入相加，并對每個(gè)輸入賦上不同的值，這種正是芯片利用了這一優(yōu)勢。比如說，在面部識別神經(jīng)網(wǎng)絡(luò)中，有些神經(jīng)元會去尋找鼻子的特征。這些神經(jīng)元就會給那些與狹小的深色區(qū)域（比如鼻孔）相關(guān)的輸入設(shè)置更大的值，給明亮的斑塊（如皮膚）設(shè)置稍小的值，而對熒光綠這種顏色（不太可能會出現(xiàn)在鼻子上）設(shè)置的值就更低。通過將這些任務(wù)分發(fā)給上百個(gè)微小并相互獨(dú)立的處理器，專用的深度學(xué)習(xí)芯片能同步進(jìn)行加權(quán)運(yùn)算，極大提升運(yùn)算速度。

這種類型的工作負(fù)荷所需的處理能力與一臺微型超級計(jì)算機(jī)相當(dāng)。奧迪和其他制造自動(dòng)駕駛汽車的公司，相當(dāng)大手筆地在后備箱放置了整個(gè)計(jì)算機(jī)機(jī)架，但如果要給人工智能無人機(jī)或手機(jī)配備這么高的處理能力就沒那么容易了。而且即使神經(jīng)網(wǎng)絡(luò)能運(yùn)行在大型服務(wù)器農(nóng)場里，就像 Google 翻譯或 Facebook 的面部識別，這種高負(fù)荷計(jì)算消耗，電費(fèi)就能達(dá)到百萬美元。

2015 年，MIT 的博士后，也是這篇新論文的作者 Yichen Shen，試圖尋求一種創(chuàng)新的深度學(xué)習(xí)方法來解決這些能耗和尺寸問題。在此過程中發(fā)現(xiàn)了論文共同作者 Nicholas Harris 的研究。Nicholas Harris 在 MIT 攻讀電子工程和計(jì)算機(jī)科學(xué)的博士學(xué)位，構(gòu)建了一種新型光學(xué)計(jì)算芯片。雖然以前大多數(shù)光學(xué)計(jì)算機(jī)都沒有成功，Shen 意識到可以把光學(xué)芯片和傳統(tǒng)計(jì)算機(jī)進(jìn)行結(jié)合，開啟深度學(xué)習(xí)的新愿景。

復(fù)合型計(jì)算機(jī)

許多研究者很多年前就放棄光學(xué)計(jì)算了。從 1960 年代開始，貝爾實(shí)驗(yàn)室就花費(fèi)巨資研發(fā)光學(xué)計(jì)算機(jī)部件，但終他們的努力并沒有太多成效。法國上阿爾薩斯大學(xué)（Upper Alsace University）的光學(xué)計(jì)算教授 Pierre Ambs 表示，“電子晶體管的光學(xué)等同物一直沒能被開發(fā)出來”，而且光束也無法進(jìn)行基本的邏輯運(yùn)算。

與以往絕大多數(shù)光學(xué)計(jì)算機(jī)不同，Harris 開發(fā)的新型芯片并不是要取代傳統(tǒng) CPU（中央處理器）。它的設(shè)計(jì)僅僅專門用于量子計(jì)算，利用亞原子粒子的量子態(tài)進(jìn)行運(yùn)算，速度遠(yuǎn)超傳統(tǒng)計(jì)算機(jī)。在參加 Harris 舉辦的新型芯片研討會時(shí)，Shen 注意到量子計(jì)算與阻礙深度學(xué)習(xí)的矩陣乘法是等同的。他隨即意識到，深度學(xué)習(xí)也許會是讓光學(xué)計(jì)算被雪藏幾十年的“殺手應(yīng)用”。受此激發(fā)，MIT 團(tuán)隊(duì)把 Harris 的光學(xué)芯片集成到一臺普通計(jì)算機(jī)內(nèi)，讓一個(gè)深度學(xué)習(xí)程序把它的矩陣乘法運(yùn)算下發(fā)到了光學(xué)硬件上。

當(dāng)他們的計(jì)算機(jī)需要進(jìn)行矩陣乘法時(shí)——數(shù)字的加權(quán)運(yùn)算，它會首先把數(shù)字轉(zhuǎn)化成光信號，用更亮的光束代表更大的數(shù)字。這樣光學(xué)芯片就把整個(gè)大的乘法問題分解成了很多小的乘法運(yùn)算，每個(gè)小運(yùn)算都由芯片的單一“細(xì)胞”來完成。為了理解細(xì)胞的運(yùn)作，想象一下兩股水流（即輸入光束）流入其中，然后流出也是兩股。細(xì)胞就像是水閘和水泵組成的晶格，將水流分成兩股，控制水的流速，然后再將它們合在一起。通過控制水泵的速度，細(xì)胞能引導(dǎo)不同量的水進(jìn)入輸出流。

水泵的光學(xué)等效物是加熱后的硅（導(dǎo)電）通道。Harris 解釋說，加熱以后，“（硅）原子會稍微分散，導(dǎo)致光以不同的速度傳輸，”讓光波互相增強(qiáng)或抵消，就像聲波那樣。（抵消效應(yīng)就是消噪耳機(jī)工作的原理）。傳統(tǒng)計(jì)算機(jī)設(shè)置加熱器，每個(gè)細(xì)胞輸出通道流出的光流量就是輸入的加權(quán)和，加熱器決定權(quán)重大小。

要有光？

Shen 和 Harris 通過訓(xùn)練單一神經(jīng)網(wǎng)絡(luò)辨識不同元音字母的發(fā)音來測試芯片。結(jié)果只是中等水平，不好不壞。但 Shen 認(rèn)為，這是因?yàn)橹貜?fù)使用了不完全合適的器件。比如說，用于數(shù)字與光信號相互轉(zhuǎn)換的元件只是粗略地驗(yàn)證了概念的正確性，選擇它們只因?yàn)槿菀赘?Harris 的量子計(jì)算芯片集成。而根據(jù)他們在 Nature Photonics 上發(fā)表的論文，他們專為深度學(xué)習(xí)打造的計(jì)算機(jī)，性能極好，足以達(dá)到與好的傳統(tǒng)芯片同等的準(zhǔn)確度，同時(shí)降低了好幾個(gè)數(shù)量級的能耗，速度提升了 100 倍。這樣的性能甚至足以讓手持型設(shè)備具備人工智能，且只需將這種能力內(nèi)置在手機(jī)，而無需把大量工作負(fù)荷轉(zhuǎn)嫁給大型服務(wù)器，如果沒有他們的研究，這本來幾乎是不可能實(shí)現(xiàn)的。

當(dāng)然，光學(xué)計(jì)算機(jī)一波三折的發(fā)展史也留下了很多值得懷疑的地方?！拔覀儾粦?yīng)該太過興奮，”Ambs 警告道。Shen 和 Harris 的團(tuán)隊(duì)目前還沒有開發(fā)出一套完整的系統(tǒng)，Ambs 的經(jīng)驗(yàn)告訴我們，“對初級系統(tǒng)進(jìn)行跨越性的改進(jìn)絕非易事。”

即使如此，甚至 Ambs 也同意這項(xiàng)工作“與 90 年代光學(xué)處理器相比，是一個(gè)非常大的進(jìn)步”。Shen 和 Harris 也抱著同樣樂觀的態(tài)度。他們正著手組建一家初創(chuàng)公司，對該項(xiàng)技術(shù)進(jìn)行商業(yè)化，并很有信心地認(rèn)為更大型的深度學(xué)習(xí)芯片也能實(shí)現(xiàn)?，F(xiàn)有芯片的不足都能找到解決辦法，Harris 宣稱，所以“這只是一個(gè)工程上的挑戰(zhàn)，只需要找到合適的人，并真正去著手建造，一切都將迎刃而解。”
責(zé)任編輯：tzh