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，無疑是人工智能發展中最為重要的一環。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，這是目前最大規模的AI實驗，其成本可能是1000萬美元。如果試驗計算量持續增長，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”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的神經網絡，并且利用層級傳播的光衍射來執行計算，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別的地方。該項技術的發展，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。

在用光執行運算的實驗中，UCLA 的研究人員研發出了一個 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的成本難題。除了制作工藝外，還有硬件安裝和環境穩定性的難題。

誠然，新技術的應用仍需要一段時間，用光來執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+醫療、機器人、智能駕駛、AI+硬件、物聯網、AI+金融、AI+安全、AR/VR、開發者以及背后的芯片、算法、人機交互等。