（图片来源：CC0 Public Domain）
当下，人工智能和机器学习正以润物无声的方式深刻地影响着我们的生活。例如，使用人工智能和机器学习的应用可以通过Netflix和Spotify等主流媒体平台向我们推荐我们可能会喜欢的娱乐内容。在不远的将来，这些技术将会通过进一步的实践应用对社会产生更大的影响，比如说，驾驶全自动汽车，助力复杂的科学研究，还有促进医学发现。
但是用于人工智能和机器学习技术的计算机需要大量能量。目前，与这些技术相关的计算需求大概每三到四个月就要翻一倍。全球人工智能和机器学习应用所使用的云计算数据中心每年消耗的电能甚至已经超过了一些小国家。显然，这种水平的电力消耗不符合可持续发展原则。
华盛顿大学领导的一个研究团队针对人工智能和机器学习开发了一种新型光学计算机硬件，它比传统的电子型运算速度更快，也更加节能。该研究同时还解决了另一个难题——光学计算中固有的、会影响计算精度的“噪声”（noise）。
华盛顿大学电子与计算机工程专业教授李墨（左）和研究生Changming Wu（右）领导了一个跨学科、多机构的研究团队，构建了这个光学计算系统。（图片来源：摄影师Ryan Hoover）
在一篇于1月21日发表在《科学进展》（Science Advance）的文章中，该团队展示了一种用于人工智能和机器学习的光学计算系统，不仅能减弱这种固有的光学噪声，甚至还可以将一部分噪声作为输入，使之有助于增强系统内部人工神经网络输出的创造性。“我们已经开发出了一种比传统数字计算机更快的光学计算机。”华盛顿大学（University of Washington, UW）电子与计算机工程专业（electrical and computer engineering，ECE）的博士生，文章的第一作者Changming Wu说道，“此外，在大多数研究人员试图减少光学噪声时，这种光学计算机却可以利用光学噪声产生的随机输入来创造新事物。”
光学计算噪声主要来源于设备内部激光运行以及环境热辐射产生的杂散光粒子或光子。为了追踪光学噪声，研究人员将他们的光学计算核与一种称作“生成式对抗网络”（Generative Adversarial Network，GAN）的特殊机器学习网络连接起来。
华盛顿大学电子与计算机工程专业领导的研究团队的集成光学计算芯片及其生成的“手写”数字。（图示来源：Changming Wu）
该团队测试了几种削弱噪声的技术，包括将光学计算核产生的噪声用作GAN网络的随机输入。例如，该团队为GAN网络指定了像人类一样手写数字“7”的学习任务。光学计算机不能简单地按照要求的字体输出数字。它需要像孩子一样，通过观察手写样例并不断练习来学习完成这一任务，直到能够正确地写出数字。当然，光学计算机没有人用来写字的双手，因此它“手写”的方式是生成和它所学习的样例具有相同书写风格但又并不与其完全一致的数字图像。
“我们并不是训练这个网络去读取手写数字，而是训练它去学习写出这种数字，即模仿用于训练的手写图片样本。”华盛顿大学电子与计算机工程专业的教授，文章的通讯作者李墨说道，“在杜克大学（Duke University）计算机科学领域合作伙伴的帮助下，我们还表明，GAN网络可以通过使用一种对误差和噪声具有鲁棒性的训练算法，来削弱光学计算机硬件产生的噪声的影响。不仅如此，该网络实际上把噪声作为生成输出所需要的随机输入。而在学习了来自人工智能标准训练图像集的数字“7”手写样本后，GAN网络会练习写“7”直到能成功写出。在此期间，它将形成自己独特的书写风格，并可以通过计算机模拟写出数字0到10。
进一步的研究包括使用当前的半导体制造技术建造一个规模更大的仪器。因此，相比于在实验室中更新下一代设备，研究团队计划利用工业半导体代工厂实现晶圆层面上的技术。大规模装置将会进一步优化性能并允许研究团队进行比生成手写数字更复杂的任务，比如说创作艺术作品和音乐。
“这种光学系统代表了一种计算机硬件结构，可以增强用于人工智能和机器学习的人工神经网络的创造性。但更重要的是，它表明了这一系统在大规模情况下的可行性，噪声和误差均可以被削弱甚至再利用。”李墨说道，“人工智能发展如此迅速，以至于未来我们难以长时间负担它们的电力消耗。这一技术能够帮助减少能量消耗，使得人工智能和机器学习更符合环境可持续发展理念，并且在不远的将来实现更高的整体性能。”
翻译：王馨仪
审校：王嘉钰
引进来源：华盛顿大学（University of Washington）
京公网安备11010502039775号
