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）

　　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的深度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。

图为衍射深度神经网络（D^2NN）架构

　　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。

1、“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，在深度学习的框架下，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，当深度学习已经完成训练，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。