3D打印+机器学习，这款数字识别系统通过弯曲光线进行AI分析

如今机器学习系统到处都是，但它或多或少是隐形的。它隐藏在后台优化音频，或在图像中识别人脸。但这个新系统不仅是可见的，而且是物理的。它不是通过计算数字，而是通过弯曲光线来进行AI型分析。它怪异且独特，但和人们的第一感觉恰恰相反，它反而很好地证明了这些“人工智能”系统是多么的简单。

机器学习系统，我们常把它称作人工智能的一种形式，其核心是一系列基于数据的计算，每一组数据都是构建于最后一个反馈或循环中。计算本身并不是特别复杂，尽管它们不是你想的那种用钢笔和纸做的数学运算。最终，所有这些简单的数学计算最终会把输入的数据与它“学会”识别的各种模式匹配。

但问题是，一旦这些“层”最终被“训练”完成，在许多方面，它就会反复地执行相同的计算。通常这意味着它可以优化，从而不会占用太多的空间或CPU资源。但是来自加州大学洛杉矶分校的研究人员表明，它确实可以被固化，这些层本身就是3d打印的透明材料层，它们被复杂的衍射图样印在上面，就像数学运算时要把数字写下来一样。

如果这有点麻烦的话，想一个机械计算器。如今，这一切都是在计算机逻辑中数字化完成的，但在过去，计算器使用的是实际的机械部件移动，在某种程度上，这种“衍射深层神经网络”和以下情况很像：它使用和操作数字的物理表示，而不是电子表示。

正如研究人员所说：在给定层上的每个点都可以传输或反射射入的波，它代表一个人工神经元，通过光学衍射与下面层的其他神经元相连。每个“神经元”都可通过改变相位和振幅来调节。

“我们的全光学深度学习框架，能够以光速完成计算机神经网络可以实现的各种复杂功能。它的功能非常多，而且速度很快，这项技术在世界上也非常先进，”研究人员在描述他们的系统的论文中写道。

为了证明这一点，他们训练了一个深入的学习模型来识别手写数字。一旦发现它是最终的，他们采取的层次矩阵数学，会将它转换成一系列光学转换。例如，一层可能是通过将两层的光线重新聚焦到下一层的一个区域，并将值相加来实现的——真正的计算要复杂得多，但希望你能理解。

通过在印版上安排数以百万计的微小变换，进入一边的光线从另一端发出，这样系统就能以超过90%的准确度分辨出它是1 2 3等等。

你问这有什么用？事实上现在还没有。但是神经网络是一种非常灵活的工具，它完全有可能使系统识别字母而不是数字，使光学字符识别系统完全在硬件上工作，而几乎不需要功耗或计算。为什么不需要基本的人脸或图形识别，不需要CPU？那在你的相机里会有多大用处呢？

这里真正的限制是制造型的：很难用精确的精度来制造衍射板，并完成一些更苛刻的加工。毕竟，如果你需要计算到小数点后第七位，但是打印出来的版本只精确到第三位，这时你就会遇到麻烦。

这只是一个概念证明——事实上对于巨型数字识别机器的需求并不迫切——但这是一个非常有趣的机器。这一想法可能会对相机和机器学习技术产生影响，在现实世界而不是数字世界中构造光线和数据。它可能感觉是在倒退，但也许只是钟摆在往相反的方向摆动。