机器学习如今无处不在，但它通常或多或少是不可见的：它们在后台优化音频或识别人脸。但是这个新系统不仅可见，而且是一个物体：它不是通过处理数字而是通过光的衍射来执行AI类型分析。这是奇怪而独特的，但恰恰证明了人工智能系统看起来可以多么的简单易行。

我们经常将机器学习系统看作人工智能的一种形式，其核心只是对一组数据进行的一系列计算，每个数据都建立在最后一个或反馈到循环中。计算本身并不是特别复杂，尽管它们不是你想用笔和纸做的数学。最终，所有这些简单的数学都会产生一个概率，即进入的数据与它“学会”识别的各种模式相匹配。

但事实是，一旦这些“层”被“训练”并且数学最终确定，在很多方面它会一遍又一遍地执行相同的计算。通常这意味着它可以被优化并且不会占用那么多空间或CPU功率。但来自加州大学洛杉矶分校的研究人员表明，它实际上可以固化，这些层本身就是真正的3D打印透明材料层，印有复杂的衍射图案，这些衍射图案可以对数字进行数学处理。

比如一个机械计算器，如今它都是在计算机逻辑中以数字方式完成的，但是当天计算器使用的是实际的机械部件，最多10个部分会使某些部件移动到新的位置。在某种程度上，这种“衍射深度神经网络”与之类似：它使用和操纵数字的物理表示而不是电子表示。

正如研究人员所说：给定层上的每个点或者透射或反射入射波，其表示通过光学衍射连接到后续层的其他神经元的人造神经元。通过改变相位和幅度，每个“神经元”是可调的。

研究人员发表在“Science”杂志上的论文中写道，“我们的全光学深度学习框架能够以光速执行基于计算机的神经网络可以实现的各种复杂功能。”

为了证明这一点，他们训练了一个深度学习模型来识别手写数字。一旦完成，他们采用矩阵数学层并将其转换为一系列光学变换。例如，一个图层可以通过将来自两者的光重新聚焦到下一层的单个区域来将值加在一起，但真正的计算要复杂得多。

通过在印刷板上布置数百万个这些微小的变换，进入一端的光从另一个结构出来，系统可以判断它是否为1,2,3等，准确度高于90％。

那么这有什么用？这一形式目前确实没什么用处，但神经网络是非常灵活的工具，系统识别字母而不仅限于数字是完全可能的，这使得光学字符识别系统完全在硬件中工作，几乎不需要功率或计算。为什么不是基本的面部或数字识别，没有必要的CPU？你的相机有多大用处？

这里的实际限制是制造方面：难以创建具有执行一些更苛刻的处理所需的精度水平的衍射板。毕竟，如果你需要计算小数点后七位的东西，但印刷版本只能精确到第三位，你就会遇到麻烦。

这只是一个概念证明，对于巨型数字识别机器并没什么迫切需求，但这是一个非常有趣的想法。这个想法可以证明在相机和机器学习技术中具有影响力——在物理世界而不是数字世界中构建光和数据。也许看起来像是在倒退，但也许钟摆只是向另一个方向摆动。

论文：science.sciencemag.org/content/early/2018/07/25/science.aat8084