人工智能和机器学习目前正以许多微小但影响深远的方式影响着我们的生活。例如，人工智能和机器学习应用程序推荐我们可能通过Netflix和Spotify等流媒体服务享受的娱乐。
在不久的将来，预计这些技术将会对社会产生更大的影响，比如驾驶全自动驾驶汽车，使复杂的科学研究成为可能，并促进医学发现。
但是用于人工智能和机器学习的计算机需要大量的能源。目前，与这些技术相关的计算能力的需求大约每三到四个月翻一番。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力已经超过一些小国家。很明显，这种水平的能源消耗是不可持续的。
华盛顿大学(University of Washington)领导的一个研究团队开发了用于人工智能和机器学习的新型光学计算硬件，它比传统电子产品更快，也更节能。这项研究还解决了另一个挑战——光学计算固有的干扰计算精度的“噪声”。
在1月21日发表在《科学进展》(Science Advances)杂志上的一篇新论文中，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，该系统不仅能减轻这种噪音，而且实际上还将其中一些噪音用作输入，以帮助增强系统内部人工神经网络的创造性输出。
“我们已经建造了一台比传统数字计算机更快的光学计算机，”论文的第一作者吴昌明(音译)说，他是华盛顿大学电子和计算机工程专业的博士生。“而且，这种光学计算机可以根据大多数研究人员试图逃避的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自于杂散的光粒子或光子，它们来自于设备内部的激光器和背景热辐射。为了针对噪声，研究人员将他们的光学计算核心连接到一种特殊类型的机器学习网络，称为生成式对抗网络。
该团队测试了几种噪声缓解技术，其中包括使用光学计算核心产生的一些噪声作为GAN的随机输入。
例如，该团队给GAN分配了学习如何像人一样手写数字“7”的任务。光学计算机不能简单地按照规定的字体打印出数字。它必须像孩子一样学习这项任务，通过观察手写的视觉样本并练习，直到它能正确地写出数字。当然，光学计算机没有人的手来书写，所以它的“书写”形式是生成数字图像，其风格与它所研究的样本相似，但又不完全相同。
“我们不是训练这个网络去读手写的数字，而是训练它去学习写数字，模仿它被训练的手写的视觉样本，”高级作者莫李说，他是华盛顿大学电子和计算机工程的教授。“在杜克大学计算机科学合作者的帮助下，我们还表明，GAN可以通过使用一种对错误和噪声具有鲁棒性的训练算法来减轻光学计算硬件噪音的负面影响。不仅如此，该网络实际上将噪声作为随机输入来生成输出实例。”
在学习了来自标准人工智能训练图像集的数字7的手写样本后，GAN开始练习写“7”，直到它能够成功。在这一过程中，它发展出了自己独特的写作风格，可以用计算机模拟写出从1到10的数字。
接下来的步骤包括使用目前的半导体制造技术在更大的范围内制造这种设备。因此，该团队计划使用工业半导体代工厂来实现晶圆规模的技术，而不是在实验室中构建该设备的下一个版本。一个更大规模的设备将进一步提高性能，并允许研究团队做更复杂的任务，如创作艺术品，甚至视频手写生成。
“这一光学系统代表了一种计算机硬件架构，可以增强人工智能和机器学习中使用的人工神经网络的创造力，但更重要的是，它证明了该系统在大范围内的可行性，可以减轻甚至利用噪音和错误，”李说。“人工智能应用发展如此之快，以至于在未来，它们的能源消耗将是不可持续的。这项技术有潜力帮助降低能源消耗，使人工智能和机器学习在环境上可持续发展，而且速度非常快，实现更高的整体性能。”
