在波士頓海港區的一個小型實驗室內，埋藏在一堆亂七八糟的激光，鏡頭，鏡子和一堆布線中，是一塊微小的芯片，可能會對人工智慧世界產生重大影響。
該實驗室屬于Lightelligence，該公司正在開發一種全新的AI加速器芯片。該公司的原型設備使用光源，而不是使用電子來執行機器學習所需的核心數學計算。
理論上，以光速傳輸信息意味著這樣的設備可以讓AI算法比當今最好的AI芯片運行速度快數百倍。由于原始計算機能力在機器學習中產生如此大的差異，這可能意味著更強大和更強大的算法。但實際上，光學芯片的速度將取決于它與傳統組件（如計算機內存）的交互速度。并且Lightelligence需要編寫能夠盡可能快地超出設置速度的算法。
深度學習是一種機器學習方法，受到大腦連線方式的啟發，近年來風靡了科技行業。 事實證明，它可以讓訓練機器執行標記圖像和翻譯文本等有價值的任務。 與此同時，公司正在競相以越來越有用的方式部署該方法。
深度學習的興起已經引發了針對所涉及的關鍵數學計算優化的新芯片設計的商業活動的繁榮。 現在它似乎也激發了根本不同的計算方法。
我最近訪問了Lightelligence，與其首席執行官 Yichen She（一位20多歲的自信男子）會面。 他穿著羊毛衫和寬大的笑容，介紹了公司的十幾名員工，然后帶我參觀實驗室。
Shen解釋說，Light為AI提供了關鍵優勢。 光子比電子更快，它們通過芯片電路的運動不會使它過熱。 但是用光計算也很具挑戰性。 之前構建光學計算機芯片的努力已經失敗，因為很難在光學上模擬晶體管，并且因為光的行為不太可預測。
但Shen說，在深度學習的時代，這個等式正在發生變化。 光學芯片非常適合執行矩陣乘法，這是深度學習的核心。 神經網絡本質上也是線性的，它是光學設備優越的線性計算。
沉說，他和他在Lightelligence的同事們最近將他們的第一個最終芯片設計發送給了一家制造商，并期待在幾周后重新推出第一批芯片。 “我們認為這是一個非常獨特而有趣的機會來測試這個想法，”他說。
研究人員正在探索材料和光學領域的各種新機遇。今年早些時候，加州大學洛杉磯分校的一組研究人員開發出一種新型深度學習裝置，該裝置由三維打印不同的折射聚合物制成。該團隊設備的詳細信息，被稱為衍射深度神經網絡（D2NN），發表在“科學”雜志上。
“這是深度學習的非直觀方面，改變了我們對物理和光電設計的看法。其中一些是導致計算的新方法，“負責這項工作的加州大學洛杉磯分校教授Aydogan Ozcan說。 “其中一些導致設計組件，系統，其運行方式與傳統系統不同。”
現在商業化技術也可能比以前更實用。
追蹤創新芯片設計的VLSI Research分析師Dan Hutchinson表示，由于在網絡設備的設計和制造方面取得了進展，對新型光學芯片的興趣正在增長。他說，光學芯片制造起來相對容易且便宜，這降低了初創公司的入門門檻。
不過，Lightelligence仍將面臨巨大挑戰。籌碼行業的資深人士和另一家芯片創業公司OURS Technology的首席執行官張曦曦表示，即使芯片按照承諾運作，也可能難以大規模生產。打包和測試全新的芯片設計將是一個挑戰，特別是當這種光學設備沒有良好的軟件設計工具時。 “光在紙上非常優雅，但周圍的電子電路 - 你的激光驅動器，光子接收器電路，電子調制器 - 非常難看，”Tan說。
僅在去年，Shen是麻省理工學院Marin Soljacic實驗室研究光子材料的博士生。他與Soljacic和其他幾位學生一起在Nature Photonics雜志上發表了一篇論文，描述了一種利用光學干涉進行神經網絡計算的新方法。由于西海岸風險投資家的號召，該公司的想法在報紙發布之前就已經出現了。
該公司還有一個兄弟競爭對手。當Shen和其他人從一家名為Lightmatter的公司離開時，就形成了光明。 Lightmatter的首席執行官是Shen在原始論文中的共同作者之一，該公司已經為其自己的光學深度學習芯片籌集了類似的資金。也許健康的競爭可能有助于加速技術的發展。
未來存在重大技術障礙，但如果其中一家公司能夠克服這些障礙，它可能會點亮人工智慧世界。
曾經有一段時間，圖形處理單元（GPU）僅限于為PC游戲或圖形渲染提供動力的高端視頻適配器。一般的計算機用戶甚至程序員都不關心GPU。由于ML和AI的興起，GPU很熱門。從公共云供應商到學術研究實驗室，GPU已經成為計算的重要組成部分。
2016年，谷歌推出了Tensor Processing Units，或稱TPU，它們更為人所知的一點是 - 專為Google的TensorFlow框架設計的芯片。 今年，這家技術巨頭現在推出了Edge TPU，這是一種小型人工智慧加速器，可在物聯網（IoT）設備中實現機器學習工作。
該實驗室屬于Lightelligence，該公司正在開發一種全新的AI加速器芯片。該公司的原型設備使用光源，而不是使用電子來執行機器學習所需的核心數學計算。
理論上，以光速傳輸信息意味著這樣的設備可以讓AI算法比當今最好的AI芯片運行速度快數百倍。由于原始計算機能力在機器學習中產生如此大的差異，這可能意味著更強大和更強大的算法。但實際上，光學芯片的速度將取決于它與傳統組件（如計算機內存）的交互速度。并且Lightelligence需要編寫能夠盡可能快地超出設置速度的算法。
深度學習是一種機器學習方法，受到大腦連線方式的啟發，近年來風靡了科技行業。 事實證明，它可以讓訓練機器執行標記圖像和翻譯文本等有價值的任務。 與此同時，公司正在競相以越來越有用的方式部署該方法。
深度學習的興起已經引發了針對所涉及的關鍵數學計算優化的新芯片設計的商業活動的繁榮。 現在它似乎也激發了根本不同的計算方法。
我最近訪問了Lightelligence，與其首席執行官 Yichen She（一位20多歲的自信男子）會面。 他穿著羊毛衫和寬大的笑容，介紹了公司的十幾名員工，然后帶我參觀實驗室。
Shen解釋說，Light為AI提供了關鍵優勢。 光子比電子更快，它們通過芯片電路的運動不會使它過熱。 但是用光計算也很具挑戰性。 之前構建光學計算機芯片的努力已經失敗，因為很難在光學上模擬晶體管，并且因為光的行為不太可預測。
但Shen說，在深度學習的時代，這個等式正在發生變化。 光學芯片非常適合執行矩陣乘法，這是深度學習的核心。 神經網絡本質上也是線性的，它是光學設備優越的線性計算。
沉說，他和他在Lightelligence的同事們最近將他們的第一個最終芯片設計發送給了一家制造商，并期待在幾周后重新推出第一批芯片。 “我們認為這是一個非常獨特而有趣的機會來測試這個想法，”他說。
研究人員正在探索材料和光學領域的各種新機遇。今年早些時候，加州大學洛杉磯分校的一組研究人員開發出一種新型深度學習裝置，該裝置由三維打印不同的折射聚合物制成。該團隊設備的詳細信息，被稱為衍射深度神經網絡（D2NN），發表在“科學”雜志上。
“這是深度學習的非直觀方面，改變了我們對物理和光電設計的看法。其中一些是導致計算的新方法，“負責這項工作的加州大學洛杉磯分校教授Aydogan Ozcan說。 “其中一些導致設計組件，系統，其運行方式與傳統系統不同。”
現在商業化技術也可能比以前更實用。
追蹤創新芯片設計的VLSI Research分析師Dan Hutchinson表示，由于在網絡設備的設計和制造方面取得了進展，對新型光學芯片的興趣正在增長。他說，光學芯片制造起來相對容易且便宜，這降低了初創公司的入門門檻。
不過，Lightelligence仍將面臨巨大挑戰。籌碼行業的資深人士和另一家芯片創業公司OURS Technology的首席執行官張曦曦表示，即使芯片按照承諾運作，也可能難以大規模生產。打包和測試全新的芯片設計將是一個挑戰，特別是當這種光學設備沒有良好的軟件設計工具時。 “光在紙上非常優雅，但周圍的電子電路 - 你的激光驅動器，光子接收器電路，電子調制器 - 非常難看，”Tan說。
僅在去年，Shen是麻省理工學院Marin Soljacic實驗室研究光子材料的博士生。他與Soljacic和其他幾位學生一起在Nature Photonics雜志上發表了一篇論文，描述了一種利用光學干涉進行神經網絡計算的新方法。由于西海岸風險投資家的號召，該公司的想法在報紙發布之前就已經出現了。
該公司還有一個兄弟競爭對手。當Shen和其他人從一家名為Lightmatter的公司離開時，就形成了光明。 Lightmatter的首席執行官是Shen在原始論文中的共同作者之一，該公司已經為其自己的光學深度學習芯片籌集了類似的資金。也許健康的競爭可能有助于加速技術的發展。
未來存在重大技術障礙，但如果其中一家公司能夠克服這些障礙，它可能會點亮人工智慧世界。
曾經有一段時間，圖形處理單元（GPU）僅限于為PC游戲或圖形渲染提供動力的高端視頻適配器。一般的計算機用戶甚至程序員都不關心GPU。由于ML和AI的興起，GPU很熱門。從公共云供應商到學術研究實驗室，GPU已經成為計算的重要組成部分。
2016年，谷歌推出了Tensor Processing Units，或稱TPU，它們更為人所知的一點是 - 專為Google的TensorFlow框架設計的芯片。 今年，這家技術巨頭現在推出了Edge TPU，這是一種小型人工智慧加速器，可在物聯網（IoT）設備中實現機器學習工作。
請按此登錄後留言。未成為會員? 立即註冊