光学计算浮沉50年，AI催化光电混合新机会

光学计算浮沉50年，AI催化光电混合新机会

图片出处：Nature

本文作者：武文浩

越来越多的人工智能任务需要专门的加速器来保证快速、低功耗地执行运算。光学计算系统由此进入了更多人的视野。

光学计算系统也许能够满足这些特定领域的需求，尽管经过了半个世纪的研究，通用光计算系统还没有成为一种成熟的、实用的技术。

而人工智能推理任务，特别是视觉计算应用，被认为可以为基于光学和光子系统的推理提供机会。从这个角度出发，Nature 近日刊登的一篇 Perspective 文章 Inference in artificial intelligence with deep optics and photonics ，很好地回顾了半个世纪以来光子计算（包括硬件和算法）在人工智能中的应用、前景和挑战。

这篇文章由来自斯坦福大学、麻省理工学院、加州大学洛杉矶分校的法国、德国以及瑞士的研究人员共同撰写，以下为 “数据实战派” 对该论文的重点解读。

全球算力争霸赛

算力，这一衡量计算设备及算法之运算能力的指标，如今已从学术界中探讨的一个概念，演变为了全球范围内大国 “军备竞赛”。

无论是自动驾驶、机器人视觉处理、智能家居，还是遥感技术、高精显微设备、物联网、监控及国防，深度学习在上述这些包含天文级数据量的领域中被广泛应用。

但如要有效地运行越来越复杂的高级算法，仅靠 GPU 和常规加速器（通常所说的 AI 芯片）现有的并行运算能力以及带宽是不够的。

在算法的执行过程上，深度学习可被简要分为两个阶段，一是训练阶段，二是推理阶段，两者间存在很大差异。

在训练阶段，深度神经网络（DNN）需要大量带有标注的示例，然后针对某个特定任务，使用迭代方法优化该 DNN 的参数。训练完成后，可使用该 DNN 来执行推理。当前，很多技术方案都是将 GPU 用于算法的推理阶段。但由于高功耗、时延、成本等局限，