如今机器学习系统无处不在，但它们或多或少是隐形的。
它隐藏在后台以优化音频或识别图像中的面孔。
但这个新系统不仅是可见的，而且是物理的。
它不是处理数字，而是通过弯曲光线进行人工智能类型的分析。
它很奇怪而且独特，但与第一印象相反，它是这些“人工智能”系统有多么简单的一个很好的例子。
机器学习系统，我们通常将其称为人工智能的一种形式，其核心是一系列基于数据的计算，每组数据都建立在最后的反馈或循环之上。
计算本身并不是特别复杂，尽管它们不是您想要用笔和纸进行的数学计算。
最终，所有这些简单的数学计算最终都会将输入数据与它“学习”识别的各种模式进行匹配。
但问题是，一旦这些“层”最终被“训练”，在很多方面，它都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，这样就不会占用太多的空间或 CPU 资源。
但加州大学洛杉矶分校的研究人员已经证明，它确实可以被固化，而且这些层本身就是 3D 打印的透明材料层，上面印有复杂的衍射图案，就像做数学时写下数字一样。
如果这有点麻烦，可以考虑使用机械计算器。
如今，这一切都是在计算机逻辑中以数字方式完成的，但在过去，计算器使用实际的机械部件来移动。
在某种程度上，这种“衍射深度神经网络”很像这样：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：给定层上可以传输或反射传入波的每个点都代表一个通过光学衍射与下层中的其他神经元连接的人工神经元。
每个“神经元”都可以通过改变相位和幅度来调节。
“我们的全光深度学习框架可以完成计算机神经网络能够以光速实现的各种复杂功能。
它的功能很多，而且速度非常快。
这项技术在世界上也很先进。
”研究人员描述道。
关于他们的系统的论文。
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。
一旦他们确定了最终结果，他们就会采用分层矩阵数学并将其转换为一系列光学变换。
例如，可以通过将两层的光线重新聚焦到下一层的区域并添加值来实现一层 - 真正的计算要复杂得多，但希望您能明白这一点。
通过在印版上排列数百万个微小的变换，光线从一侧进入，从另一侧射出，因此系统可以以超过 90% 的准确度判断是否是 1 2 3 等。
你问这有什么用？事实上还没有。
但神经网络是一种非常灵活的工具，完全有可能让系统识别字母而不是数字，从而使光学字符识别系统完全在硬件上工作，几乎没有功耗或计算。
为什么基本的人脸或模式识别不需要 CPU？这对你的相机有多大用处？这里真正的限制是基于制造的：很难以精确的精度制造衍射板并执行一些要求更高的加工。
毕竟，如果您需要计算到小数点后第七位，但打印版本仅精确到第三位，您就会遇到麻烦。
这只是一个概念证明——实际上并不立即需要一台巨大的数字识别机器——但它是一台非常有趣的机器。
这个想法可能会对在现实世界而不是数字世界中构建光和数据的相机和机器学习技术产生影响。
可能感觉像是倒退，但也许钟摆只是朝相反的方向摆动。