看到“神經網路”這個詞,不同的人會有不同反應。
不懂神經網路的凡人:地球終將被人工智慧統治!
神經網路中的修行者:它為什麼非要把「貓.ipg」說成是狗?
模仿人類大腦運作方式而生的神經網路,被研究者用程式碼煉成金鑰,試圖開啟人工智慧的智慧之鎖。
不管是王者榮耀中很會推塔的覺悟 AI,還是公司入口處看人超準的門禁系統,抑或是車技還不錯的自動駕駛,你我多少都見識過神經網路的超凡能力。
但如果有人說,他能把程式碼流動才形成的神經網路,搬到一個現實物體上,比如讓一個喇叭識別出手寫數字,你猜這是不是在胡扯?
1、有趣的計算
每個人接受的計算啟蒙,大抵都是從掰著自己肉肉的手指頭開始的。
老師問:1+1 等於多少呀?小朋友們爭先恐後開始數手指:左手握拳,先伸直大拇指,再伸直食指,右手開始數,1、2。
“老師,我知道,答案是 2。”
摸索出 1+1 的答案,就算推開了計算的大門,當你慢慢長大,一定會發現,在計算這條路上,有太多比數指頭好用的方法,比如計算器、電腦...
但你有沒有發現一點:不管是數手指頭,還是使用計算器、電腦,從計算的邏輯上來看,三者並沒有太大區別,都經歷了「輸入、運算、輸出」這三個步驟。
比如數手指,先輸入左手大拇指,再輸入左手食指,右手數有幾根指頭伸直是在做運算,最後你朝老師大聲喊出 2,就是在輸出結果;
又比如計算器,你輸入 1+1,內部電路利用通斷完成運算,最後螢幕上顯示出結果 2;
電腦同樣如此。
很好,現在你已經知道了計算的整個流程,那麼,我們不妨把目光放遠,看看神奇的造物主在創造這個紛繁複雜的世界時,有沒有偷偷給它們點亮「計算」這個技能點?
2、萬物皆是計算機
我們先回想一下自己上學時的情景。
每天按時到校,聽老師講那些或有趣或難懂的知識,睡覺前還必須要完成家庭作業,熬過期中考試,後面還有可怕的期末考試。
在這漫長的一個學期中,我們到底經歷了些什麼?
猜猜看,那段經歷能不能也看作是計算?
答案是:能。
每天上課時,你接收到的各種課本知識,對應的是輸入;課後的知識消化、查缺補漏,對應的是運算;期末考試的成績,對應的就是輸出。
我們再來看另外一個例子:風洞測試。
試想一下,如果讓一架僅根據理論設計出的飛機直接航行,會發生什麼?毫無疑問,它出事的機率極高。
如果想提高安全效能,就必須在飛機投入執行之前,對它進行一系列的效能測試。只有透過測試,才能認為它滿足安全要求,就比如動力學效能方面的風洞測試。
風洞是一種能夠產生人造氣流的管道裝置,整機測試時,先將飛機或模型安放在管道中,再透過調節人造氣流的速度、壓力、溫度等因素,模擬飛機在複雜飛行狀態下的綜合情況,以此來測試飛機的結構、強度等指標是否合格。
1901 年,萊特兄弟為了掌握正確的飛行資料,利用風洞進行了 200 多個機翼模型的測試,並依據測試結果,於 1903 年發明了世界上第一架飛機。
那麼問題來了,風洞測試能不能看作是計算?
將飛機放置在風洞中,預先設定好氣流速度、壓力、溫度等資料,完成初始輸入;飛機在風洞中完成飛行測試,完成運算;根據飛行測試表現判斷效能是否達標,得出計算結果。
你瞧,風洞其實就是一臺計算機。
從計算器上的計算,再到風洞中的計算,你應該已經感受到了,造物主給世間萬物都點亮了「計算」的屬性。
換句話說,萬物都可以看作是一臺計算機。
如此一來,你會發現,計算不僅僅是狹義的 1+1、3856*8947、開根號、求方差,事實上,萬物都能計算,只不過與常用的計算機相比,萬物中的計算都基於一個物理系統,輸入、運算、輸出,必須在這個物理系統中完成。
這是抽象的計算,也是廣義的計算。
那麼問題又來了:我們能不能像使用計算機一樣,使用、或者叫操縱某個物理系統呢?
事實上,當然可以。
3、“智慧黏菌君”
2000 年,日本的幾位科學家,做了一個有趣的迷宮實驗。
他們把黏菌培養在一個迷宮中,並在起點和終點處提前放了黏菌最愛的食物:燕麥。
迷宮中,有 4 條長短不同的路線能夠連通起點和終點。
起初,科學家們發現,黏菌會伸展自己的細胞質,幾乎將整個迷宮覆蓋住。
可當黏菌成功找到位於起點和終點處的燕麥後,它們就會慢慢縮回不必要的部分。最後,它們覆蓋的路線,總是最短的那條。
無論實驗重複多少次,黏菌們總能找到最優解:體力消耗最少,同時還能獲得食物。
在這個實驗中,科學家們掌握了黏菌物理系統中的運算規則,成功完成了計算。
2004 年,研究團隊又驗證了黏菌的道路規劃能力:透過食物源的佈置,黏菌竟然模擬出了整個日本東京的鐵路網,而東京的鐵路系統,是世界上佈局最合理、最高效的系統之一。
誰能想到,黏菌這種沒有腦袋的單細胞生物,在研究人員的食物操控下,沒用太多時間,就復刻出了日本頂尖設計師的嘔心之作,令人震驚。
“智慧黏菌君”的實驗,證明了只要找到物理系統中的對應規則,就可以操控系統的輸入、運算、輸出,也就是初始狀態、規則演化,以及最終形態。
這下我們知道了兩點:1、物理系統其實也是一臺計算機;2、可以利用規則操縱物理系統進行計算。
那麼,現在是時候去看看文章開頭說「把神經網路執行在物理系統中」的哥們,究竟是怎麼實現的?
4、物理神經網路
提出要把神經網路執行在物理系統中的人,是幾位來自康奈爾大學的物理學家。
他們不僅說了這話,還動手做了實物演示,順便還在 Nature 上發了篇論文。
我們都知道,作為機器學習的方法之一,要想讓神經網路表現優異,離不開大量的調參和最佳化。而對於一個物理系統來說,神經網路的調參最佳化,對應的就是物理系統中的規則演化。
只要找到對應規則,就可以實現將神經網路搭載到物理系統中,一如前面提到的“智慧黏菌君”。
物理系統分為很多種,研究人員選取了三種,即機械系統、光學系統和模擬電子系統,分別構建了神經網路,每種系統中包含五個處理層:
1、機械系統中,每一層都使用揚聲器振動小金屬板,並用麥克風記錄輸出結果;
2、光學系統中,研究人員利用光穿過晶體,實現神經網路的搭建;
3、模擬電子系統中,研究者讓電流透過微小的電路來搭建神經網路。
以上三種搭載了神經網路的物理系統,有一個共同的名字:物理神經網路系統,即 PNNs (physical neural networks)。
藉助這三種物理神經網路,研究人員成功實現了手寫數字的識別:PNNs 識別出 7 個母音,準確率從 87% 到 97% 不等。
研究者表示:未來可能不會透過調整計算機引數來最佳化系統表現,而是透過物理調整,比如彎曲金屬板等方式來提高識別準確率。
至於為什麼要研究 PNNs,幾位研究者給出的原因是:摩爾定律已死,該物理系統登場拯救機器學習了。
這怎麼說呢,倘若真如研究所示,PNNs 有可能倍數級提升機器學習的效率和速度,那麼,在掃清人工智障的道路上,我們就能走的順暢一些了。
參考資料:
1、https://www.nature.com/articles/s41586-021-04223-6
2、https://news.cornell.edu/stories/2022/01/physical-systems-perform-machine-learning-computations
文 | 木子Yanni
嗨,這裡是淺黑科技,在未來面前,我們都是孩子。
想看更多科技故事,歡迎戳→微信公眾號:淺黑科技。
