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。
圖片來源於網路
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。
圖片來源於網路
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。
圖片來源於網路
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。
