在波士顿海港区的一个小型实验室内，埋藏在一堆乱七八糟的激光，镜头，镜子和一堆布线中，是一块微小的芯片，可能会对人工智能世界产生重大影响。

该实验室属于Lightelligence，该公司正在开发一种全新的AI加速器芯片。该公司的原型设备使用光源，而不是使用电子来执行机器学习所需的核心数学计算。

理论上，以光速传输信息意味着这样的设备可以让AI算法比当今最好的AI芯片运行速度快数百倍。由于原始计算机能力在机器学习中产生如此大的差异，这可能意味着更强大和更强大的算法。但实际上，光学芯片的速度将取决于它与传统组件（如计算机内存）的交互速度。并且Lightelligence需要编写能够尽可能快地超出设置速度的算法。

深度学习是一种机器学习方法，受到大脑连线方式的启发，近年来风靡了科技行业。 事实证明，它可以让训练机器执行标记图像和翻译文本等有价值的任务。 与此同时，公司正在竞相以越来越有用的方式部署该方法。

深度学习的兴起已经引发了针对所涉及的关键数学计算优化的新芯片设计的商业活动的繁荣。 现在它似乎也激发了根本不同的计算方法。

我最近访问了Lightelligence，与其首席执行官 Yichen She（一位20多岁的自信男子）会面。 他穿着羊毛衫和宽大的笑容，介绍了公司的十几名员工，然后带我参观实验室。

Shen解释说，Light为AI提供了关键优势。 光子比电子更快，它们通过芯片电路的运动不会使它过热。 但是用光计算也很具挑战性。 之前构建光学计算机芯片的努力已经失败，因为很难在光学上模拟晶体管，并且因为光的行为不太可预测。

但Shen说，在深度学习的时代，这个等式正在发生变化。 光学芯片非常适合执行矩阵乘法，这是深度学习的核心。 神经网络本质上也是线性的，它是光学设备优越的线性计算。

沉说，他和他在Lightelligence的同事们最近将他们的第一个最终芯片设计发送给了一家制造商，并期待在几周后重新推出第一批芯片。 “我们认为这是一个非常独特而有趣的机会来测试这个想法，”他说。

研究人员正在探索材料和光学领域的各种新机遇。今年早些时候，加州大学洛杉矶分校的一组研究人员开发出一种新型深度学习装置，该装置由三维打印不同的折射聚合物制成。该团队设备的详细信息，被称为衍射深度神经网络（D2NN），发表在“科学”杂志上。

“这是深度学习的非直观方面，改变了我们对物理和光电设计的看法。其中一些是导致计算的新方法，“负责这项工作的加州大学洛杉矶分校教授Aydogan Ozcan说。 “其中一些导致设计组件，系统，其运行方式与传统系统不同。”

现在商业化技术也可能比以前更实用。

追踪创新芯片设计的VLSI Research分析师Dan Hutchinson表示，由于在网络设备的设计和制造方面取得了进展，对新型光学芯片的兴趣正在增长。他说，光学芯片制造起来相对容易且便宜，这降低了初创公司的入门门槛。

不过，Lightelligence仍将面临巨大挑战。筹码行业的资深人士和另一家芯片创业公司OURS Technology的首席执行官张曦曦表示，即使芯片按照承诺运作，也可能难以大规模生产。打包和测试全新的芯片设计将是一个挑战，特别是当这种光学设备没有良好的软件设计工具时。 “光在纸上非常优雅，但周围的电子电路 - 你的激光驱动器，光子接收器电路，电子调制器 - 非常难看，”Tan说。

仅在去年，Shen是麻省理工学院Marin Soljacic实验室研究光子材料的博士生。他与Soljacic和其他几位学生一起在Nature Photonics杂志上发表了一篇论文，描述了一种利用光学干涉进行神经网络计算的新方法。由于西海岸风险投资家的号召，该公司的想法在报纸发布之前就已经出现了。

该公司还有一个兄弟竞争对手。当Shen和其他人从一家名为Lightmatter的公司离开时，就形成了光明。 Lightmatter的首席执行官是Shen在原始论文中的共同作者之一，该公司已经为其自己的光学深度学习芯片筹集了类似的资金。也许健康的竞争可能有助于加速技术的发展。

未来存在重大技术障碍，但如果其中一家公司能够克服这些障碍，它可能会点亮人工智能世界。

曾经有一段时间，图形处理单元（GPU）仅限于为PC游戏或图形渲染提供动力的高端视频适配器。一般的计算机用户甚至程序员都不关心GPU。由于ML和AI的兴起，GPU很热门。从公共云供应商到学术研究实验室，GPU已经成为计算的重要组成部分。

2016年，谷歌推出了Tensor Processing Units，或称TPU，它们更为人所知的一点是 - 专为Google的TensorFlow框架设计的芯片。 今年，这家技术巨头现在推出了Edge TPU，这是一种小型人工智能加速器，可在物联网（IoT）设备中实现机器学习工作。