物理学可以永远改变计算和人工智能

在几十年的计算传统中，一个由非传统人工智能的研究人员团队开发了一种生成图像的方法，这种方法不依赖于今天的人工智能系统所使用的硅芯片和电流，而是依赖于物理学的基本原理。

该系统被称为Un-0，代表着人工智能开发中的一种新兴哲学：而不是建立更大、更复杂的计算机网络，科学家们正在探索自然界中的数学模式是否可以执行相同的计算工作，同时使用大约1000倍较少的能量。

能量和效率

主导技术格局的人工智能系统，如神经网络、语言模型和推荐算法，需要大量能量来运行。

这些系统的数据中心消耗的电力相当于小城市的电力，引发了人们对环境影响和长期可持续性的担忧。

研究人员估计，实现人工智能效率的下一个重大突破需要对信息处理方式进行根本性的改变。

这种认识促使科学家们寻找自然界的灵感，研究生物和物理系统，这些系统经过数百万年的演化，以令人惊叹的效率解决复杂问题。

理解耦合振荡器

Un-0的核心是一个看似简单的概念，源自物理学：耦合振荡器。

要理解这一点，可以想象一对节拍器，这些机械设备是音乐家用来保持节奏的。如果两个节拍器放在同一张桌子上，并设置为不同的节奏，会发生一些令人惊讶的事情。通过它们下面的表面的振动，节拍器逐渐相互影响，直到它们最终同步，齐刷刷地滴答作响。

这种同步遵循精确的数学原理，这些原理已经被物理学家研究了一个多世纪。振荡器之间的相互作用会产生组织模式，这些模式在没有外部方向或控制的情况下出现，它们会自我组织。

现在，想象一下这个概念被大幅度扩展。不是两个节拍器，而是成千上万个振荡单元，每个单元都可以影响周围的每个其他单元。

每个振荡器都具有几个属性：它希望旋转的自然频率，描述其当前位置的相位角，以及与其他振荡器的连接，这些连接决定了每对振荡器之间的相互影响程度。

这些连接，称为耦合强度，是Un-0在训练过程中学习的方面。

该系统类似于物理学中已知的库拉莫托振荡器模型，库拉莫托振荡器模型以物理学家吉田和彦命名，他几十年前研究过这些系统。直到最近，这些模型仍然主要是理论性的。

Un-0证明了它们可以扩展到解决实际的人工智能问题，达到以前认为只有传统深度学习才能达到的复杂程度。

性能和比较

测试结果表明，Un-0实现了与几年前领先的人工智能图像生成方法相当的图像质量。

在一个名为ImageNet 64×64的标准基准测试中，该系统实现了一个质量评分，匹配了当时这些系统首次发布时的表现。

这既不是失败，也不是突破。相反，它证明了原理：基于物理动力学的系统可以生成图像，达到以前认为只有深度学习才能达到的质量水平，这表明未来有很大的发展潜力。

研究人员承认，当前最先进的系统，在经过多年的改进后，仍然优于Un-0。然而，他们指出，传统的图像生成器也从谦逊的结果开始，然后经过数十年的优化，才成为今天的复杂工具。

为什么物理计算很重要

Un-0的意义远远超出了图像生成。基于物理动力学的系统执行人工智能任务，同时使用大约1000倍较少的能量，这将具有变革性的影响。

这样的能效提高可以使人工智能应用程序在移动设备、嵌入式系统和没有大型数据中心的远程位置运行。

此外，这些系统可能最终会直接在物理硬件中实现，例如设计为模拟自然物理过程而不是执行编程指令的硅芯片。这种“非传统基质”，正如研究人员所称，将代表着计算机的一个真正不同类型。

更广泛的格局

Un-0并不是唯一探索传统神经网络替代方案的研究工作。

在学术界和工业界，科学家们正在研究受热力学原理、模拟电路、量子力学和其他物理学方面的启发的系统。

这些方法有一个共同的动机：传统方法几乎达到了能效方面的实际极限。突破性进展可能需要重新思考计算本身。

研究人员正在参与一项可以被描述为大挑战：我们能否重新设计人工智能系统，使其符合数十亿年来支配生物和物理系统的原理？如果成功，这将代表计算机的基本性质和功能的重新构想。

当前限制和未来方向

Un-0系统仍然是实验性的。它以相对较低的图像分辨率运行，并且尚未达到最先进的系统的性能水平。

尽管取得了所有进展，训练过程仍然需要传统计算和大量时间来完成。

研究人员已公开发布了他们的工作，发布了训练代码和详细的分析结果，反映了他们的信念，即这种方法代表着一个新的方向，而不是专有解决方案，这个方向可以被许多研究人员探索和改进。

随着人工智能系统变得越来越重要，寻找更高效的计算方法的需求从学术好奇心转变为实际必要性。Un-0证明了至少一个有前途的方向存在，基于物理的人工智能的调查才刚刚开始。