盖世汽车讯 向居家设备询问天气预报信息时，设备通常都需要几秒时间来做出反应，出现时间延迟的原因在于，该网联设备没有足够的内存或能量来存储和运行其所需的大量机器学习模型，以理解用户的要求。此类模型被存储在数百英里外的数据中心，答案在数据中心被计算出来，再被发送给该设备。

据外媒报道，美国麻省理工学院（MIT）的研究人员研发了一种可以在此类设备上直接进行计算的方法，可大大减少延迟。该方法将运行机器学习模型的内存密集型步骤转移到一个中央服务器，该模型的组成部分在该服务器中被编码到光波上。

智能收发器（图片来源：MIT）

然后，光波通过光纤被传输到一个网联设备上，从而让大量的数据可以通过网络以闪电般的速度被传输。之后，接收器会采用一个简单的光学设备，采用此类光波携带的模型部分快速进行计算。与其他方法相比，该技术的能效提高了百倍以上，还可以提高安全性，因为用户的数据不需转移到中央处理器上进行计算。

此外，该方法可帮助自动驾驶汽车实时做出决策，而且所采用的能源是现在能源消耗巨大的计算机所需能源的极小一部分。而且，该方法可以让用户与智能家居设备进行无延迟对话，通过蜂窝网络实时处理视频，甚至在距离地球数百万英里的航天器上高速进行图像分类。

神经网络是一种机器学习模型，采用层层相连的节点或神经元来识别数据集中的模式，并执行图像分类或者语音识别等任务。但是此类模型可能包含数十亿个权重参数，此类参数是在处理输入数据时转换输入数据的数值，必须存储在内存中。与此同时，数据转换过程涉及数十亿次代数计算，完成计算需要大量的能量。

研究人员表示，从内存中获取数据（即神经网络的权重参数），并将数据移动到计算机中进行实际计算的过程是对速度和能效产生影响的最大因素之一。

因此，MIT研发的神经网络架构Netcast将权重参数存储在一个中央服务器上，该服务器被连接到一个称为智能收发器的新型硬件。该智能收发器是一个拇指大小的芯片，可以接收和传输数据，采用一种名为硅光子学的技术，每秒可从内存中获取数万亿的权重参数。

该收发器以电信号的形式接收权重参数，并映射到光波上。由于权重数据被编码为比特数据（1和0），该收发器会通过切换激光进行转换，激光在1时打开，在0时关闭，然后收发器将此类光波结合起来，通过光纤网络定期传输，让客户端无需查询服务器就可接收。

一旦光波到达客户端设备，一个称为宽带Mach-Zehnder调制器的简单光学组件会利用光波执行极快的模拟计算，其中涉及将输入设备的数据（如传感器数据）编码为权重参数，然后，其会将每个波长发送至一个接收器，该接收器能够探测光波并衡量计算结果。

研究人员设计了一种方法，利用该调制器每秒进行数万亿次乘法运算，极大地提高了设备的计算速度，而且只消耗极少的能量。

研究人员还通过连接他们的实验室与MIT林肯实验室的86公里长光纤发送权重参数来测试该架构，Netcast可以以高精度且高速度完成机器学习，在图像分类方面的精度达98.7%，在数字识别方面的精度达98.8%。

下一步，研究人员希望对智能收发芯片进行迭代，以实现更好的性能。他们还想将目前鞋盒大小的接收器缩小至单个芯片的大小，以便其能安装到手机等智能设备上。