加州大学洛杉矶分校电气和计算机工程团队成功利用3D打印技术研发出一个可大量分析数据、以光速识别物体的人工智能（AI）设备。

深度学习是机械学习发展最快的方法之一，通常可以用于医学图像分析、语言翻译、图像分类、语音识别等应用问题，例如逆成像。

一般来说，深度学习系统是在计算机上以数字的方式学习数据表示、抽象应用以及执行高级任务的方式，很多时候这个系统处理实际问题比人工操作的效果要好得多。而这次，加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士团队推陈出新，变革了传统的深度学习方式，采用一种使用全光学衍射深度神经网络（D2NN）实现深度学习的物理机制。

这种光学人工神经网络设备能直观地模拟大脑处理信息的方式，根据对象本身反射的光，实现光速识别。而在这么短的时间内，大部分传统计算机系统只能“注意到”这个对象，无法对其进行识别。

人工神经网的加工源于计算机模拟设计。研究人员用3D打印设备制作了薄至8厘米见方的聚合物晶片。每个晶片的表面都不平坦，有助于在不同方向上衍射物体反射的光。这些层都是肉眼看见、不透明的，可以由实验级的光穿过，每层由数万个人造神经元组成。实际上它们都是能透光的微像素。

这些像素一起化身“光学网络”，物体反射的光穿过之后，“网络”会对光进行处理，进而识别这个物体。

然后，研究人员用计算机对这个“网络”进行反复测试，通过人工智能的深度学习系统，使之学习物体反光的模式，然后在重复学习的过程中逐渐了解物体的外观。

加州大学洛杉矶分校的研究人员认为，该技术可优化基于物体识别的数据密集型任务。例如，使用该技术的无人驾驶汽车可以立即对停车标志做出反应；而基于UCLA系统的设备将快速“读取”标志，无需等汽车相机成像，然后用计算机再进行识别。