北京清华大学的研究人员利用光学模拟处理图像数据，达到了令人惊叹的速度。ACCEL 每瓦功率每秒可进行 748 亿次运算，每秒可进行 46 亿次计算。
研究人员将其速度和能耗与英伟达（Nvidia）的 A100 电路进行了比较。最重要的是，ACCEL 的速度明显快于 A100--处理每张图像的平均时间为 72 纳秒，而 A100 的相同算法处理时间为 0.26 毫秒。每帧的能耗为 4.38 纳焦，而 A100 为 18.5 毫焦。这两个数字分别是 ACCEL 的约 3,600 倍和 4,200 倍。
ACCEL 电路中 99% 的图像处理都是在光学系统中进行的，这也是效率提高数倍的原因。通过处理光子而不是电子，减少了能量需求，同时减少了转换次数，使系统运行速度更快。
网友评论：
1、这是一种用于图像识别的专用芯片，与我们人工智能无关。我是做 ML 的，读过这篇论文，以下是我的技术观点：
在计算上，重任由衍射光学傅立叶变换完成，而不是芯片。
这就是问题所在--这并不是等同于他们所比较的数字 Convnet 所做的直接计算。它更像是在图像的二维傅立叶变换上运行的简单神经网络。
当试图超越 MNIST 类型的任务，即在普通背景上识别物品时，这种方法就会出现灾难性的崩溃。
即使是琐碎的分类任务，其错误率也大大低于最新技术水平。在论文中，他们以 Lenet-5 为基准，即 1998 年 LeCun 的原始 convnet。结果他们还是输了：https://www.nature.com/articles/s41586-023-06558-8/figures/3
对于非常简单的图像识别应用来说，这是一项很酷的技术，它将受益于极低的延迟和功耗。
2、它是在 MNIST 上进行的，这是一个非常简单的分类任务，通常是 ML 类中要解决的第一个问题。
MNIST 由我们亲爱的 Yann LeCun 于 1998 年创建，迄今为止已为他赢得了高达 6887 次引用。该数据集非常旧且很小。它被认为是标准的“玩具问题”。
我的意思是，这与 GPT-4 之间有很大差距，GPT-4 相差 1300 万倍。
MNIST 相当于大约 1M 个token，GPT-4 在 13T 个token上进行训练。这意味着即使它效果很好，他们也需要对其进行大量扩展才能发挥作用。