在《自然光子学》今天发表的一篇论文中，牛津大学的研究人员与来自明斯特大学、海德堡大学和埃克塞特大学的合作者报告了他们开发的能够处理三维 (3D) 数据的集成光子电子硬件，大幅提高人工智能任务的数据处理并行性。
传统计算机芯片的处理效率每 18 个月翻一番，但现代人工智能任务所需的处理能力目前大约每 3.5 个月翻一番。这意味着迫切需要新的计算范式来应对不断增长的需求。
这种新方法是使用光而不是电子器件——这允许使用不同的波长并行执行多个计算来表示不同的数据集。事实上，在 2021 年《自然》杂志上发表的开创性工作中，许多作者展示了一种集成光子处理芯片，可以以远远超过机器学习速度的速度执行矩阵向量乘法（人工智能和机器学习应用的一项关键任务）。最快的电子方法。这项工作促成了光子人工智能公司Salience Labs的诞生，该公司是牛津大学的衍生公司。
现在，该团队更进一步，为其光子矩阵矢量乘法器芯片的处理能力添加了额外的并行维度。这种“高维”处理是通过利用多个不同的无线电频率对数据进行编码来实现的，将并行性提升到远远超出以前所达到的水平。
作为一个测试案例，该团队将他们的新型硬件应用于评估心脏病患者心电图猝死风险的任务。他们能够成功同时分析 100 个心电图信号，以 93.5% 的准确度识别猝死风险。
研究人员进一步估计，即使适度扩展 6 个输入 × 6 个输出，这种方法也可以超越最先进的电子处理器，有可能将能源效率和计算密度提高 100 倍。该团队预计，通过利用更多的光自由度（例如偏振和模式复用），未来计算并行性将进一步增强。
第一作者、牛津大学材料系的Bowei Dong 博士表示：“我们之前认为，使用光代替电子器件只能通过使用不同的波长来增加并行性，但后来我们意识到，使用射频来表示数据开辟了道路另一个维度，为新兴人工智能硬件实现超快速并行处理。”
领导这项工作的牛津大学材料系教授、Salience Labs 联合创始人Harish Bhaskaran表示： “这是一个激动人心的时刻，在基础规模上进行人工智能硬件研究中，如何进一步超越我们假设的极限，这项工作就是一个很好的开端。”
文章来自 “ wire19 ” ，作者 Amy Sarah John
【开源免费】graphrag是微软推出的RAG项目，与传统的通过 RAG 方法使用向量相似性作为搜索技术不同，GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。
项目地址：https://github.com/microsoft/graphrag
【开源免费】Dify是最早一批实现RAG，Agent，模型管理等一站式AI开发的工具平台，并且项目方一直持续维护。其中在任务编排方面相对领先对手，可以帮助研发实现像字节扣子那样的功能。
项目地址：https://github.com/langgenius/dify
【开源免费】RAGFlow是和Dify类似的开源项目，该项目在大文件解析方面做的更出色，拓展编排方面相对弱一些。
项目地址：https://github.com/infiniflow/ragflow/tree/main
【开源免费】phidata是一个可以实现将数据转化成向量存储，并通过AI实现RAG功能的项目
项目地址：https://github.com/phidatahq/phidata
【开源免费】TaskingAI 是一个提供RAG，Agent，大模型管理等AI项目开发的工具平台，比LangChain更强大的中间件AI平台工具。
项目地址：https://github.com/TaskingAI/TaskingAI
