一个隔音板条箱里装着世界上最糟糕的神经网络之一。在看到数字6的图片之后，它停顿了片刻，然后识别出里面的数字：0。领导开发这个网络的康奈尔大学物理学工程师 Peter McMahon 不好意思地笑着为它辩护，说手写的数字太潦草了。从 NTT Research 访问 McMahon 实验室的博士后 Logan Wright 保证，该设备通常会得到正确的答案，但是也承认错误很常见。他表示，“它就是这么糟糕。”尽管表现平平，但这个神经网络是开创性的。研究人员将板条箱翻了过来，露出的不是计算机芯片，而是一个麦克风，这个麦克风朝向用螺栓固定在扬声器上的钛板。其他神经网络在0和1的数字世界中运行，而这台设备靠声音运行。当 Wright 给出一个新的数字图片时，它的像素会被转换成音频，扬声器震动钛板，实验室会出现微弱的振动声。然后金属混响——而不是运行在硅片上的软件——进行“阅读”。该设备经常令人费解，甚至对它的设计者来说也是如此。

McMahon 表示：“无论震动金属的是什么，它都应该和手写数字的分类无关。”康奈尔大学团队在 1 月份的《自然》期刊上发表了一篇

，介绍了该设备简陋的阅读能力，这让 McMahon 和其他一些人希望它的后代能彻底改变计算。计算机科学家发现，对于传统机器学习而言，越大越好。用更多的人工神经元（存储数值的节点）填充神经网络可以提高其区分腊肠犬和斑点狗的能力，或者在无数其他模式识别任务中取得成功。真正巨大的神经网络可以完成令人不安的人类工作，例如撰写论文和创作插画。有了更多的计算能力，更伟大的创举也许会成为可能。这种潜力激励了许多人努力开发更强大和更有效的计算方法。

McMahon 和一群志同道合的物理学家倡导一种非正统的方法：

。McMahon 表示：“很多物理系统天然可以比计算机更有效或者更快地进行某些计算。”他举了风洞为例：当工程师设计飞机时，他们会将蓝图数字化，并且在超级计算机上花费数个小时模拟空气如何在机翼周围流动。或者他们可以将飞机放进风洞，看看它是否能飞起来。从计算的角度来看，风洞会立刻“计算出”机翼与空气的相互作用。