人脑在不知不觉中不断做出决策。它只需极少的能量就能引导身体朝所需方向移动或避开障碍物。据外媒报道，普渡大学（Purdue University）埃尔莫尔家族电子与计算机工程学院工程师Kaushik Roy开发出受大脑启发而设计的硬件，使自主设备能够高效地导航并适应周围环境，帮助无人机和机器人等自主车辆在实际作业中做出关键的、时间紧迫的决策。

图片来源： 普渡大学

过去几十年，人工智能机器凭借机器学习取得了显著进步，机器学习使这些设备能够识别模式并做出预测或决策。然而，由于算法需要进行大量的计算，以及运行这些算法的硬件设计，因此它们需要消耗大量的能量才能运行。

“如今的人工智能设备采用独立的处理单元和存储单元，”Roy说道，“将数据从内存传输到处理单元，然后再执行所有这些复杂的操作，都需要消耗大量的能量。对于无人机这类需要快速高效地处理信息以避开障碍物并完成既定任务的机器来说，这尤其成问题。”

为了解决能源问题，Roy和他在纳米电子研究实验室的团队正在开发一套传感器、算法和硬件系统，使基于视觉的自主车辆能够从A点移动到B点，同时避开障碍物、优化能源利用并独立运行。

“就我们对大脑的有限了解而言，计算和记忆并非分离，这使其成为我们所能想象到的最高效的处理器，”Roy表示。“这就是为什么我们要从大脑中汲取更多直接的灵感，并与大脑共同设计硬件和算法，以优化各种人工智能设备。”

算法驱动人工智能认知

该系统的核心是被称为脉冲神经网络（SNN）的算法。所有神经网络都由多层人工神经元组成，这些神经元在接收到信息时会被激活，这与大脑中生物神经元的工作方式非常相似。然而，与大脑不同的是，传统神经网络中的所有神经元都会在每次信息输入时激活，因此网络每次计算、决策或行动都会消耗大量能量。

另一方面，SNN中的单个神经元仅在接收到重要信息时才会激活，即“脉冲”。对于特定神经元而言，信息的“重要性”取决于其设定的膜电位——一个决定神经元何时激活的阈值。输入或数据必须达到该阈值，神经元才会产生脉冲并做出反应。因此，每个神经元只处理和存储与其功能相关的“记忆”。

算法驱动人工智能认知

该系统的核心是被称为脉冲神经网络（SNN）的算法。所有神经网络都由多层人工神经元组成，这些神经元在接收到信息时会被激活，这与大脑中生物神经元的工作方式非常相似。然而，与大脑不同的是，传统神经网络中的所有神经元都会在每次信息输入时激活，因此网络每次计算、决策或行动都会消耗大量能量。

另一方面，SNN中的单个神经元仅在接收到重要信息时才会激活，即“脉冲”。对于特定神经元而言，信息的“重要性”取决于其设定的膜电位——一个决定神经元何时激活的阈值。输入或数据必须达到该阈值，神经元才会产生脉冲并做出反应。因此，每个神经元只处理和存储与其功能相关的“记忆”。

为了解决这些问题，Kaushik和他的团队开发了一种混合神经网络，它结合了传统神经网络和脉冲神经网络（SNN）的优势。这种组合能够有效地捕捉时间信息，同时保持足够的可训练性和紧凑性，适用于自主设备。

事件驱动型摄像头增强导航性能

两种名为Spike-FlowNet和自适应安全裕度算法的算法，能够帮助安装在车辆上的专用事件驱动型摄像头更有效地扫描和处理周围环境。

与SNN中的单个神经元类似，事件驱动型摄像头中的各个像素独立运行，摄像头仅在像素发生移动或变化时才进行记录。这与传统摄像头不同，传统摄像头会始终记录整个场景——所有像素。

图片来源： 普渡大学

这些摄像机通过模拟人类视觉系统的两个关键方面——快速眼动和眼睛的聚焦方式——来模仿人类解读视觉数据的方式。这种方法通过优先处理感兴趣区域而非逐帧计算，帮助基于事件的摄像机更快地处理场景。

“人类视觉系统能够快速聚焦于特定区域，并利用快速眼动来高效地扫描场景，”Roy说道。“我们的工作将这些机制融入到人工视觉系统中，使其能够将计算资源集中在场景中最相关的部分（例如移动物体）上，而不是对所有信息进行均等处理。”

Roy和他的团队已在无人机上测试了这项技术，无人机成功地实时绕过了移动的圆环。

“仅使用视觉传感器，无人机就能避开静止和移动的物体，并无碰撞地到达目标，”Roy表示。“在此过程中，它必须判断物体在视野中的运动方式，估算深度，然后规划路径。这些都是与时间相关的操作，理解事物随时间的变化至关重要。”

计算与内存融合于专用硬件

硬件是Roy系统的最后一个组成部分，目前正在开发中。他的目标是利用内存计算来消除所谓的冯·诺依曼瓶颈——数据必须在计算机中央处理器和内存之间传输的路径，这通常会导致计算延迟。

正在开发的硬件通过将计算操作和过程直接映射到内存芯片上，有效地消除了这一路径。

其中一种装置，即模拟大脑学习方式的电子突触，其工作原理是：通过一层金属施加电流，从而产生一种称为自旋轨道转矩的效应。

自旋轨道转矩的工作原理是：根据电流的强度和时间，使磁性层中的不同区域朝不同方向移动。该装置能够学习电流何时会物理性地改变磁性结构，从而影响未来电流的强度。

像电子突触这样的设备可以降低功耗、提高能源效率，最重要的是，它们无需网络连接即可运行——这对于在野外作业的自主设备至关重要。

虽然演示中使用的是无人机，但这种受大脑启发而设计的架构同样可以应用于地面机器人、自动驾驶汽车、可穿戴设备以及其他需要在能源限制下进行实时感知和决策的嵌入式人工智能系统。