人脑启发的低能耗自主决策
人脑在持续做出决策、控制身体朝目标移动或避开障碍物时，只需极少能量。普渡大学的一位工程师受这种高效机制启发，致力于让无人机、机器人等自主设备在现场完成关键且时间敏感的决策，同时保持低功耗运行。
普渡大学埃尔莫尔家族电气与计算机工程学院爱德华·G·蒂德曼（Edward G. Tiedemann, Jr.）杰出电气与计算机工程教授、芯片与人工智能研究所所长 Kaushik Roy，正带领团队研发类脑人工智能硬件，使自主系统能够高效导航并适应复杂环境。相关成果已发表于《Communications Engineering》期刊。
过去几十年，得益于机器学习，人工智能系统在模式识别、预测和决策方面取得巨大进展。但支撑这些能力的算法通常需要密集计算，再加上传统硬件架构的限制，整体能耗非常高。
Roy 指出，目前主流 AI 系统中，处理单元与存储单元是分离的：“要把数据从存储搬运到处理器并执行复杂运算，需要消耗大量能量。这对无人机等必须快速、低功耗处理信息以避障和完成任务的设备来说，是一个严重问题。”
为应对这一挑战，Roy 及其纳米电子学研究实验室团队正在构建一整套传感器、算法和硬件系统，使基于视觉的自主车辆能够在从 A 点到 B 点的过程中，避开障碍、优化能耗并实现真正的独立运行。
“根据我们目前对大脑的有限理解，大脑中的计算与存储并不是分离的，这也是它成为极高效处理器的原因之一。”Roy 说，“因此我们直接借鉴大脑的工作方式，协同设计硬件和算法，以优化各类人工智能设备。”
脉冲神经网络支撑类脑认知
该系统的算法核心是脉冲神经网络（Spiking Neural Networks，SNNs）。所有神经网络都由多层人工神经元构成，当接收到输入信息时会被激活，类似大脑中的生物神经元。
不同的是，在传统神经网络中，每次有输入时，大量甚至全部神经元都会参与计算，导致每一次推理或决策都要消耗可观能量。
而在 SNN 中，单个神经元只有在接收到“重要”信息时才会“发放”或“脉冲”。这里的“重要”由神经元的膜电位阈值决定——只有当输入累积到超过这一阈值时，神经元才会产生脉冲并输出响应。
因此，每个神经元只会处理并保留与自身功能相关的“记忆”。
“每个神经元的膜电位本身就起到记忆的作用，使网络能够保留过去的信息，这与生物神经元的行为类似。”Roy 解释道。
这种特性对处理序列数据和时间相关任务尤为关键，而这正是无人机和其他自主车辆在感知环境、预测变化并决定下一步动作时所面临的典型任务。
不过，选择性激活虽然提升了能效，却也带来训练难题。传统神经网络依赖反向传播，通过在各层之间反复传递误差信号来学习；而在 SNN 中，由于神经元活动是离散且稀疏的，可用的信息更少，且脉冲的精确时间对性能至关重要。
传统反向传播主要关注“错误发生在何处”，而不关心“错误发生在何时”，这与 SNN 对时间的敏感性并不匹配。
为解决这一问题，Roy 团队提出了混合神经网络架构，将传统神经网络与 SNN 的优势结合起来：既能有效捕捉时序信息，又保持良好的可训练性和紧凑结构，适合部署在资源受限的自主设备上。
事件驱动摄像头强化导航能力
在感知层面，两种关键算法——Spike-FlowNet 和 Adaptive Safety Margin Algorithm——配合安装在自主车辆上的事件驱动摄像头，大幅提升了环境感知与处理效率。
事件驱动摄像头的工作方式与 SNN 中的神经元类似：每个像素独立运行，仅在该像素检测到亮度变化或运动时才输出数据。相比之下，传统摄像头会持续输出整幅画面中所有像素的信息。
这种传感方式模仿了人类视觉系统的两个重要特征：快速眼动（saccades）以及对特定区域的聚焦。通过优先处理“感兴趣区域”，而不是对每一帧画面做完整计算，系统可以更快、更节能地理解场景。
“人类视觉会选择性地关注某些区域，并通过快速眼动高效扫描整个场景。”Roy 说，“我们的工作是把这些机制引入人工视觉系统，让计算资源集中在最相关的部分，比如运动物体，而不是平均分配给所有像素。”
Roy 团队已经在无人机平台上测试了这套技术。实验中，无人机能够在飞行过程中实时绕过移动的环形障碍物。
“仅依靠视觉传感器，无人机就能避开静止和移动目标，安全到达目的地。”Roy 表示，“在这个过程中，它必须判断视野中物体的运动情况、估计深度并规划飞行路径。这些都是高度依赖时间的信息处理任务，需要理解场景随时间的变化。”
计算与存储融合的专用类脑硬件
系统的最后一块拼图是专用硬件，目前仍在开发阶段。Roy 的目标是通过“存内计算”来消除传统冯·诺依曼架构中的瓶颈——数据在中央处理单元和存储单元之间来回传输的通道往往导致延迟和能耗增加。
新硬件尝试将计算操作直接映射到存储芯片上，使数据在存储位置就能完成大部分运算，从而大幅缩短数据移动路径。
其中一种关键器件是电子突触，它通过电流在金属层中产生的自旋轨道转矩效应，模拟大脑中突触的学习过程。
自旋轨道转矩通过控制电流的时序和强度，改变磁性层内部区域的状态。器件在“学习”过程中，实际上是通过电流物理地重塑其磁结构，从而影响之后电流通过时的导通强度。
像电子突触这样的器件不仅能显著降低功耗、提升能效，更重要的是，它们可以在无需互联网连接的情况下独立运行，这对在野外或极端环境中执行任务的自主设备尤为关键。
虽然当前演示主要集中在无人机平台上，但同样的类脑架构可以扩展到地面机器人、自动驾驶车辆、可穿戴设备以及其他需要实时感知和决策、同时又受能耗和算力限制的嵌入式 AI 系统中。
