共计 767 个字符，预计需要花费 2 分钟才能阅读完成。
罗切斯特大学的电气和计算机工程师正致力于开发一种基于大脑视觉系统的人工智能工具，以指导自主系统如无人机和自动驾驶汽车。目前，这些系统依赖于神经网络——一种受人类大脑启发的可训练计算系统。然而，这些系统运行在最初为通用计算任务设计的数字计算机上，虽然可靠性极高，但能耗也相对较大。
为了探索更适用于机器学习的节能计算机系统，罗切斯特大学的工程师们正在开发新的模拟硬件，旨在提高无人机的效率。他们放弃了在数字硬件上开发的传统最先进神经网络，转而采用基于神经科学理论的预测编码网络。这些网络认为大脑拥有对环境的心理模型，并根据眼睛的反馈不断更新。
- 
- 
- 
- 
- 
- 
罗切斯特大学的教授 Michael Huang 表示：“神经科学家的研究表明，开发神经网络的主力——这种称为反向传播的机制——在生物学上是不合理的，我们大脑的感知系统并不是这样工作的。为了解决这个问题，我们询问了大脑是如何做到的。主流理论是预测编码，它涉及一个预测和修正的层次过程。”
Huang 还指出，罗切斯特大学在计算机视觉研究方面有着丰富的历史，已故的计算机科学教授 Dana Ballard 是最早、最具影响力的预测编码网络论文的作者之一。
由罗切斯特大学领导的团队包括 Huang 以及电气与计算机工程教授 Hui Wu 和 Tong Geng，他们的学生，以及来自莱斯大学和加州大学洛杉矶分校的两个研究小组。该团队将在未来 54 个月内从国防高级研究计划局（DARPA）获得高达 720 万美元的资金，用于开发基于模拟电路的生物启发预测编码网络，用于数字图像识别。虽然初始原型将专注于静态图像的分类，但如果他们能够让模拟系统接近现有数字方法的性能，他们相信它可以转化为自动驾驶汽车和自主无人机所需的更复杂的感知任务。
尽管该方法新颖，但该系统不会使用任何实验设备，而是将使用现有的互补金属氧化物半导体（CMOS）等技术制造。
