关于物理世界、数字世界和生物世界与机器融合的讨论和著述已经很多。
人工智能已成为一个包罗万象的说法，用来描述复制人类固有能力，并将其嵌入人造系统；这些系统或许能够比我们的身体和大脑运行得更好，至少也更高效。
毫无疑问，进步已经取得。
无论好坏，人们都在不可阻挡地追求用构成现代机器关键系统的二进制代码、硅和基板来模仿人类的特征与能力。
然而，就像跑进四分钟以内完成一英里赛跑或征服珠穆朗玛峰一样，有些转折点——确实也有受物理定律约束的局限——要求我们重新思考计算范式。
不只是视力，更是视觉
在迈出下一步、制造不仅能看见，而且能真正感知自身所处并与之互动的环境的机器这一过程中，我们已经走到了这样的节点。
要实现可靠、实用且智能的视觉系统，必须克服功耗、性能和可预测性方面的障碍。
借鉴人类视觉，我们可以重塑计算机视觉，并推动新一代视觉增强型产品和服务的发展。
挑战重大，对社会的回报也同样可观。
新型机器视觉有望彻底改变我们出行、工作和沟通的方式，让这些活动更安全、更高效；甚至还能以一种颇具反讽意味的悖论，帮助身体克服人类视觉能力的自然局限或缺陷。
我们认为，受生物学启发的视觉技术可能带来：
● 实现无缝出行，自动驾驶汽车事故率为 0%
● 高速无人机和配送车辆运行时没有碰撞风险
● 通过智能设备的高级预警系统消除危险或风险
● 人类与机器人实现共生协作
● 终结失明和视力丧失
机器视觉：时间仿佛停滞不前
用机器捕捉图像当然不是新概念；事实上，世界上拍摄的第一张照片距今已有近两百年。
不过，信不信由你，在机器观看和记录图像的方式上，几十年来相机的工作原理一直没有变化。
也就是说，阵列中的所有像素同时测量接收到的光线，然后将测量结果传送给支持硬件。
这样做一次，就得到一张静态照片；足够快速地重复这一过程，就得到一段视频——自 19 世纪 80 年代埃德沃德·迈布里奇在研究动物运动时意外创造电影以来，这种方式几乎没有改变。
为超级计算机配自拍相机
当相机主要用于为人拍摄人物照片时，这种方式是合理的。
如今，计算机正迅速成为全球最大的图像使用者，但图像的捕捉方式并未因此改变。
说到底，我们仍在为超级计算机制造自拍相机。
一种名为神经形态工程的学科为我们指明了打造适合机器的成像技术的路径。它从大脑的结构和处理策略中汲取线索，以构建更出色、受生物学启发的计算机视觉方案。
几十年来，这项工作一直属于纯研究领域；但在过去约 10 年里，我们和其他人一直在运用这一方法打造实用的视觉系统。
进化的产物
人类视觉系统赋予我们巨大的进化优势，但代价是必须维持一个足够强大的大脑，以解读视觉场景中海量的数据。
进化过程中的精打细算促成了一些捷径，帮助我们应对数据洪流。
例如，只有当眼睛中的感光细胞检测到视觉场景的某项特征发生变化时，例如对比度或亮度变化，才会向大脑报告。
从进化角度看，能够专注于场景中的运动，远比反复、不加区分地记录场景中的每个细节重要。
当我们谈到某些应用和使用模式中采集并分析的海量数据时，这一点尤其重要，例如自动驾驶汽车。
在受控环境中，复杂的后处理可以弥补传统视频成像的这一局限。
但这种蛮力方法无法用于实时的现场场景，因为这些场景的功耗、带宽和计算资源有限，例如移动设备、无人机或其他小型机器人。
少即是多
对机器而言，和人类一样，少即是多是提高视觉效率的关键。
新范式不再逐帧分析图像（我们的眼睛显然不会这样做），而是根据场景中的变化有选择地捕捉视觉信息。
这种方法优化了速度与准确度之间的权衡，并为计算机视觉和成像应用开辟了广阔的时间维度空间。
采用基于事件的模型，我们可以实现一些关键优势——也是传统相机目前的局限所在——例如低延迟事件检测、低功耗和更低的带宽需求。这意味着视觉技术可以有效应用于范围广泛得多的应用和产品。
谈到我们如何制定战略时，公司的一位创始人喜欢这样说：“这不是我们发明的，而是我们观察到的。人类捕捉感兴趣的内容——空间和时间上的变化——并将这些信息非常高效地传送到大脑。”
如果这种策略对人类足够有效，那么对新一代仿生视觉传感器以及支撑计算机视觉的相关人工智能算法来说，也应该同样适用。
现在是时候将一种类似人眼运作方式的方案推向市场，以实现更高水平的便利、安全和生活质量。
如需了解有关 2017 年度技术先锋的更多信息，请访问我们的网站。
