张梦然是

乍一看，它跟它的同类几乎一模一样，不过仔细观察就会发现它有着强大的“脑部”，具备非凡的功能。

第一架利用全视控技术操作的神经形态智能无人机。

这是代尔夫特理工大学团队研发的新型无人机，使用动物大脑工作原理中的神经形态图像处理器控制自主飞行。相比目前GPU（图形芯片）上运行的深度神经网络，动物大脑所依赖的数据和消耗的能量要少得多。因此，采用动物脑工作机制的神经形态处理器非常适合小型无人机。该无人机在飞行过程中处理深度神经网络数据的速度比使用GPU时快64倍，能耗仅为后者的1/3。

“神经形态无人机”翱翔于花朵图腾上空，在角落中放置的一台神经形态照相机的接收之下获取到图像。图像中的红色代表色彩减弱，而绿色则象征色彩增强。照片来自圭多·德·克罗恩和代尔夫特理工大学

如果这项技术继续改进，有可能让所有的无人飞行器变成与飞虫或鸟类大小相仿的轻巧而机敏的飞行装置，并能具备智能化的能力。

“进阶”为脉冲神经网络

人工智能（AI）拥有巨大的潜力可以为自主机器人提供实际应用所需智力支持。然而，当前依赖深度神经网络所需的AI是需要大量计算能力来运行。用于运行深度神经网络的GPU会消耗大量的能源，特别是对于像无人机这样的小型机器人的传感器和计算资源非常有限。

与GPU中执行神经网络时采用的方式完全相反，动物的大脑处理信息的机制是截然不同的。它们以生物神经元异步方式来完成此类任务，并主要通过尖峰电脉冲进行交流。因为这样发送尖峰需要消耗大量能量，因此大脑会在最大程度上减少发送尖峰的情况出现。

受动物的大脑这一特性启示，私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596研究人员正致力于开发新型的神经形态处理器。该种处理器能够运行脉冲式神经网络。

脉冲神经元在网络中的作用远比标准深度神经网络更为直接和高效。数字脉冲神经元仅需简单加法操作便能完成，而传统神经元则需要对数值乘以浮点数加以运算。因此，脉冲神经元的运算速度更快且能耗更低，举个例子来说明其区别就类似于人类大脑能够清晰地判断出计算5+8远比计算6.25×3.45＋4.05×3.45容易得多。

如若神经形态处理器能与其神经形态传感器，比如神经形态相机，相融合，该技术的能源消耗也能进一步提升，并将显著增强自主机器人的性能与效率。

首次将神经形态视觉与控制结合起来

在《科学·机器人》上发表的一篇论文中，荷兰代尔夫特理工大学的研究团队展示了利用神经形态视觉和控制进行自主飞行的无人机技术。该小组开发出了一种脉冲神经网络，可以处理从神经形态相机接收到的信号，并输出控制命令以调整无人机的姿态和推力。他们把这个网络部署到无人机上的神经形态处理器上，也就是英特尔Loihi神经形态研究芯片上。借助于网络的作用，无人机能够感知并自主控制自身在各个方向上移动。

训练脉冲神经网络是一项巨大的任务，该研究小组设计了一种包含两个模块的网络系统。第一个模块用于学习使用从移动中的神经形态相机收集到的图像信号，通过视觉来感知运动。这个模块仅基于来自相机的数据完成，是完全自监督式的。

第二模块的学习过程依赖于仿真中的自进化，经过几轮自进化后，脉冲神经私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596网络就能够更有效地执行操作，以至于能够在任意角度上实现平滑地移动。

最终，在黑夜中穿行或是白昼翱翔的任何环境之中，该款无人机通过它强大的神经形态视觉与精准的操控技术都能实现对各种光源条件下速度的不同调整。

大幅度地提高神经形态AI的效能与速度

这是神经形态AI一次完美的表演。

首先，这个网络每秒钟要运行大约274—1600次。在使用同构式的小型嵌入式GPU运行相同的网络时，则该网络平均每秒钟仅运行两次，其差别可达十到六十四倍。

接下来，在运行该网络时，英特尔Loihi神经形态研究芯片消耗大约0.107瓦的能量，其中的0.001瓦是处理器打开状态时的空余功率，并且在无负载下仅产生0.7毫瓦的电量；相比之下，嵌入式GPU耗电3瓦，在开启该网络时会使用约2瓦的能量。

神经形态方法无疑极大地提高了AI的运行速度和效率，并且可让小型自主机器人轻而易举地部署上线。

微型自主无人机用于监测温室作物及跟踪仓库库存等领域。这类飞行器更安全，在狭窄空间内亦能顺畅航行，并且成本低廉，能够大量部署迅速遍布整片地区。

但是科学家没有满足于仅对大脑进行如此有限的研究。他们会继续探索并进一步缩减其神经形态硬件，同时将其应用扩大到更为复杂的任务。