从外表看，这台无人机和它的同类没有很大不同，但实际上，它的“大脑”别有乾坤。
这是荷兰代尔夫特理工大学团队研发的新式无人机，采用了基于动物大脑工作原理的神经形态图像处理器来控制自主飞行。与目前在GPU（图形芯片）上运行的深度神经网络相比，动物大脑使用的数据和能量更少。因此，神经形态处理器非常适合小型无人机，完全不需要笨重的大型硬件和电池。在飞行过程中，该无人机的深度神经网络处理数据的速度比在GPU上运行时快64倍，而能耗仅为后者的1/3。
如果这项技术进一步发展，可能会使所有无人机都变得像飞虫或鸟类一样小巧、敏捷且智能。
“进阶”为脉冲神经网络
人工智能（AI）拥有巨大潜力，可为自主机器人提供实际应用所需的智力支持。然而，当前的AI依赖于需要大量计算能力的深度神经网络。用于运行深度神经网络的GPU又会消耗大量能量，特别是对于像无人机这样的小型机器人来说，更是一个严重问题，因为它们在传感和计算方面只能携带非常有限的资源。
动物大脑处理信息的方式，则与GPU上运行的神经网络截然不同。生物神经元异步处理信息，主要通过尖峰电脉冲进行通信。由于发送这样的尖峰会消耗能量，因此大脑会自发最大限度地减少尖峰。
受动物大脑这些特性的启发，科学家们正在开发新的神经形态处理器。这些新处理器允许运行脉冲神经网络。
脉冲神经网络执行的计算比标准深度神经网络中的计算简单得多。数字脉冲神经元只需要添加整数，而标准神经元必须相乘并添加浮点数。这使得脉冲神经网络更快、更节能。举个例子，这就好比人类大脑可以简单地判断出，计算5＋8比计算6.25×3.45＋4.05×3.45要容易得多。
如果将神经形态处理器与神经形态传感器（如神经形态相机）结合，这种能源效率还将进一步提高。其信号可直接输入在神经形态处理器上运行的脉冲神经网络，成为自主机器人的巨大推动力。
首次实现神经形态视觉和控制
在发表于《科学·机器人》上的一篇文章中，荷兰代尔夫特理工大学研究人员首次展示了这种使用神经形态视觉和控制进行自主飞行的无人机。具体来说，他们开发了一种脉冲神经网络，可处理来自神经形态相机的信号，并输出控制命令，以确定无人机的姿态和推力。他们将这个网络部署在无人机上的神经形态处理器上，即英特尔的Loihi神经形态研究芯片。借助网络，无人机可感知并控制自己在各个方向的运动。
训练脉冲神经网络其实是个巨大挑战。研究团队设计了由两个模块组成的网络。第一个模块学习从移动的神经形态相机的信号中，通过视觉感知运动。它仅利用来自相机的数据，完全以自我监督的方式自行完成，类似于动物学习如何感知世界。
第二个模块学习在模拟器中将估计的运动映射到控制命令。这种学习依赖于模拟中的人工进化，经过几代人工进化，脉冲神经网络就会越来越擅长控制，最终能够以不同的速度向任何方向飞行。
最终，无论是在黑暗环境中穿梭，还是在明亮光线下翱翔，凭借其神经形态视觉和控制，无人机能轻松实现不同的光照条件下的多种速度飞行。
神经形态AI大幅提高能效和速度
这是神经形态AI的一次完美演出。
首先，该网络平均每秒运行274—1600次。而在小型嵌入式GPU上运行的同一网络，平均每秒仅运行25次，相差10—64倍。
其次，在运行该网络时，英特尔Loihi神经形态研究芯片耗电1.007瓦，其中1瓦是处理器在打开芯片时消耗的空闲功率，运行网络本身只需7毫瓦；相比之下，嵌入式GPU在运行同一网络时，耗电为3瓦，其中1瓦为空闲功率，2瓦用于运行网络。
神经形态方法无疑使AI运行更快、更高效，而且能轻松部署在微型自主机器人上。
拿微型自主无人机来说，其可用于监测温室作物、跟踪仓库库存等诸多领域。它们更安全，可在狭窄的环境中（比如几株植物之间）顺利导航；它们还非常便宜，可以成群部署，快速覆盖一整个区域。
但科学家不会止步于此，他们正在进一步缩小神经形态硬件，并准备将神经形态AI扩展到更复杂的任务中。
从外表看，这台无人机和它的同类没有很大不同，但实际上，它的“大脑”别有乾坤。
这是荷兰代尔夫特理工大学团队研发的新式无人机，采用了基于动物大脑工作原理的神经形态图像处理器来控制自主飞行。与目前在GPU（图形芯片）上运行的深度神经网络相比，动物大脑使用的数据和能量更少。因此，神经形态处理器非常适合小型无人机，完全不需要笨重的大型硬件和电池。在飞行过程中，该无人机的深度神经网络处理数据的速度比在GPU上运行时快64倍，而能耗仅为后者的1/3。
如果这项技术进一步发展，可能会使所有无人机都变得像飞虫或鸟类一样小巧、敏捷且智能。
“进阶”为脉冲神经网络
人工智能（AI）拥有巨大潜力，可为自主机器人提供实际应用所需的智力支持。然而，当前的AI依赖于需要大量计算能力的深度神经网络。用于运行深度神经网络的GPU又会消耗大量能量，特别是对于像无人机这样的小型机器人来说，更是一个严重问题，因为它们在传感和计算方面只能携带非常有限的资源。
动物大脑处理信息的方式，则与GPU上运行的神经网络截然不同。生物神经元异步处理信息，主要通过尖峰电脉冲进行通信。由于发送这样的尖峰会消耗能量，因此大脑会自发最大限度地减少尖峰。
受动物大脑这些特性的启发，科学家们正在开发新的神经形态处理器。这些新处理器允许运行脉冲神经网络。
脉冲神经网络执行的计算比标准深度神经网络中的计算简单得多。数字脉冲神经元只需要添加整数，而标准神经元必须相乘并添加浮点数。这使得脉冲神经网络更快、更节能。举个例子，这就好比人类大脑可以简单地判断出，计算5＋8比计算6.25×3.45＋4.05×3.45要容易得多。
如果将神经形态处理器与神经形态传感器（如神经形态相机）结合，这种能源效率还将进一步提高。其信号可直接输入在神经形态处理器上运行的脉冲神经网络，成为自主机器人的巨大推动力。
首次实现神经形态视觉和控制
在发表于《科学·机器人》上的一篇文章中，荷兰代尔夫特理工大学研究人员首次展示了这种使用神经形态视觉和控制进行自主飞行的无人机。具体来说，他们开发了一种脉冲神经网络，可处理来自神经形态相机的信号，并输出控制命令，以确定无人机的姿态和推力。他们将这个网络部署在无人机上的神经形态处理器上，即英特尔的Loihi神经形态研究芯片。借助网络，无人机可感知并控制自己在各个方向的运动。
训练脉冲神经网络其实是个巨大挑战。研究团队设计了由两个模块组成的网络。第一个模块学习从移动的神经形态相机的信号中，通过视觉感知运动。它仅利用来自相机的数据，完全以自我监督的方式自行完成，类似于动物学习如何感知世界。
第二个模块学习在模拟器中将估计的运动映射到控制命令。这种学习依赖于模拟中的人工进化，经过几代人工进化，脉冲神经网络就会越来越擅长控制，最终能够以不同的速度向任何方向飞行。
最终，无论是在黑暗环境中穿梭，还是在明亮光线下翱翔，凭借其神经形态视觉和控制，无人机能轻松实现不同的光照条件下的多种速度飞行。
神经形态AI大幅提高能效和速度
这是神经形态AI的一次完美演出。
首先，该网络平均每秒运行274—1600次。而在小型嵌入式GPU上运行的同一网络，平均每秒仅运行25次，相差10—64倍。
其次，在运行该网络时，英特尔Loihi神经形态研究芯片耗电1.007瓦，其中1瓦是处理器在打开芯片时消耗的空闲功率，运行网络本身只需7毫瓦；相比之下，嵌入式GPU在运行同一网络时，耗电为3瓦，其中1瓦为空闲功率，2瓦用于运行网络。
神经形态方法无疑使AI运行更快、更高效，而且能轻松部署在微型自主机器人上。
拿微型自主无人机来说，其可用于监测温室作物、跟踪仓库库存等诸多领域。它们更安全，可在狭窄的环境中（比如几株植物之间）顺利导航；它们还非常便宜，可以成群部署，快速覆盖一整个区域。
但科学家不会止步于此，他们正在进一步缩小神经形态硬件，并准备将神经形态AI扩展到更复杂的任务中。
记者3月18日从兰州大学获悉，该校动物医学与生物安全学院郑海学教授团队解析了非洲猪瘟病毒（ASFV）在猪体内感染的靶细胞，以及在靶细胞内延长感染的机制。这项研究系统阐明了ASFV感染的细胞嗜性、 3月18日是第24个“全国爱肝日”。今年活动的主题是，“早防早筛，远离肝硬化”。重庆多所医院开展义诊咨询活动，通过普及肝病的防治知识，让民众主动筛查、规范治疗、定期随访，提高大众爱肝护肝意识， 马斯克用行动反击 开源自家顶级大模型 压力给到OpenAI 《科创板日报》3月18日讯(编辑 宋子乔) 似乎是为了表明自己始终坚持对AI模型开源，马斯克做出了与阿尔特曼全然不同的选择。3月17日，马斯克宣布开源Grok-1，这 英国科学家首次创造了一个新颖的实验平台，即“量子龙卷风”。它能模拟超流体氦中的黑洞，使研究人员能更详细地观察类似黑洞的行为以及与周围环境的相互作用。通过对超流体氦表面微波动力学的观 3月18日，记者从中南大学生殖与干细胞研究所获悉，研究所林戈、卢光琇教授团队提出的一项新理论称，原始生殖细胞的性染色体组成在人类性别决定中起关键作用。相关论文日前发表于国际生殖领域杂志 英伟达的GPU又升级了。3月19日，英伟达CEO黄仁勋发布了最新的B200算力芯片GPU，FP8精度下的训练性能是上一代的2.5倍，FP4精度下的推理性能更是达到了上一代的5倍。然而，这场技术狂欢背后，却令AI领域 。本文链接：向动物大脑学习：未来无人机像飞鸟一样轻捷智能http://www.sushuapos.com/show-2-6452-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 科学家绘出海底无脊椎动物活动图谱
下一篇： 非人灵长类动物完整染色体序列首次发布