普渡大学工程师Kaushik Roy及其团队开发了一种受大脑启发的AI硬件系统，旨在帮助无人机和机器人等自主设备在野外高效、独立地运行。这项研究已发表在《Communications Engineering》期刊上。

当前AI设备通常设计有独立的处理单元和内存单元，导致数据移动消耗大量能量。Roy表示：“将数据从内存移动到处理单元执行复杂操作需要大量能量。这对于无人机等需要快速处理信息以避开障碍物的机器来说尤其成问题。”

为解决能量问题，团队开发了传感器、算法和硬件系统，使基于视觉的自主车辆能从A点移动到B点，同时避开障碍物并优化能量使用。Roy指出：“从我们对大脑的有限理解来看，计算和内存并未分离，本质上使其成为可想象的最有效处理器。这就是为什么我们从大脑中获取更直接的线索，并协同设计硬件和算法以优化各种AI设备。”

系统的核心是脉冲神经网络（SNNs）算法，其中神经元仅在接收到重要信息时触发，类似生物神经元，从而减少能量消耗。Roy解释道：“每个神经元的膜电位充当记忆，使网络能够记住过去，这对于无人机执行顺序性和基于时间的任务非常有用。”团队还开发了混合神经网络，结合传统神经网络和SNNs的优势，以捕捉时间信息并保持可训练性。

此外，事件相机通过模仿人类视觉系统的快速眼动和聚焦方式，优先处理感兴趣区域，帮助自主设备更快扫描环境。Roy说：“我们的工作将这些机制融入人工视觉系统，使其将计算资源集中在场景最相关的部分，如移动物体。”团队已在无人机上测试该技术，成功实时绕开移动物体。

硬件方面，团队正在开发内存内计算技术，以消除冯·诺依曼瓶颈，减少数据移动导致的延迟。电子突触设备模仿大脑学习方式，通过自旋轨道矩效应降低功耗，提高能源效率，并无需互联网连接即可运行。虽然演示使用了无人机，但该受大脑启发的AI硬件架构可应用于地面机器人、自动驾驶车辆和其他嵌入式AI系统，助力它们在能量限制下实现实时感知和决策。

出版详情：作者：Lindsey MacDonald, Purdue University；标题：《Brain-inspired AI hardware helps autonomous devices operate efficiently and independently》；发表于：《Communications Engineering》(2025)。