当今自动驾驶汽车和无人机的基础的图像识别技术依赖AI：计算机基本上教自己识别像狗一样的物体，穿过街道的行人或停下来的汽车之类的物体。问题是运行AI算法的计算机目前对于手持医疗设备等未来应用来说过于庞大且速度缓慢。

现在，斯坦福大学的研究人员已经设计出一种新型的AI相机系统，可以更高效地对图像进行分类，并且在未来可以将其构建得足够小，以嵌入到设备中，这是目前无法实现的。这项工作发表在“Nature Scientific Reports”上。

领导这项研究的斯坦福大学电子工程学助理教授Gordon Wetzstein表示，“自动驾驶汽车后备箱里有一个相对较大、相对缓慢、能耗较高计算机，未来的应用程序将需要更快速、更小的处理图像流过程。”

通过计算进行消耗

Wetzstein和论文第一作者Julie Chang，通过将两种类型的计算机合二为一，朝着这项技术迈出了一步，创造了专门用于图像分析的混合光电计算机。

原型相机的第一层是一种光学计算机，它不需要数字计算的高功耗数学。第二层是传统的数字电子计算机。

光学计算机层通过物理预处理图像数据来操作，以多种方式对其进行过滤，否则电子计算机将不得不以数学方式进行过滤。由于当光通过定制光学器件时滤波自然发生，因此该层以零输入功率工作。这为混合系统节省了大量的时间和精力，否则这些时间和能量将被计算消耗。

“我们已将AI的一些数学知识外包给了光学系统，”Chang说。

结果是计算量减少，内存调用次数减少，完成过程的时间也少得多。超越这些预处理步骤后，剩余的分析将进入数字计算机层，并且具有相当大的优势。

Wetzstein表示，“避开数以百万计的计算，这一切都以光速发生。”

快速决策

在速度和准确性方面，原型可与现有的仅电子计算处理器相媲美，这些处理器被编程为执行相同的计算，但节省大量的计算成本。

虽然他们目前的原型，安排在实验室工作台上，很难被归类为小型，但研究人员表示他们的系统有一天可以小型化，以用于手持摄像机或空中无人机。

在模拟和现实世界的实验中，该团队使用该系统在自然图像设置中成功识别飞机，汽车，猫，狗等。

“我们系统的某些未来版本在快速决策应用中尤其有用，例如自动驾驶汽车，”Wetzstein说。

除了缩小原型外，斯坦福计算成像实验室的Wetzstein，Chang及其同事正在研究如何使光学元件进行更多的预处理。最终，他们更小，更快的技术可以取代现在用于学会识别周围世界的，支持汽车，无人机和其他行李箱大小的计算机。

论文：www.nature.com/articles/s41598-018-30619-y