据外媒报道，英国布里斯托大学与曼彻斯特大学合作研发了一款能够学习和理解所看到的东西的摄像头，从而有助于实现智能摄像头。
机器人专家和人工智能(AI)研究人员都知道，目前的系统在感知和处理世界方面存在一个问题，仍需要将传感器(如为记录图像设计的数码相机)和为视频游戏加速而设计的图形处理单元(GPU)等计算设备结合起来。
这也意味着AI系统只有在记录并在传感器和处理器之间传输了视觉信息之后才能感知世界，但是，许多看到的东西往往与手头上的任务无关，例如，自动驾驶汽车经过路边的树木时所看到的树叶的细节。不过，现在所有此类信息都被传感器精确地捕捉并发送给了系统，导致系统内不相干的数据造成堵塞，消耗了能量，耗费了处理时间。因此，需要一种不同的方法来让智能机器实现高效视觉能力。
为此，布里斯托大学和曼彻斯特大学合作展示了如何将感知和学习结合起来，为AI系统创建新型摄像头。
研究人员表示，可以从自然系统处理视觉世界的方式中汲取灵感。例如，人类并不会感知一切，大脑和眼睛会合作来理解世界。在某些情况下，眼睛会自己进行处理，以帮助大脑减少理解不相关的东西。例如，青蛙眼睛上的探测器就可以在直接感知图像的地方发现苍蝇等物体。
该项研究改进了两个方面。首先，直接在图像平面上执行卷积神经网络(CNN，一种用于理解视觉信息的AI算法)。该团队研发的CNN能够每秒对帧进行数千次分类，无需记录此类图像或将其发送至处理管道。研究人员考虑对手写数字、手势甚至浮游生物进行分类，以作示范。
该项研究表明，未来专用的智能AI摄像头视觉系统可以简单地向系统的其他部分发送高级信息，如摄像头前出现的物体或发生的事件的类型。此种方法会让系统更加高效和安全，因为不需要记录图像。
其次，该项研究还受益于SCAMP架构。SCAMP是一种摄像头处理器芯片，该团队将其用作像素处理阵列(PPA)。PPA在每个像素中都嵌入一个处理器，而像素之间可以互相通信，从而能够以真正并行的方式得到处理，最终实现理想的CNN和视觉算法。
研究人员表示：“在每一个像素上集成感知、处理和内存技术不仅能够实现高性能、低延迟的系统，而且还能实现低功率、高效率的硬件。SCAMP设备的能耗与当前的摄像头传感器类似，但是在捕捉图像点方面却有一个通用的大规模并行处理器。”