机器视觉的延迟问题长期制约着自动驾驶、工业机器人等领域的发展；传统机器人视觉系统依靠摄像头采集连续静态帧，再用光流算法追踪像素亮度变化来判断运动，但瓶颈明显：处理单帧图像的耗时可能超过0.5秒。对高速行驶的自动驾驶车辆而言，这意味着在感知“空窗期”内车辆可能已前进数米，带来显著安全风险。北航研究团队的创新思路，是借鉴人脑视觉系统的工作机制。人类视觉反应快，关键在于大脑外侧膝状体的选择性注意机制。该脑区位于视网膜与视觉皮层之间，既承担信息传递，也负责信号筛选，对时间与空间变化高度敏感，并会优先处理快速变化的对象。研究团队将这个生物学原理转化为芯片设计，开发出神经形态视觉模块。与传统芯片将存储与运算分离的架构不同，神经形态硬件仿照大脑结构将二者融合，从而提升运算效率并降低能耗。该系统的核心优势在于直接检测光强随时间变化的区域，只对发生变化的部分分配算力，实现实时运动识别。这种“按需计算”的方式避免了对整幅图像的冗余处理。在实际应用测试中，该系统表现出明显优势：在模拟驾驶和机器人操作测试中，视觉延迟减少约75%，复杂运动场景下的追踪精度提升一倍。这意味着机器人的反应速度有望接近甚至超过人类水平。尽管该系统仍依赖传统光流算法完成最终图像解析，在多重运动交错场景中仍存在一定局限，但整体性能已优于现有方案。这项技术的应用空间较大。在自动驾驶领域，更快的视觉反馈可提升车辆的安全性与紧急处置能力；在工业制造中，机器人的精度和效率有望继续提高。更值得关注的是，该技术可能拓展机器人可安全运行的环境范围，从结构化的工业场景延伸到家庭等非结构化环境。在家庭场景中，机器人需要识别人类手势与细微表情，更快的视觉反馈将使人机互动更自然顺畅，并推动服务机器人产业发展。当前，该研究仍面临后续技术挑战。下一阶段重点是扩大神经形态硬件规模，在保持速度与精度的同时，将其更有效地整合进现有人工智能系统，这需要在芯片设计、算法优化与系统集成等环节持续突破。
这项技术突破再次表明，深入理解自然机制往往能带来关键创新。当机器开始以更接近生命体的方式“看见”世界——不仅意味着性能指标的提升——也预示着人机协作可能进入新的阶段。在全球智能化加速发展的背景下，中国科学家正以扎实的基础研究，为拓展人类认知边界提供新的思路。