斯坦福大学(Stanford)开发的一种新型人工智能摄像头系统，速度快、节能，有望推动自动驾驶汽车等技术的发展。
许多公司正致力于开发无人驾驶汽车和自动驾驶船舶，将其引入消费市场。
特斯拉(Tesla)和梅塞德斯(Mercedes)等一些汽车制造商已经提供了驾驶辅助技术，可以让汽车半自动运行，这有点像是正式演出之前的排练，直到它们完全放弃“人类的辅助”。
同样参与无人驾驶汽车竞赛的还有高科技公司，如谷歌和优步。
为了完全摆脱人类的帮助，自动驾驶汽车需要激光雷达(来进行光探测和测距)、声纳、摄像头和人工智能来监督一切。
一组相机提供了一个360°汽车视觉和图像识别能力,所以它可以检测对象和探索周围的环境,例如,交通标志、障碍和其他在路上的无人驾驶车辆。
图像识别系统将数据连续发送到机载人工智能计算机进行处理并使其有意义。
自动驾驶汽车依赖于人工智能大脑的关键能力，可以快速、几乎实时地做出决策。
自动驾驶汽车和无人机等其他技术中处理图像识别算法的计算机系统存在的问题是，它们速度慢，占用空间大。
斯坦福大学(Stanford University)的电气工程师戈登·韦茨斯坦(Gordon Wetzstein)开玩笑说:“你刚刚经过的那辆自动驾驶汽车的后备箱里就装有一台相对庞大、速度相对较慢、能耗较高的电脑。”
Wetzstein领导的一个研究小组设计了一种新的人工智能相机系统，它比现有的系统占用更小的空间，消耗更少的能源，而且图像分类速度快得多。
为了创造他们的人工智能相机，这个团队将两台电脑组合成一个基于卷积神经网络(CNNs)的混合系统。
“原型相机的第一层是一种光学计算机，它不需要像数字计算那样耗费大量能量。第二层是传统的数字电子计算机。”
在某种程度上，斯坦福的工程师们“将人工智能的一些数学工作外包到光学领域”，以节省计算成本和时间，并提高性能。
研究人员测试了他们的成像系统，并成功地识别出放在自然环境中的不同物体和动物。该系统虽然速度很快，但仍处于“原型”阶段，不能称之为“小”。
，研发这一技术的工程师认为，他们可以将其缩小到“适合手持摄像机或无人机使用”。
Wetzstein说:“我们系统的某些未来版本在自动驾驶汽车等快速决策应用中尤其有用。”
在发表在《自然科学报告》上的论文中，他们表示:
“我们从计算成像的角度出发，逐步实现光学卷积神经网络的目标，通过光学和算法的共同设计，将图像采集与计算结合起来。计算机摄像机利用光通过自定义光学器件的物理传播，对在标准2D图像捕获中丢失的场景信息进行编码。”