几十年来，人类在技术方面最大的愿望之一就是教机器如何像我们一样看待世界。我们的眼睛和大脑以惊人的效率解释最小的细节——追踪飞行中的鸟儿，阅读页面上最微弱的字母，或者立即认出人群中朋友的脸。在机器上复制这种能力的一小部分也是一项非凡的挑战。

然而，科学家们逐渐接近了。传感器和机器学习的进步已经使机器能够检查装配线上的电子设备，以闪电般的速度对农产品进行分类，甚至帮助医生识别疾病的早期迹象。这个被称为机器视觉的领域已经发展成为现代工业的基石。但直到现在，一直存在一个差距：机器的视力不太像我们。

由于研究人员开发了一种突破性的视网膜启发设备，这一差距可能最终正在缩小。他们的新创造不仅在理论上模仿了人眼，还在实践中复制了人眼的结构。通过这样做，它可以重新定义机器视觉的未来。

为什么机器视觉很重要

在深入研究创新之前，值得记住机器视觉已经具有多么大的变革性。想象一下工厂车间：一排排瓶装饮料以令人眼花缭乱的速度从传送带上穿过。配备高速摄像头和算法的视觉系统可以检测出数千个瓶子中的一个贴错标签的瓶子，而不是依赖人工检查员。在汽车行业，类似的系统会检查发动机部件中的微小缺陷，这些缺陷是肉眼看不见的缺陷，但对安全至关重要。在电子领域，它们以近乎完美的精度验证微小组件的放置。即使在食品生产中，机器视觉也能确保擦伤的苹果或畸形的糖果永远不会到达商店货架。但这里有一个问题：这些机器的眼睛——传感器本身——仍然有限。它们捕捉图像的方式与我们的视网膜处理光的方式根本不同。这些差异对机器视觉所能实现的目标施加了严格的界限。

传感器的缺点，当前大多数系统都依赖于基于帧或基于事件的传感器。基于帧的传感器的工作原理类似于传统相机，以每秒 30、60 甚至数百帧的速度定期捕捉世界的快照。基于事件的传感器采用不同的方法：它们不是记录完整的图像，而是跟踪单个像素的亮度变化。每种方法都有其优点，但都达不到人类视网膜。我们的眼睛不会在刚性的框架中看到世界，也不会简单地对像素级亮度变化做出反应。相反，视网膜是分层处理的奇迹，可以立即适应光线、过滤噪音并实时向大脑发送丰富的信息流。因此，现有的机器视觉系统可能会在充满挑战的环境中挣扎：明亮的阳光的眩光、昏暗仓库中的阴影或快速变化的场景。传感器可能会记录过多的冗余数据、遗漏细微的变化或无法快速适应。缺少的是一种传感器，它不仅能拍照，还能真正看到——像我们自己的眼睛一样适应、过滤和细化信号。

向视网膜学习，研究人员开发的事件驱动视网膜成像光电二极管 （RPD）。它模仿视网膜的分层结构。通过在纳米尺度上精心设计传感器，该团队重现了视网膜如何分离、过滤和传输光信号。该设计的核心是三个关键组件：有机供体-受体异质结，有助于有效地转移电荷——就像视网膜处理的第一阶段一样。由多孔纳米结构制成的离子储层，就像海绵一样储存和释放离子，与生物组织携带信号的方式相呼应。金属和半导体之间的界面，可确保信号沿一个方向平稳流动，类似于神经元向前传递信息的方式。这些层在一起不仅记录图像。它们动态互动，像人类视网膜适应不断变化的光线和对比度一样适应环境。

是什么让这个传感器与众不同？结果简直令人震惊。在早期测试中，RPD 实现了超过 200 分贝的动态范围，远远超出了大多数传统传感器的能力。这意味着它可以处理极端的照明条件，从刺眼的阳光到几乎完全黑暗，而不会不知所措或丢失细节。它还显着减少了困扰传统系统的噪声和冗余数据。RPD 不会用不必要的信息淹没计算机处理器，而是提供更干净、更有意义的信号。事实证明，这种效率对于速度和准确性至关重要的行业至关重要。想象一下，一辆配备这种视觉的自动驾驶汽车。它不会被迎面而来的车头灯蒙蔽或在夜间努力区分阴影，而是可以以接近人类的适应性来解释道路。或者想象一下医学成像系统，它可以更清晰地发现组织中的异常，帮助医生更早、更可靠地发现疾病。

当然，RPD 仍处于早期阶段，扩大规模以进行大规模生产将需要大量工作。研究人员需要完善其设计，确保长期稳定性，并将其集成到现有系统中。但这一承诺是不可否认的。这项工作代表了“自下而上的视网膜传感器方法”。通过从头开始构建传感器的架构以类似于生物学，而不是调整现有设计，该团队为全新的机器视觉打开了大门。这提醒我们，技术中一些最好的想法不是来自取代自然，而是来自从中学习。人眼仍然是进化最伟大的胜利之一。现在，有了像 RPD 这样的工具，机器可能会开始分享这种礼物。借助受视网膜启发的传感器，我们可能正在见证一个新时代的开始，在这个时代，机器不仅可以观察世界，还可以真正看到世界。在这个愿景中，也许蕴藏着工业、医学甚至我们日常生活的下一个巨大飞跃。