2010 年，美國航天航空局 NASA 敲響了一家創業公司的大門，希望他們參與火星探測器“大腦”的研發專案。這家公司就是 Neurala，一家專注於深度學習技術的波士頓初創公司。

NASA 的要求是一個艱難的挑戰，因為火星探測器有自身計算能力非常限制。然而 6 年之後，Neurala 成功完成了任務，讓 NASA 的火星探測器可以利用感測器快速識別周圍物體，並且只需基礎的本地計算環境就能執行。

獨創的 Lifelong-DNN 技術

Neurala 這家公司的 4 名創始成員均來自波士頓大學，他們成功的祕訣，則是獨有的 Lifelong-DNN（簡稱 L-DNN） 技術。

什麼是 L-DNN？顧名思義，一次訓練後實時學習。它是 Neurala 研究並獲得專利的一套演算法，模擬生物大腦看待世界的方式並從中不斷學習。

根據官方資訊，和傳統的 DNN（基於反向傳播的深度神經網路）相比，L-DNN 的學習速度要快 250 倍，而且在單核 ARM 晶片上就可以訓練。如果該資料屬實，那麼 L-DNN 要比 DNN 先進很多。

對於未來，Neurala 創始人兼 CEO MASSIMILIANO VERSACE 曾撰文表示，2027 年的人工智慧將像人類和動物的大腦一樣執行，其能力將遠超今天的人工智慧，從而能為我們人類完成更復雜的任務。這也代表了 Neurala 未來的技術發展方向。

商業化程序

迄今為止，Neurala 已經獲得了近 1600 萬美元的融資，投資方包括 Pelion Ventures，Sherpa Capital，摩托羅拉，360 Capital Partners，Draper Associates Investments，SK Ventures，和 Idinvest Partners 等。

當然，最終支撐 Neurala 還是商業化專案。目前，與 Neurala 合作最多的是商業無人機公司，主要用於電池塔、電力線和太陽能電池板的檢查巡視工作。

此外，Neurala 也與摩托羅拉系統達成了合作。Neurala 將把自己人工智慧技術與摩托羅拉系統的軟體及相機，例如 Si500 隨身相機結合起來，讓相機能自動搜尋目標人物或物件，大幅降低警察在擠擁及混亂的環境下尋找失蹤兒童和可疑物件的時間及精力。

如今，這家公司瞄準了中國的龐大市場，並已經開始與華為等中國公司開始合作，在物體檢測等計算機視覺領域展開聯合研發。

7 月，Neurala 正式上線 SaaS 平臺 Brain Builder 的測試版，目前已經具備自動視訊標註功能，並可以將資料直接匯入到 TensorFlow、Caffe 等深度學習框架。此外，Neurala 也正在不斷迭代和演進 Brain Builder，未來將具備更完善的功能，服務廣大的企業使用者和開發者。

近日，CSDN 有幸採訪到了 MASSIMILIANO VERSACE（以下簡稱 Max），一起聊了聊支撐 Neurala 的核心技術，以及 Neurala 未來的商業規劃。

獨家專訪

CSDN：能介紹下 Neurala 的發展歷史？

Max：Neurala 成立於 2006 年。我和 Neurala 的創始人們結識于波士頓大學，在 PHD 期間，我們研究的是認知和神經網路，這是一門學習大腦如何工作，通過軟體來建立大腦的數學模型，以此來模擬人類的感知、移動、思考等等。當時，我們使用了 GPU 來加速我們的演算法，使得演算法的執行速度大幅提升。於是我們申請了相關專利，併成立了 Neurala 來持有這個專利。不過，當時的產業界還遠未成熟，GPU 的效能還非常弱，因此並沒有很多 AI 應用，還處在早期階段。於是我們還在學術界呆了一段時間，直到2013 年，我們加入了一個加速器，開始商業化這個技術。

CSDN：目前 Neurala 有多少員工？

Max：我們一開始只有 3 個人，現在已經發展到 41 人了。人員組成方面，我們有大約 10 名博士，20 名工程師，10 名市場、銷售以及行政管理人員。因此我們的團隊大部分都是技術工程人員。

CSDN：自 2013 年起，你們已經進行的兩輪融資，你們現在的的主要收入來源是什麼？

Max：Neurala 的營收主要分成兩個部分。其中主要收入來源於我們和無人機、智慧手機、攝像頭等廠商的合作，將我們的 AI 技術植入到這些裝置裡，然後根據裝置的銷量來分成。

我們的另一條收入線來自 SaaS 平臺。我們今年 7 月推出了 BrainBuilder 的 SaaS 平臺，目前還是 beta 版本。通過這個平臺，我們希望把我們和 OEM 廠商合作的技術提供給每一個人。

CSDN：你們目前已經和哪些中國公司有合作關係？

Max：我們正在和華為合作，關於具體的合作細節，暫時還不方便透露。不過我們已經和一些中國公司合作，包括智慧手機、攝像頭、或者神經晶片（處理器）等可以應用我們的技術的生產廠商。此外，我們也在與那些對我們的 SaaS 平臺感興趣的公司進行接觸。我們希望擴大這個平臺的使用範圍。我們知道中國對 AI 工具有很大的需求，很多公司都希望在將 AI 部署到應用中去，我們也在思考如何為企業開發更有效的工作流。

CSDN：能解釋下你們的核心技術 L-DNN 嗎？

Max：和傳統的神經網路並不相同，L-DNN 在部署後也可以實時學習。這是我們在和 NASA 合作時的成果。當時，我們需要建立一種新的 AI，讓它能在控制器中自我學習，對處理器的效能是極大的考驗。這類新 AI 無需很強的處理效能，也可以在不使用雲端支援下進行學習。因此，我們需要在效能較弱的處理器上部署 AI，而且是可以持續學習的 AI。我們對基於反向傳播的傳統架構進行了重構。如果我們想把 AI 部署到這樣的裝置中，那麼就必須把學習速度提升上千倍。

CSDN：為什麼 L-DNN 比傳統的深度神經網路更加先進？

Max：首先，羅馬不是一天建成的，我們花費了 10 多年的時間來做這件事。12 年前我們就開始研究這一演算法，它需要一種不同的思考方法。當時，沒有人進行相關工作，這給了我們足夠的時間來進行嘗試。這種革命是可能的。雖然未來我們的優勢可能會減少，但是今天我們享有很大的優勢。

CSDN：您覺得反向傳播過時了嗎？

Max：反向傳播在當時是一種很偉大的方法，當我剛進入 AI 領域時，反向傳播處於統治地位，而且是使用範圍最廣泛的演算法。然而問題是，自 80 年代誕生起，反向傳播幾乎沒有任何改變。實際上改變的是計算力，所以演算法的執行速度提升了很多倍，但是方法卻沒有什麼改變。因此是演算法一直在享受著摩爾定律的紅利，但是演算法本身並沒有什麼太大的變化。是的，反向傳播確實簡單易懂，而且廣受歡迎。但是當涉及到實時處理時，反向傳播這種方法就不太適用了。之前，NASA 付給我們數百萬美元，讓我們解決實時處理的問題，因此我們有這個機會做出現在的 L-DNN。否則，我們如今應該也在使用反向傳播。

CSDN：請問你們是怎樣預預訓練你們的模型的？

Max：我們擁有的技術可以在特定的資料集上進行模型的預訓練，然後你可以隨時增加知識。當然，不管是反向傳播還是 L-DNN 都可以用來預訓練模型。但是問題在於，一個基於 DNN 的模型，在學習了 100 件事之後，如果想再學習第 101 件，那麼就得把加入新資料後的資料全集重新訓練一遍，但是 L-DNN 可以像人類學習知識一樣學習，只需要學習新知識即可。

CSDN：目前你們的技術只能用在影象領域嗎？未來有可能擴充套件到語音、語義等領域嗎？

Max：當然可以。L-DNN 的原理是對任意矩陣的運算，現在運算的方陣由 RGB 的值組成。相同的原理同樣也適用於語音或其他領域。不過我們現在主要關注視訊領域，因為這個市場是最大的。

CSDN：Neurala 目前提供哪些產品？

Max：我們目前主要還是給裝置廠商提供 AI 技術，比如把 AI 直接部署到終端裝置上。舉一個典型的例子，比如我想分析一段視訊或者一些圖片，傳統上都是把資料傳輸到伺服器端，然後讓伺服器來學習處理，但是我希望終端裝置能夠自己完成部分任務，那麼使用我們的技術，就可以將這種能力部署到裝置端。對於企業客戶來說，如果他們想為使用者提供個性化的服務，但是為了保護使用者隱私，那麼就需要在裝置端處理使用者資料，就可以選擇我們的技術。而我們開發的 Brain Builder 這個 SaaS 平臺既可以給企業使用者使用，也適合開發者使用。

CSDN：相比之前的產品，你們取得了哪些進展？

Max：目前 Brain Builder 還是 1.0 版本，離 2.0 版本還很遠。1.0 版本提供了自動視訊標註功能，為使用者節省大量資料標註的時間。

CSDN：你剛提到的視訊資料標註工具背後的技術是什麼？

Max：這是第一個在 SaaS 平臺應用 L-DNN 技術的工具。這個案例就體現瞭如何運用 L-DNN 快速學習我們在視訊流中所感興趣的物件。使用者只需要上傳視訊，然後在某一幀畫面裡手動標記幾個物體，比如汽車、人、小狗這三個物體，然後我們的系統就會自動學習這三個物體，然後點選播放視訊，就可以自動標記了。

目前我們的 Brain Builder 主要是針對企業客戶。這些年來，我們發現很多企業的 AI 應用都非常具象。比如檢查線纜是否生鏽，皮革座椅上是否有裂縫，手機上是否有擦痕，甚至檢查某棟大樓前是否停了某款汽車。

為什麼要舉這些例子？我其實想說明的是，如果你想開發一款 AI 應用，絕大多數時間，網路上都沒有你需要的訓練資料。這些非常場景化的資料只有企業自己擁有。因此，我們開發的工具可以讓企業內部自行標註資料，而不需要將資料洩露出去。為此，我們開發了一系列的企業管理工具。

CSDN：既然你們要提供平臺服務，那麼你們會搭建自己的資料中心嗎？

Max：我們不打算搭建自己的資料中心，而是跟第三方進行合作。資料中心不是我們的核心業務，我們有太多的事情要做。

CSDN：為什麼你們從來沒有公開發表過任何論文或者技術文章？

Max：我們申請了很多專利，每個專利其實就相當於技術，只是沒有把技術細節公開。通常，那些傾向於公開發表論文的都是 Google 這樣的大公司，因為這並不會影響他們的收入。比如 Google 的營收主要來自於廣告，而不是這些專有技術授權，因此它有這樣的底氣公開自己的研究成果。Neurala 正好相反，我們需要通過這些專有技術來賺錢，因此策略不同。

CSDN：哪些公司是你們的競爭對手？

Max：在我看來，Neurala 的主要競爭對手是哪些提供平臺服務的大公司，比如亞馬遜、Google、微軟。不過，這些大公司主要提供神經網路的訓練工具，而不怎麼關注資料準備工作。我認為這是我們獨特的優勢。

CSDN：能透露下和華為的合作進展嗎？

Max：我們的合作很愉快，但是現在還不方便透露，應該很快就會有公開的訊息釋出。