实现自治系统未来发展关键在于开放标准

OpenVX 1.3 是业界推动自动化计算机视觉与感知任务的现代解决方案。本教程将带你深入了解它的核心价值、功能组成以及如何解耦软硬件，为自主系统的未来奠定基础。

计算机视觉：什么是它，为什么重要？

作为人类，我们仅仅通过让光线进入眼睛就能感知周围世界。光线照射到视网膜的不同区域，信号进入大脑，信息被拼凑在一起，场景随之形成。在很长一段时间内，在数字系统中模拟这一过程被认为极其棘手。

我们早已使用数码相机捕捉光线信息，相机能实现极高的分辨率，但人工视觉一直是难题——原因在于相机和眼睛一样，只是视觉的一小部分。真正让不同光点被解释的，是大脑中发生的处理。计算机科学家和不同分支的科学家一直在努力在人工系统中复制这个过程。

过去十年，计算机视觉领域从机器学习研究的爆发中受益匪浅。卷积神经网络（CNN）等深度学习算法推动了视觉能力的飞跃，十年前还被认为是机器无法实现的功能，如今已变为现实。

现在，视觉算法能够识别照片中的物体，区分城市环境中的行人、汽车，甚至在病理图像中识别疾病的迹象。这一成就催生了全新的行业：自主行业。

想象一下：未来交通由自动驾驶汽车在城市中穿梭，等待乘客召唤；手术室中有经过常规训练的手术机器人；无人驾驶飞机快速飞往欧洲。这些场景虽然仍在实验室中，但已不再是科幻内容，而这一切只有通过计算机视觉才能实现——计算机视觉使系统能够解释环境变化并做出反应。

OpenVX 1.3：解耦软硬件，迎接自治时代

考虑到过去十年计算机视觉的突破，下一个必须克服的障碍是：将软件解决方案与其执行的硬件解耦。当前的机器学习革命（计算机视觉是受益者）之所以成为可能，并非源于理论突破，而是因为我们意识到图形处理单元（GPU）可以作为加&速器，用于加速深度神经网络的计算。解决方案在于编写专门针对硬件加&速器的软件，以比以往更快的速度执行计算。

自治时代的十年摆在我们面前，关键在于：建立与底层硬件分离的软件基础，为未来十年的自主系统提供支持，同时仍然能够利用所需的加速资源。这正是Khronos® OpenVX™ 1.3这样的开放行业标准所提供的优势——基于开放标准的软件堆栈可以自由迁移到新的、不断发展的硬件生态系统。

OpenVX 1.3 的核心架构：模块化 API 与计算图

OpenVX 1.3 是基于 计算机视觉功能集 和 神经网络推理功能集 的模块化 API。API 定义一个计算图，图中每个节点构成一个操作，该操作可以是功能集的一部分，也可以是用户提供的内核。

计算图作为执行模式的优势在于：它为根据底层硬件平台加速和优化算法提供了充足的机会。虽然呈现给应用程序的 API 是所有实现者的标准，但每个实现者可以通过管理计算图的方式，以及根据底层平台进行优化的程度来差异化自己的解决方案。

计算机视觉功能集

计算机视觉功能集提供了一组函数，使应用程序能够执行经典的图像处理任务。这些函数以高级 API形式提供，应用程序可以轻松调用，而无需担心底层硬件。OpenVX 实现的工作是考虑在给定硬件平台下的加速。

神经网络推理功能集

尽管传统计算机视觉 API 仍是强大视觉管道的重要组成部分，但当今最先进的解决方案离不开深度学习算法。OpenVX 1.3 支持两种方式推断经过训练的神经网络模型：

• 方式一：离散函数调用 —— 应用程序通过发出离散函数调用（如 vxConvolutionLayer、vxActivationLayer、vxFullConnectedLayer、vxSoftmaxLayer 等），在运行时构建神经网络，并向 API 提供相关的权重和偏差参数。
• 方式二：导入训练模型为图节点 —— 应用程序可以将经过训练的模型作为图中的单个节点导入 OpenVX 计算图。训练模型的导入通过支持神经网络交换格式（NNEF）标准的导入/导出扩展完成。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：实现自治系统未来发展关键在于开放标准要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题