耳朵聽到的只是聲音，大腦理解了才能交流，那么大腦聆聽過程是怎樣的？

奧迪康腦聆聽研究表明，在自然聆聽過程中，大腦首先需要獲取完整的聲音場景，對周圍環境實現初步的分析，隨后大腦的子系統再對某些感興趣的聲音進行關注和分析。

當發生聽力損失，需要助聽器來補償時，簡單的聲音環境（如安靜室內一對一交談）并沒有給大腦和助聽器帶來多大挑戰，助聽器將聲音進行放大，就能讓大腦獲得足夠多的聲音信息，來進行關注和分析。

一旦環境變得嘈雜，比如到了餐廳中、馬路邊，聲音的動態、交雜和不可預測性為聆聽帶來了巨大的挑戰。普通的放大方式已無法支持聽損患者的大腦對環境變化實現動態感知，或對重要的聲音信號實現準確判斷。

因此當環境變得復雜時，大腦的聆聽難度加大，將更依賴于助聽器能否對環境中的各種聲音進行更加準確的分析與處理，來為大腦提供高質量的聲音信號。

嘈雜環境的特點就是聲音復雜多變，不斷移動。助聽器如何更好地區分出不同的聲音？如何更好地捕捉語音信息？

答案是：只有當它從多層面學習和了解不同聲音的特征才能實現。

Own助聽器基于奧迪康當前的Polaris平臺。與傳統助聽器不同，Own是具有深度神經網絡人工智能算法(DNN)的定制式助聽器，該算法模型不僅可以模仿人類大腦的學習方式對各種聲音特征進行自主學習，并且經過了大量真實聲音場景的學習和訓練，已能夠更聰明地對各種復雜環境的聲音信號進行準確識別與處理。

廣泛學習：Own的深度神經網絡人工智能技術(DNN)，經過1200萬聲音場景學習，能夠識別海量聲音及其細節。

數據訓練：在開發過程中，通過大量復雜的真實聲音場景，訓練其在不同聲音之間創建對比和平衡的能力，使它在不同環境下皆能還原完整、清晰、平衡的聲音畫面。

準確識別：根據自主學習與開發訓練獲得的成熟經驗來識別處理不同聲音，幫助用戶在不同聆聽環境下更容易區分聲音和抓住語音。

對如此多種聲音進行學習與特征提取，是一個復雜與龐大的工程，而許多人工智能算法更依賴于人工的干預、硬性參數設定來學習，用于聲音學習容易存在缺漏與片面的情況。深度神經網絡 (DNN)不僅可以根據模型和大量的數據訓練來進行自我學習，而且非常擅長處理龐大、復雜的數據集。

深度自主探索：DNN是深度學習算法的一種，是由3層以上的神經網絡組成，相比于其他人工智能，它可自主從多個層面掌握不同聲音數據的復雜特征。

精細特征解析：DNN擅長處理龐大、復雜的數據集，這使它可以完成對大量聲音特征的提取，并將大部分的聲音特征提取為部分自動化。

智能優化反饋：DNN接受結果反饋，只需告知其結果，便可對分析過程進行改進，對聲音數據做出有理有據的判斷。