這類芯片的厲害之處在于，它們處理 AI 算法所需的功率相比傳統(tǒng)芯片少得多。例如，IBM 制造的神經(jīng)形態(tài)芯片包含的晶體管是標準 Intel 處理器的5倍，但是消耗的功率僅為70毫瓦。標準處理器需要35到140瓦，是神經(jīng)形態(tài)芯片的2000倍。
Eliasmith 指出，神經(jīng)形態(tài)并不是新的東西，神經(jīng)形態(tài)芯片的設計80年代就出現(xiàn)了。但是，當時需要將特定算法的設計直接燒制到芯片上。這意味著你檢測動作需要用一個芯片，檢測聲音需要用另一個芯片。沒有一個芯片能夠像我們的大腦皮層一樣，可以作為一個通用的處理器。
部分原因是程序員尚沒有辦法設計可以用一個通用的芯片做各種任務的算法。因此，雖然這些類腦芯片已經(jīng)在開發(fā)中，為它們構建算法仍然是一個很大的挑戰(zhàn)。
Eliasmith 和他的團隊專注于構建能讓程序員在這些新型類腦芯片上部署 AI 算法的工具。他們的成果的核心是 Nengo，一個可以讓開發(fā)者使用來構建在通用神經(jīng)形態(tài)硬件上運行的 AI 算法的編譯器。編譯器是一種軟件工具，程序員使用它來編寫代碼，并將代碼轉換為復雜的指令以讓硬件實際去做某個任務。Nengo 的好用之處在于它使用熟悉的以語法直觀聞名的 Python 語言，并且能夠將算法部署于多個不同的硬件平臺，包括神經(jīng)形態(tài)芯片。不需要多長時間，任何了解 Python 的人都能學會為神經(jīng)形態(tài)硬件構建復雜的神經(jīng)網(wǎng)絡。
據(jù) Applied Brain Research 稱，Nengo 已經(jīng)建立起包括視覺系統(tǒng)、語音系統(tǒng)、運動控制系統(tǒng)和自適應機器人系統(tǒng)等。其中最令人印象深刻的系統(tǒng)是 Spaun，據(jù)稱這是在計算機上模擬的最復雜的大腦模型。
下面的視頻介紹了 Spaun 對示例任務的大腦活動和解碼。
Spaun 證明了計算機可以與環(huán)境流暢交互，并能夠執(zhí)行類似人類的認知任務，例如識別圖像、控制機器人手臂寫下看到的東西，等等。這個機器并不完美，但它已經(jīng)是一個驚人的實證，證明了計算機有一天能夠模糊人的認知與機器的認知之間的界限。最近，通過使用神經(jīng)形態(tài)芯片，Spaun 的運行速度加快了9000倍，相比傳統(tǒng) CPU 消耗的功率也更少。到2017年底，Spaun 將全部在神經(jīng)形態(tài)芯片上運行。
Applied Brain Research 的另一名 CEO Peter Suma 說：“雖然 Spaun 展示了一種將來某天能夠建立流暢的智能推理系統(tǒng)的方法，但更近的希望是，神經(jīng)形態(tài)芯片將使許多類型的情境感知 AI 成為可能。”Suma 指出，雖然現(xiàn)在像 Siri 這樣的 AI 在得到指令采取行動之前都是離線的，但很快我們就會有“永遠在線”的人工智能體，將會一直存在于我們的生活中。