1樓：
感覺大家的回答有點繞，沒有直達痛點的快感，我來試試拋磚引玉。
1.首先解釋一下題主所說的馮諾依曼結構，和能耗的問題：
因為CPU和記憶體之間的效能差距越來越大，出現了馮諾依曼瓶頸，或者說叫記憶體牆。也就是說CPU再快，也要等記憶體，所以可以向大腦學習，處理單元是神經元，記憶體就是突觸強度。神經元和突觸是物理相連的，所以每個神經元計算都是local的，而且大局上來看神經元們是massively distributed在工作。
2. 解釋一下能耗問題：
每個神經元閾值下膜電壓的活動可以看作是電壓隨著輸入電流的變化，也就是純物理的活動，可以用模擬電路來實現（省電，truenorth是digital的也省電，我在後面說）；突觸傳遞的spike是化學物質，在計算機就用1，0表示，傳遞1bit的東西也省電；然後就是權重，也就是乙個spike輸入進神經元的電流大小，truenorth只用2bit。
重點來了，SNN的模擬以1ms為resolution, 也就是說即便用digital實現的神經元模型，1ms算乙個差分方程的一小步，只需要50左右的時鐘週期，也就是大概50K的時鐘頻率就基本上夠了。。。和動輒幾個G的目前的CPU是有夠節能的了。然後就是event-base，不工作的神經元休息，不空轉CPU，又節能多少！！！
3. Truenorth和大腦的區別：
我把它擴大一點，neuromorphic engineering 和大腦的區別：簡化的模型！！！
用膜電壓來抽象乙個神經元的活動就已經是無比的抽象了，HH模型是在這個抽象層中比較複雜的了，就別提Truenorth只用LIF模型了。我所說的其他因素，舉例來說蛋白質，如何開啟遞質傳到的channel，細胞的形態，位置，如何生長，為啥什麼時候長出了到另乙個神經元的突觸。
除了抽象還有引數，因為生物實驗還沒有發達到監測每乙個神經元的活動，從而可以得到每個神經元的正確引數，也不知道他們都和誰相連；這就好像用計算機模擬地球上的每乙個原子。。。
大家多指正，幫我這個類腦專業即將畢業的找個工作更好！嘿嘿
2樓：黃翔
應該說毫無聯絡
神經網路晶元的設計基礎是人工神經網路理論，這是上世紀40年代提出的一種數學模型，只被證明過可以做邏輯運算，目前沒有證據證明人工神經網路和自然大腦有任何相似之處，一切都只是猜測，只是隨著現在的解剖和顯微技術的發展越來越多證據證明了自然神經和人工神經網路在結構上有相似性。
人工神經網路、deeplearning和IBM這個晶元和人腦有關係嗎？用Ng的話說，就是：Deep learning(人工神經網路的一種)對人腦最粗糙的模擬都算不上，因為關於自然大腦的執行方式現在一切都只是假說
映象神經元是運動神經元嗎？
運動神經元 運動神經元是bai一整個細胞,運動神經du末梢是這個zhi細胞的一些dao末梢。關係zhuan嘛,大概就是章魚shu和章魚腳的關係。運動神經末梢理論上就是指把興奮傳給效應器的那部分。但就整個神經元的角度來說,是有可能存在一些分支是和其它神經元構成關係的。有些神經元既可以作為中間神經元,又...
如何看待 IBM 製造出首個人造相變神經元？
Jay Wang 最近開始研究SNN，這種神經網路的每乙個節點都是神經元的模型，每層節點的連線方式也是突觸的模型，計算量大的驚人，並且在常規計算機上速度奇慢，我認為硬體神經元的出現就是為了解決這個問題的。 源來 說實話我覺得與其造乙個人造神經系統出來，其效能能否超過人類還不一定，還不如利用大自然的系...
神經元存在主義，以及神經元存在主義與宗教 靈魂論的衝突？
成雋 高中期間，做大量習題的過程，發現人的不確定性是不存在的。一些我不感興趣的領域，錯誤的答案我會一而再再而三的選擇同樣的錯誤。只要沒有因結果而特意去強化記憶和調整判斷邏輯，那麼經過半年或更久後，重新面對隨機的答案，我幾乎會100 做出一樣的選擇。我發現所有我看似隨機的選擇，都並不隨機。我已形成的思...