由于数学上的突破，语音识别、手势识别和心电分类等人工智能应用可以将能源效率提高 100 至 1000 倍。这意味着有可能在芯片上添加更复杂的人工智能，以便应用程序可以在智能手机或智能手表上运行，直到那时，所有这些都是在云端完成的。

在本地设备上运行人工智能使应用程序更加全面和隐私。因为数据可以在本地存储和处理，因此对隐私更加友好。

这一数学突破是荷兰国家数学和计算机科学研究中心、Wiskunde&Informatica 和荷兰 Eindhoven 的 IMEC/Holst 研究中心的研究人员取得的。研究结果发表在 Bojianines、FedericoCorradi 和 SanderM.Bohte 的一篇论文中。基本的数学算法已经是开源的。

在 CWI 研究人员和认知神经生物学桑波特（UVA) 教授的指导下，研究人员开发了一种所谓的峰值神经网络学习算法。这种网络已经存在一段时间了，但从数学的角度来看，它很难处理，因此到目前为止很难付诸实施。新算法在两方面都有突破性进展：网络中的神经元需要更频繁地交流，每个单个神经元都需要进行更少的计算。

首席研究员桑德波特说：" 这两项突破的结合使人工智能算法比标准神经网络节能 1000 倍，比目前最先进的神经网络高 100 倍。

受人类大脑的启发

机器人的灵感和动力来自于人类大脑处理信息的不可思议方式（20 瓦）。近年来，模拟大脑神经网络的计算机产生了许多出色的应用 -- 从图像识别、语音识别、自动翻译到医学诊断 -- 但所需的能量却是人脑的 100 万倍。

Bohte 和他的团队开发的峰值神经网络不同于那些集成到人工智能应用中的网络。从数学的角度来看，经典神经网络中神经元之间的通信是连续的、易于处理的。峰值神经元看起来更像人脑，只能通过短脉冲进行交流。然而，这意味着信号是离散的，在数学上更难处理。

新的计算机芯片

为了在现实世界中有效地运行 Spike 神经网络，这需要一个新的芯片。博特说，原型已经在研发中。”很多公司都在努力实现这一目标，比如我们的项目合作伙伴 IMEC/Holst Center，“

 Bohte 的方法最多可以训练出一个由数千个神经元组成的尖峰神经网络，虽然比典型的经典神经网络要少，但它对于语音识别、ECG 分类和手势等许多应用来说已经足够了认可。因此，下一个挑战将是将这些网络扩展到 10 万或 100 万个神经元，这将进一步扩大应用的可能性。