得益于数学上的突破，诸如语音识别，手势识别和ECG分类之类的AI应用程序的能源效率可以提高一百到一千倍。
这意味着将有可能在芯片中放置更多精致的AI，从而使应用程序可以在智能手机或智能手表上运行，而这在云端之前就可以完成。
在本地设备上运行AI将使应用程序更强大且对隐私更友好-更加健壮，因为不再需要与云的网络连接中国机械网okmao.com。并且更加隐私，因为可以在本地存储和处理数据。
荷兰国家数学和计算机科学国家研究中心Centrum Wiskunde＆Informatica（CWI）的研究人员以及荷兰埃因霍温（Eindhoven）的IMEC / Holst研究中心共同完成了这一数学突破。
结果已在Bojian Yin，Federico Corradi和Sander M.Bohté的论文中发表。基本的数学算法已成为开放源代码。
在CWI研究人员和UvA认知神经生物学教授SanderBohté的监督下，研究人员开发了一种用于所谓的尖峰神经网络的学习算法。
这样的网络已经存在了一段时间，但是从数学的角度来看却很难处理，因此到目前为止很难将它们付诸实践。新算法是开创性的方法有两种：在神经元中的网络都需要那么频繁沟通很多，而且每个人的神经元具有执行较少的计算。
首席研究员SanderBohté说：“这两项突破的结合使AI算法的能源效率比标准神经网络高一千倍，而能源效率比当前的最新神经网络高一百倍。”
受人脑启发
Bohté的灵感和动力来自于人脑处理信息的高效节能方式（20瓦）。近年来，模仿大脑神经网络的计算机在图像识别，语音识别，自动翻译到医学诊断等领域已取得了出色的应用，但所需能量却比人脑高出一百万倍。
Bohté和他的研究团队开发的尖峰神经网络不同于已经集成在AI应用程序中的神经网络。
“经典神经网络中神经元之间的通信是连续的，并且从数学角度来看很容易处理。尖峰神经元看起来更像人的大脑，仅以短脉冲短距离地进行通信。但是，这意味着信号是不连续的，很难处理以数学方式处理。”
新型电脑芯片
为了在现实世界中高效运行尖峰神经网络，需要一种新型芯片。Bohté说原型已经在开发中。“像我们的项目合作伙伴IMEC /霍尔斯特中心一样，各种公司都在努力实现这一目标。”
Bohté的方法可以训练包含多达数千个神经元的尖峰神经网络，比典型的经典神经网络要少，但足以满足语音识别，ECG分类和手势识别等许多应用。因此，下一个挑战将是将这些网络扩展到100.000或100万个神经元，这将进一步扩展应用可能性。