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的能效可以提高100到1000倍。这意味着将有可能在芯片中加入更复杂的人工智能，使应用程序能够运行在智能手机或智能手表上，而在此之前，这些应用程序都是在云中完成的。

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

这一数学上的突破是由荷兰国家数学和计算机科学研究中心Wiskunde & Informatica (CWI)的研究人员和荷兰埃因霍温的IMEC/Holst研究中心共同完成的。该研究结果已由Bojian Yin、Federico Corradi和Sander M. Bohte发表在一篇论文中。底层的数学算法已经开放源代码。

在CWI研究员和UvA认知神经生物学教授桑德·波特的指导下，研究人员开发了一种所谓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很难处理，因此到目前为止很难将其付诸实践。新算法在两方面具有开创性:网络中的神经元需要更频繁地通信，每个单独的神经元需要执行更少的计算。

首席研究员桑德·波特说：“这两项突破的结合使得人工智能算法的能源效率比标准的神经网络高出1000倍，比目前最先进的神经网络高出100倍。”

受人脑启发

博特的灵感和动力来自于人类大脑处理信息的令人难以置信的节能方式(20瓦特)。近年来，模拟大脑神经网络的计算机已经产生了许多出色的应用——从图像识别、语音识别、自动翻译到医疗诊断——但所需要的能量要比人脑多一百万倍。

由Bohte和他的研究团队开发的尖峰神经网络不同于那些已经集成在人工智能应用程序中的神经网络。“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，容易处理的。尖峰神经元看起来更像人类的大脑，它们只通过短脉冲进行有限的交流。然而，这意味着信号是不连续的，而且更难以用数学方法处理。”

新型电脑芯片

为了在现实世界中有效地运行尖峰神经网络，这需要一种新型芯片。Bohte说原型已经在开发中。“各种各样的公司都在努力实现这一点，比如我们的项目合作伙伴IMEC/Holst Center。”

Bohte的方法可以训练最多由几千个神经元组成的尖峰神经网络，比典型的经典神经网络要少，但对于许多应用，如语音识别、心电分类和手势识别，已经足够了。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，这将进一步扩大应用的可能性。