因为并不会每一次都激活所有的神经元，所以大<单个 SNN 神经元可以替代传统深度神经网络中的数百个，因此在能效和规模上都有更高的效率样本。

早期案例展示了脉冲神经网络可以仅使用无监督技术（无标注）从环境中学习，而少量的样本可以令它们学习非常迅速。

神经形态计算可以从学习一个环境泛化到另一个环境，它能够记忆并且泛化，这真的是一个突破性的能力。

因为神经形态计算能效非常高，所以可以进行小型化。

所以转变这种基础架构能够解决深度学习如今面临的三个基础问题。更重要的是，如今我们能够购买和使用神经形态脉冲神经网络系统。这并不是遥远未来的一个技术。

BrainChip Holdings (Aliso Viejo, CA) 已经在拉斯维加斯最大的赌场应用了商业安防监控系统，并且它宣称还有一些其他应用也已经交付。在拉斯维加斯，该系统的功能就是通过标准摄像头的视频流自动监控 dealer 的错误。该系统完全通过观察学习游戏规则。BrainChip 表明它的 SNN 有 IP 专利保护，并借此推出了一系列赌博监控产品。

现如今有很多科技进步，但 SNN 是开发 AI 商业系统很有竞争力的选择。

量子计算

可能读者对量子计算并没有如下认识：

量子计算如今是可用的，Lockheed Martin 从 2010 开始就已经从事相关的商业运作。还有其他几家公司都在推出基于 D-Wave 量子计算机的商业应用，D-Wave 的量子计算机是第一个发展的商业市场。

今年五月，IBM 声称他们的量子计算机 IBM Q 现在已经可以投入商业中。在这是一种基于云端的订阅服务，它无疑将大大简化对这些昂贵且复杂的机器的访问。IBM 表示截止到目前，用户已经在 IBM Q 机器上进行了 30 万次实验。

谷歌和微软计划在两三年内发布他们的商业化量子机器，并整个作为独立的研究学术机构。

D-Wave 和其他一些独立的研究者已经引进了量子计算机的开源编程语言，他们希望可以对量子计算机编程更加容易。

量子计算机擅长于解决现有所有类型的优化问题，包括整套基于随机梯度下降的各类算法。量子计算机也很容易模拟受限玻尔兹曼机，它是很多深度神经网络架构中的一个，并且还可以用于深度学习结构中以像 CNN 那样解决图像分类问题。因为基础架构不一样，所以我们称其为量子神经网络（QNN）。

根据谷歌基准 2015 年的研究报告，D-Wave 量子计算机相对于传统计算机性能要优秀 108 倍，也即快 1 亿倍。谷歌工程主任 Hartmut Nevan 说：「D-Wave 在 1 秒中所做的，传统计算机需要花 1 万年计算」。

所以量子表征仍然是第三条通向强人工智能的道路，它同样克服了速度与成本问题。

三条道路

事实是神经形态计算和量子计算都是很有潜力的方向，它们都有可能令深度学习甚至是新型人工智能更快地运行。

首先是时间线。高性能计算如今正在持续发展，并在接下来几年都基于前面介绍的新型芯片而得到性能上的持续发展。然而，随后几年很大一部分实验室和数据中心都会由更先进的量子计算机和神经形态计算所替代。

像谷歌 TensorFlow 和微软 Cognitive Toolkit（CNTK）那样的深度学习平台正在发展，而其他竞争对手也在努力构建平台并获得用户。因此随着量子计算和神经形态计算的能力得到传播，这些平台都会适应它们。

神经形态脉冲神经网络（SNN）和量子计算现在仅仅在商业上出现，但它们都会赋予人工智能非凡的能力。

SNN 有希望成为强大的自学习者。通过更小的非标注训练集以及不同领域之间的知识迁移能力，极大地提升了效率。

量子计算机将彻底消除时间障碍，成本障碍最终也将降低，基于时间的解决方案从数月缩短至数分钟。重要的是当前使用的学习风格被称作增强型量子计算，因为它是基于当前的深度学习算法，并提升了其性能。然而将来会出现基于完全不同能力（为这些机器所独有）的全新类型的机器学习。

我的个人感觉是在量子计算和神经形态计算上，atv，我们现在的处境和 2007 年很像，那一年谷歌的 Big Table（译者注：谷歌设计的分布式数据存储系统，用来处理海量数据的一种非关系型的数据库）变成了开源的 Hadoop。一开始我们确实不知道怎么对待它，但是三年之后 Hadoop 几乎主导了整个数据科学。我认为从今天开始，下一个三年也同样令人惊奇。