计算机的雏形最早可以追溯到 1642 年Blaise Pascal所发明的机械计算器。而现代意义上的计算机则起始于 1946 年 2 月 15 日“超级巨兽”ENIAC的出现。在随后的一步步发展之中，晶体管也完成了向集成电路和微处理器的升级换代，atv，作为衡量处理器性能的“时钟频率”也在短短几十年间增长了1000倍。

　　如今，微处理器的运算速度已经是人类大脑的1亿倍了，但这种喜人的发展背后所承担的巨大代价就是高出人脑1万倍的巨大能量消耗。而在实际比较之中，计算机与人脑耗能的差距会更加明显，如果超级计算机需要12GW能量的话，人类大脑仅需消耗20W。

第一台现代意义上的计算机ENIAC

　　那究竟是什么导致了这种差异呢？简单来讲可归结为两个因素：技术和架构。不同于计算机所使用的无机硅片，人类大脑可是一个鲜活的人体器官，更多牵涉到的是有机生物的部分。在技术的部分，或许未来纳米技术的发展可以有效地缩小二者之间的差距。

　　但当下，人们更关心的则是在架构上的创新，尤其是产品能耗的降低、尺寸的减小以及在最新技术中的应用。也正因为TrueNorth芯片加载的神经网络模型模拟了人脑的神经元结构，可以以分布式和并发式的方式传导信号，从而弥补了单个神经元运算速度的不足，而神经元在空闲状态下还具有自动关闭的属性。

　　所以，TrueNorth芯片能在快速、准确分类的同时保持超低功耗。TrueNorth芯片在邮票大小的面积上集成了100万个“神经元”，使其不仅拥有一台超级计算机的计算能力，而且运算也更有针对性。相较之下，其功耗却只有区区70mW，打个比方就是，一部智能手机的电池都足够它运行一个星期的了。

　　另值得一提的是，IBM的TrueNorth芯片并没有通过大型神经网络对人脑进行模仿，所以它实现了低功耗下的强计算能力，但Google的深度学习系统Google Brain，微软的Adam因为需要大量传统计算机的集群，所以尽管展现出了极强的计算能力，但是能耗却十分巨大。

　　美国空军研究实验室的高级电子工程师 Wu Qing 就表示：“卫星、高空飞行器以及小型无人机等都将受益于这类仿人脑芯片。空军的作业领域为空中、太空以及网络空间（cyberspace），所有这些区域对于能耗的高低都十分敏感。”

　　所以，IBM的芯片在这类任务中具备较大的效率优势。毕竟传统的计算机芯片可以说是为了通用的目标所设计的，旨在解决各类型的问题。相较而言，IBM的TrueNorth芯片的硬件专为人工神经网络打造，其100万个物理“神经元”可以应对某一项具体的问题。

　　那为什么这种架构效率更高呢？Wu Qing 解释道，这是因为芯片的神经元和突触既可以存储数据，也可以处理数据。而在如Jetson Tx-1的传统系统中，执行计算的组件与存储器是相分离的。这意味着，数据必须从存储器传送到处理器进行分析，然后再返回到存储器被存储，这个过程消耗了大量的时间和能量。

　　Massimiliano Versace作为波士顿大学神经形态实验室（Neuromorphics Lab）的主管，他曾参与过五角大楼的另一个项目。在该项目中，五角大楼向IBM提供资金，让它开发TrueNorth芯片。Versace称，TrueNorth芯片的确很有前途，不过它在开发的过程之中也做了一定的取舍，就比如高昂的成本。

Massimiliano Versace教授