相比之下，全世界几乎没有互联网公司或大学的计算机系不是在传统芯片上做深度学习的。因此，这些传统架构拥有强大的开发工具套件，以及大量的工程师——这是显著的优势。让深度学习社区转向一种新的，而且不熟悉的方法是非常困难的，除非神经形态能够提供明确的性能和功耗方面的优势。

这是神经形态研究领域公开承认的问题。3月份会议上的演讲经常提到当前面临的挑战，他们中多数也提出了如何克服这些挑战的建议。

例如，滑铁卢大学的Eliasmith说，神经形态必须在许多方面取得进展。其中一个是打造更强大，具有更多神经元和联结的芯片，来处理更先进的深度学习系统。他说，这需要对神经形态系统的固有优势和弱点进行理论上的洞察，更好地知道如何最有效地使用它们。可以肯定的是，他仍然相信技术能够达到预期。Eliasmith说：“我们一直看到改进，所以我很受鼓舞。”

然而，神经形态研究社区可能会发现其目前与深度学习的共生关系对自身有危害。 对于最近深度学习取得的所有成果，许多专家仍然质疑它们能算多大的进展。

深度学习在模式识别之类的应用中清晰地展示了其优异效果，或用于语言翻译。至于这项技术将使研究人员在多大程度上走向“通用智能”的圣杯，或让计算机具有多大的计算能力，仍有待观察。深度学习方面的先驱Yann LeCun将AI研究比喻为在雾中开车。他说，就算武装上深度学习，AI也是可能在某天撞上另一堵墙。

那次会议提出的一些建议是，即使该项技术无法为深度学习打出一个本垒打，神经形态的研究人员也应该坚持。达州大学伯克利分校Redwood理论神经科学中心主任 Bruno Olshausen 认为，神经形态技术本身就有可能带来比任何深度学习更加复杂的有关AI的结果。“当我们研究大脑中神经元如何计算时，我们可以学到一些具体的东西，”他说，“让我们尝试制造可以做同样事情的芯片，然后再看可以如何利用它们。”

SpiNNaker Project 正在打造一台拥有50000个这种专用芯片的机器，试图创建一个10亿“神经元”的网络。

SpiNNaker项目正在构建一台拥有5万个专用芯片的机器，希望创建10亿个“神经元”网络。

什么时候神经形态芯片能够用到手机之类的低功耗设备时？至少5年

SpiNNaker 项目的 Furber 同样这样认为，在被要求预测一下什么时候神经形态芯片能够用到手机之类的低功耗设备时，他提出了5年的估计。但他也说对这一预测只有80%的信心。但是，他补充说，他更确定的是神经形态在大脑的研究方面将发挥更重要的作用，正如早期支持者所认为的那样。

然而，神经形态研究有一个元问题：研究人员不清楚他们模拟大脑的这些脉冲行为是思维工作方式的核心，还是只是其许多意外副产品之一。事实上，开奖，atv，与神经形态研究者开始争论的一个点就是我们对大脑的工作原理不了解，怎么可能试图用芯片去复制它？通常你会得到的回应是，虽然我们不是一切都理解清楚了，但我们所了解的一点点就足够开始去做这样的研究了。

经常被引用的说法是，航空业的发展是在飞机的发明人停止了试图去模拟鸟的扑翼之后开始的，是发现，然后利用基本的力，例如推力和升力。神经形态计算一直卡在模拟扑翼的水平，而研究者显然拒绝承认这一点。取决于哪方正确，这个领域将会或者飞天翱翔，或者陷入黑暗。