随着社会转向人工智能来解决越来越多领域的问题，即创造出能够以更高速度和更低功耗运行深度学习模型的专用硬件。
在这场竞赛中，最近的一些突破包括新的芯片架构，它以一种与我们以前看到的完全不同的方式执行计算。通过观察它们的功能，我们可以了解到未来几年可能出现的人工智能应用。神经形态芯片是深度学习的关键，它由成千上万个小程序组成，这些小程序执行简单的计算，执行复杂的任务，如检测图像中的物体或将语音转换成文本。
但是传统的计算机并没有对神经网络操作进行优化。相反，它们由一个或几个强大的中央处理器组成。神经形态计算机使用另一种芯片结构来物理地表示神经网络。神经形态芯片是由许多物理人工神经元组成的，这些神经元直接与软件对应。这使得他们在训练和运行神经网络方面特别快。
神经形态计算的概念早在20世纪80年代就已经存在，但由于神经网络的效率太低而没有引起太多关注。近年来，随着人们对深度学习和神经网络的兴趣重燃，神经形态芯片的研究也受到了新的关注。
今年7月，一组中国研究人员推出了一种名为天启的神经形态芯片，它可以解决很多问题，包括目标检测、导航和语音识别。研究人员将该芯片整合到一辆自动驾驶自行车中，以显示其功能。研究人员在《自然》杂志上发表的一篇论文中指出。我们的研究有望为更通用的硬件平台铺平道路，从而刺激人工一般智能的发展。
虽然没有直接证据表明神经形态芯片是创造人工智能的正确途径，但它们肯定会帮助创造更高效的人工智能硬件。
神经形态计算也引起了大型科技公司的注意。今年早些时候，英特尔推出了Pohoiki Beach，这是一台装有64块英特尔Loihi神经形态芯片的电脑，能够模拟总共800万个人工神经元。据英特尔称，Loihi处理信息的速度比传统处理器快1000倍，效率比传统处理器高10000倍。
神经网络和深度学习计算需要大量的计算资源和电力。也已经成为一个环境问题。神经网络的能源消耗也限制了它们在电力有限的环境中的应用，比如电池供电的设备。随着摩尔定律，传统的电子芯片正努力跟上人工智能行业日益增长的需求。
几家公司和研究实验室已转向光学计算，以寻求解决人工智能行业的速度和电力挑战的方案。光学计算用光子代替电子，用光学信号代替数字电子来进行计算。光学计算设备不像铜电缆那样产生热量，这大大降低了它们的能源消耗。光学计算机也特别适用于快速矩阵乘法，这是神经网络中的关键运算之一。
在过去的几个月里，出现了几款光学人工智能芯片的原型机。波士顿的一家公司开发了一种光学人工智能加速器，该加速器与当前的电子硬件兼容，通过优化一些繁重的神经网络计算，可以将人工智能模型的性能提高一到两个数量级，同时光学计算的进步也将降低人工智能芯片的制造成本。
