隨著深度學習的顯露出來，人工智能獲得了令人吃驚的發展，但與此同時，系統功耗不斷增加。訓練一個現代AI神經器官網絡甚至于需求運用數千臺集群服務器，功耗高達數一百萬瓦，這正漸漸變成AI不斷進展、以及廣泛普及的瓶頸。那末，怎么樣能力提高AI擔任的工作的能效、甚至于增長 1000 倍呢？英特爾幾年初著手了神經器官外形狀態計算的考求。

相形傳計數算機架構，神經器官外形狀態架構依稀了內存和處置之間的界限。和前腦同樣，它利用的是數值連署、數值編碼和電路活動中所得法式的稀疏（sparsity）。也就是說，處置就發生在信息到了時，二者同步施行。計總算數一百萬個簡單處置單元之間動態交互的進展最后結果，就像前腦中的神經器官元同樣。這種新式計算機架構旨在將能效、實時數值處置速度、學習數值的速率等提高多個數目級。

英特爾在2017 年宣布了首款神經器官外形狀態研討芯片Loihi，認為合適而使用英特爾主流的14 納國際公制程。相形其它神經器官外形狀態芯片，Loihi 在靈活性、集成性和速度方面表達較好，并還具備片上學習功能。它沒有深度學習硬件中存在廣泛存在的浮點數和乘法累加器單元，也沒有片外內存接口，內存出處于芯片神經器官元之間的連署。和前腦同樣，全部計算都在芯片向上行，經過二進制電子脈沖信息和低精密度信號。

英特爾在神經器官外形狀態計算的研討上走到達第五個年頭，現在項目研討也進入下一階段，考求實際應用。此前，Gartner在一份調查報告陳述中預先推測，到2025年神經器官外形狀態計算有盼代替GPU，變成下一代AI的主流計算形態。

對此，英特爾中國研討院院長宋繼強覺得，神經器官外形狀態計算和深度學習的關系應當是兼容并蓄，而不是代替，“對于深度學習已經十分特長的，模人格化修辭方式類視物感覺還是天然語言交互的擔任的工作，讓深度學習的網絡去摹擬；對于其它不太適應用深度學習做的，如英特爾Loihi芯片做的嗅覺方面的研討，還有機器人操控、多模態甚至跨模態之間的知識儲存，可以用神經器官外形狀態計算去成功實現?！?br style="margin: 0px; padding: 0px; -ms-word-wrap: break-word !important; box-sizing: border-box;"/>

為了進一步擴張該技術的適合使用范圍，英特爾設立了英特爾神經器官外形狀態研討社區（INRC），經過與世界各地不一樣類型的學術界、政府實驗室和公司研討擔任職務的人施行交流合作，變成改進 Loihi 的架構、系統和軟件的關緊基礎。INRC人員將運用英特爾的Loihi研討芯片作為開發活動的架構焦點，隨著基礎算法和SDK組件一天一天地走向成熟，英特爾期望INRC獲得的成果未來能夠推動神經器官外形狀態架構、軟件和系統的改進，最后成功實現經濟活動化。2021 年第 1 季度，英特爾將宣布下一代“Lava”軟件研發框架的開源版本，以資觸動到更極大的軟件研發擔任職務的人社區。

受限于成本問題，英特爾高級首席工程師、英特爾研討院神經器官外形狀態計算實驗室主任Mike Davies表達，短期內神經器官外形狀態計算要不用于邊緣設施、傳感器等小型設施，要不用于對成本不聰明感的應用，如衛星、專用機器人。隨著時間的推移，預計內存技術的創新能夠進一步減低成本，讓神經器官外形狀態解決方案擴張適合使用范圍，使用于各種需求實時處置數值但受限于大小、重量、功耗等因素的智能設施。