Page 52 - 112-2小論文

第三代人工智慧 SNN 模型原理解析與前景

3. SNN 與 ANN 的 SWOT 分析圖

圖五：SNN 與 ANN 的 SWOT 分析圖

圖五資料來源：研究者製作

伍、研究結論與建議

1. 結論

（一） 可能突破問題的方向

1. 專用硬件：開發專們設計給 SNN 模型運行的，以提供平臺適配其動態且非
同步的計算模式。就比如前文提及的 TrueNorth 到 Loihi 和天機芯。

2. 優化算法與訓練算法：讓硬件得到投入的前提是 SNN 模型有足夠的吸引
力，其一就是提高它的準確度又能有優秀能耗比，其二便是使其訓練更加
容易，如此才可以使更多人投入精力、財力在 SNN 領域。

3. 開發優秀的開發環境： Stable Diffusion 能受到全球無數極客投入研究除了
其硬件門檻不高，便來自於優秀的開發環境。開發門檻下降後自然是能帶
來研究上的正向循環。

（二） 結語

透過對文獻的探討，筆者得出脈衝神經網絡 SNN 在計算步數、記憶體調用、
動態信息處理、穩健性和生物真實性上皆具有優勢，然而這些特性卻反過來使
得 SNN 模型使用、訓練和優化的技術難度遠高於當前的第二代人工智慧( ANN)。
對於應用至上的企業而言，過多的資源投入回報不彰的 SNN 模型科研上並不
現實；對於少數極客而言，沒有就像矩陣相乘相對於 GPU——累加相對於的民
用芯片，會特別研究 SNN 模型的人便很少了。筆者認為， SNN 模型具有多項
的優勢，但在開發工具、硬件、算法這三點，或可以總結為產業鏈完善之前大
規模普及的可能性並不高。

9