作為模擬人類大腦處理信息的計算技術，神經形態計算被認為是實現通用人工智能的重要方向之一。

它與傳統的計算技術相比，最主要的一個區別在于其擺脫馮·諾依曼架構存算分離的枷鎖，追求人腦神經元的高效整合形式，將數據存儲和處理的功能集中在相同的計算單元上，從而可以能效更高、性能更好、速度更快地進行數據的處理，因此頗受人工智能領域的關注。其中，一種名為“憶阻器”的硬件元件是神經形態計算實現的關鍵。簡單來說，憶阻器即同時兼備記憶和電阻的功能。

尤其是在人工智能算法的運行過程中，一旦將數據存入硬盤而不是系統內存中，計算速度就會成百倍地降低，電源消耗也會成百倍地增長。即使所有數據都能夠存儲在內存中，現有的中央處理芯片也需要從內存中讀取數據，但是數據在內存和中央處理器之間的來回存取過程，會消耗大量的時間和電力能源。

針對這一問題，諸多的芯片公司、初創公司和科學家們投入了大量的時間和資金，來研究如何將計算機中的運算從中央處理器轉入內存中進行，這種方法也被稱為存算一體化。這一方式不僅可以提升計算速度，也可以減少計算功耗。

存算一體架構對于需要處理大量數據的應用場景如 AI 非常有吸引力，理想的存算一體架構能把整個 AI 模型存在芯片上并直接在存儲單元上運行。這樣可以徹底舍棄外置存儲單元如 DRAM，以極大地提高芯片的功耗比和處理量。現有和正在研發的解決方案大概有以下幾種：

1. 使用現有的存儲技術比如 SRAM，這種方案比較成熟，被很多初創公司和科研機構所采用。但是，由于 SRAM 密度和功耗的限制，它只能用在很小的“玩具模型（toy model）”上。大的模型還需要將參數儲存在外置的 DRAM 上，整個系統的功耗比會因此迅速下降。

2. 新型的非易失性存儲器（non-volatile memory， NVM）比如 RRAM、STT-MRAM，這個方向同樣有很多公司感興趣。這類嵌入式 NVM 有希望實現整個模型的片上存儲，但其局限是，模型的運算還需要通過中央處理器 CPU，并不能徹底解決數據傳輸比如總線的堵塞問題。

3. 真正意義上的存算一體結構會盡量避免使用 CPU，而通過嵌入的 NVM 直接做運算。其中的困難在于，怎么解決使用存儲單元做運算帶來的模擬信號的誤差問題，以及怎么實現足夠精度和高效的模擬/數字信號轉換。

在人工智能和深度學習算法中， 核心運算主要是大量的向量-矩陣乘法（Vector-Matrix Multiplication, VMM）。由于基于憶阻器陣列的芯片使用了模擬電路而非數字電路，使得其對于 VMM 的計算是非常高效的，并且已經在多項研究中顯示出在人工智能計算領域中的潛力。

而在通用性的驗證上，團隊使用憶阻器陣列芯片，實現了三種人工智能的算法。首先是稱為“感知器”（perceptron）的著名機器學習算法，該算法也是最為常見的用來進行信息分類的機器學習算法之一。團隊用這款芯片成功地實現了單層感知器的運算，并將其用來識別希臘字母的有噪圖片。

這款芯片實現的另一種更復雜的算法是“稀疏編碼”（sparse coding）算法。這種算法通過比較神經元來優化神經網絡，剔除無效的神經元，找出最優的神經元連接方式，進而針對目標找出最優的神經網絡，可以用來有效地進行特征提取、數據壓縮以及數據分類等工作。

最后，這款芯片實現的是雙層神經網絡的無監督學習算法，用來識別和判斷乳房腫瘤圖像。神經網絡中的第一層使用主成分分析方法，來自主識別圖像中的特征，第二層使用感知器來進一步判斷圖像中的腫瘤是否是惡性的。這種算法在這款芯片上運行的準確率可以高達 94.6%，這一結果已經非常接近在傳統芯片上運行得到的 96.8% 的準確率。這一細微差距，主要是憶阻器元件在分類邊界上的電荷不確定性造成的。

當然，這款憶阻器芯片仍有很大的優化和提升空間。IEEE Spectrum 稱，他們在芯片中使用了 40 年前的 180 納米的晶體管，而如果使用 2008 年 40 納米的晶體管技術， 就可以將功耗繼續降低至 42 毫瓦，并可將計算效率提高至每秒每瓦特 1.37 萬億次運算。相較而言，英偉達的最新人工智能芯片使用的是更為先進的 2014 年的晶體管制造工藝。