超过二十年前，神经网络被广泛认为是下一代计算的，一个将最终允许计算机为自己着想。
现在，围绕技术的思想，松散的基础上如何哺乳动物大脑获悉，终于开始渗入到主流的计算，由于硬件的改进和完善的软件模型的生物学知识。
计算机仍然不能为自己想，当然，但在神经网络中的最新创新使计算机通过数据的广阔领域筛选并得出基本结论，无需人工操作员的帮助。
“神经网络，让你解决你不知道如何解决的问题，”莱昂列兹尼克，在罗切斯特技术学院计算机科学教授说。
慢慢地，神经网络渗入行业也是如此。Micron和IBM正在构建可用于创建更高级的神经网络硬件。
在软件方面，神经网络正在缓慢地进入生产设置为好。谷歌已申请各种神经网络算法提高它的语音识别应用，谷歌语音。对于移动设备，谷歌语音翻译人类语音输入文本，让用户即使在那种会惊讶传统的语音识别软件嘈杂的环境条件决定的短消息，语音搜索查询和用户命令。
神经网络也可以用来分析大量的数据。2009年，一组研究人员用神经网络技术赢Netflix的大奖。
当时，Netflix公司正拿着每年比赛找到推荐的基础上，从它的用户约为1亿电影等级的数据集的新电影的最佳途径。面临的挑战是要拿出一个更好的方式来推荐新的电影选择，用户比Netflix的自己的推荐系统。获奖项目能够提高Netflix的内部软件，提供什么样的电影Netflix公司可能希望看到一个更准确的预测。
如从在传统的计算，与传统的计算最初的设想，神经网络不同，计算机给出一个特定的算法或程序，来执行。神经网络，解决具体问题的工作在计算机本身的手在很大程度上离开，Reznick说。
为了解决问题，如查找特定对象针对的背景下，神经网络使用类似的，虽然很简单，方法如何哺乳动物大脑皮层工作。大脑处理使用数十亿的神经元互相连接的感觉和其他信息。随着时间的推移，神经元的变化之间的联系，通过反馈回路增长更强或更弱，因为人更进一步了解他或她的环境。
人工神经网络（ANN）也使用修改的神经元的不同层，或在ANN的说法节点之间连接的强度的这种方法。人工神经网络，然而，通常部署一些形式，其调整所述节点从源数据中提取所希望的特征的训练算法。就像人类一样，神经网络可以概括，慢慢建立识别的能力举例来说，不同种类的狗，用狗的单个图像。
还有正在进行许多努力，试图复制，以高保真度，大脑在硬件如何运行，如欧盟的人类脑计划（见附图故事：“使大脑电脑“）的研究人员在计算机科学领域，但是，借用生物学的想法是，随着时间的推移，可以学习以同样的方式做大脑，构建系统即使他们的做法不同于生物有机体。
虽然自20世纪40年代的调查，研究，人工神经网络，它可以被看作是人工智能（AI）的形式，在80年代末创下普及的高峰期。
“有很多做在80年代后期的神经网络死灰复燃的一部分伟大的事情，”谁是参与公司项目，建立一个神经形态处理器的IBM研究中心高级经理达门德拉·莫达说。纵观未来十年，然而，其他形式密切相关的AI开始越来越多的关注，如机器学习和专家系统，由于采用了更直接适用于工业用途。
尽管如此，国家的最先进的神经网络继续发展，通过引入强大的新的学习模式，可以分层，以模式识别和其他功能锐化性能，
“我们已经来到阶段，自然神经网络更接近模拟是可能的人工手段，” Reznick说。虽然我们仍然不知道如何完全大脑工作方式，有很多的进步已经在认知科学，这又是计算机科学家使用建立神经网络影响的模型制作。
“这意味着，我们现在的人工计算机模型将更加接近自然神经网络处理信息的方式，” Reznick说。
摩尔定律的持续行军也伸出了援助之手。在过去的十年中，微处理器制造工艺提供了甚至在单个硅切片运行节点的大型集群所需要的密度，即不会有可能的，即使是十年前的密度。
“我们现在在这里的硅已经成熟和技术节点已经得到了足够密集的地方可以在非常低的功率提供令人难以置信的标尺的点是，” Modha说。
Reznick是领先的神经网络，喜欢时尚一些项目能够利用今天的处理器。他正在研究使用的GPU（图形处理单元），其由于它们的大数量的处理核的，固有地适应在并行计算的可能性。他还研究如何联网神经可以提高入侵检测系统，该系统用于检测在属性恶意黑客试图闯入计算机系统一切从入侵者。
今天的入侵检测系统在以下两种方式之一工作，Reznick解释。他们要么使用特征码检测，他们在认识基础上的图案预先存在库中的模式。或者，他们寻找一个典型的静态背景下的异常，它可以是很难的场景做大量活动。神经网络可以在两种方法结合起来，加强制度，从规范检测的异常偏差的能力，Reznick说
一个硬件公司调查神经网络的可能性是美光。该公司刚刚发布了一款原型DDR内存模块与内置的处理器，称为自动机。
虽然不是标准的CPU更换，一套自动机模块可以用来监视输入数据的实时流，寻找异常事件或感兴趣的图案。除了这些空间特征，他们还可以观看随时间的变化，该架构开发组Micron的DRAM部门的自动机处理器的开发总监Paul Dlugosch说。
“我们在某些方面受生物启发，但我们并没有试图实现神经元的高保真度模型。我们专注于半导体器件的实际执行，并决定我们的许多设计决策，” Dlugosch说。
尽管如此，因为它们可以并行运行，多个自动机模块，每个都用作一个节点，可以一起在集群做神经网络状的计算运行。一个模块的输出可以被管道输送到另一个模块，提供所需要的神经网络节点的多个层。编程自动机可通过编译器来完成美光开发出既可使用正则表达式语言或自己的自动机网络标记语言（ANML）的扩展。
另一家公司调查这个领域是IBM。在2013年，IBM公布它已经开发出一种编程模型为它建成为美国国防高级研究计划局（DARPA）SYNAPSE计划（仿神经自适应塑料可伸缩电子系统）的一部分，一些认知处理器。
IBM的这些处理器编程模型是基于可重用性和可堆叠积木，被称为小核。每个小核其实是一个微小的神经网络本身，可以与其他小核，以构建功能相结合。“人们可以通过分层组合框组成复杂的算法和应用” Modha说。
“一个小核等于一个核心，你暴露256线的神经元出现了，并揭露256米的公理进入核心，但内部的代码不被暴露。从外表上看，你只看到这些电线，” Modha说。
在早期的测试中，IBM所教导的一个芯片如何发挥原始的电脑游戏傍，认识数字，做一些嗅觉处理，并通过一个简单的环境中导航的机器人。
虽然这是值得怀疑的神经网络会永远取代标准的CPU，他们很可能会落得独自应对某些类型的就业困难的CPU来处理。
“与其把传感数据计算的，我们正在把计算传感器，” Modha说。“这不是试图取代电脑，但它是一个互补的模式，进一步提升文明的自动化能力。”
押杰克逊涵盖了企业软件和通用技术重大新闻进行在IDG新闻服务。按照约押在Twitter上@Joab_Jackson。约押的电子邮件地址是Joab_Jackson@idg.com