脑计算速度比数十年前的电脑还要慢，但是却能自我评价对外界环境认知度，通过外部信号来处理信息。
这些顶尖的脑神经科学家通过针对这个方向也是进行了大量的研究，为此也是建立了一套新的前头叶控制理论模型，白冰研发的这套新型树突式学习神经网络模型就是根据这套理论建立的。
白冰他们的团队在建立这套新的模拟神经网络后也是不断地研发这套系统里面的树突式神经元控制权重算法上进行了大量的优化调整。
结果这套没有经过学习的新型神经网络模型在进行学习时速度比之前的神经网络模型要快得多，而且在不同任务的学习当中都是如此。
这也验证了白冰带领的技术团队确实是找到了一种新的人工智能模型，而且是可行的。
这种能够进行多任务训练的神经网络模型比起之前那种只能是进行特定任务训练的神经网络模型自然是具有更大的优势，也为之后能够执行复杂任务的多功能机器人做好了技术储备。
现在梅溪湖大学人工智能研究院现在也在为这套神经网络模型开始提供各种感知能力，并且训练灵活处理各种信息的能力。
当然，梅溪湖大学人工智能研究院也是诞生了世界上第第一种神经元网络处理器，然后用众多的处理器芯片搭建起了一套系统。
这种处理器芯片架构跟大脑神经元网络非常类似，具有包括输入端、神经薄膜、信号发生器和输出端，其中输入端类似生物神经元的树突，神经薄膜类似生物神经元的双分子层，信号发生器类似生物神经元的神经细胞主体，输出端类似生物神经元的轴突。
而神经薄膜是整个神经元产生作用的关键物质，它类似生物神经细胞中的液态薄膜，当能量吸收到一定程度时就会产生信号并向外发射。
这些信号经过输出端传导，然后被其他神经元接收，以此循环形成信息处理过程。
神经元网络处理器大小跟普通的处理器没有太多区别，不过里面的架构却截然不同，核心区域内密密麻麻的挤满了数千个处理核心，用来模拟超过百万个人脑神经元和上亿个神经突触。
这些处理核心每个包含了上百万个晶体管，其中负责数据处理和调度的部分只占掉少量晶体管，而大多数晶体管都被用作了数据存储、以及与其它核心沟通方面，每个核心都有自己的本地内存，它们还能通过非常类似于人脑神经元与突触之间的协同的方式来与其它核心快速沟通。
这种架构白冰带领的
本章未完，请点击下一页继续阅读！