当下机器或者设备感知世界的模式是单一的，由传感器信息捕捉、在数据库中检索、匹配然后反馈。而人脑的机制要比这复杂得多，你看到一张脸，立马能反映出他的身材、着装和声音，然后嘴里下意识地蹦出他的名字。如果设备也能模拟这种类神经的反馈机制呢？高通、IBM和Intel的研发成果说可以。

　　当下，即使是Google或者FB的面部识别软件，设备会将当下的图像在数据库里跑一遍然后把人认出来；但如果它需要换个背景再次识别这张脸，上面的流程就会再跑一次。

　　类神经网络

　　类神经网络的概念很早就在提了，包括美国DARPA在内的研究机构都在试图研发能够自我学习的计算设备。

　　微处理器的先驱Federico Faggin一直期待着处理器的行为能发展到神经网络的程度，不过最后他的成果推动了接触传感的发展，也就是我们今天在笔记本看到的触控板以及触屏设备。

　　人造的神经网络远比Federico这些先驱们想的复杂，当前高通、IBM和其他厂商们正试图通过他们对人脑模式的认知来打造新的芯片。

　　计算设备的重定义

　　我们现有的计算设备按照模块有清晰的划分：信息处理、存数、传感…大体上，设备按照人们预设的模式去处理数据，然后每年的技术发展能让他们跑得更快。

　　但高通的NPU（与CPU相对，neural processing unit ）工作模式与CPU有很大不同。高通的类神经架构以并行、分布的方式处理信息；并且高通已经研发了一款配套软件来模拟大脑的活动。

　　Matt Grob，高通的VP在一次采访上如此介绍CPU和所谓NPU的区别：

　　CPU是基于传统的数据寄存+处理单元，但放在识别、控制这样的场景中，这些任务会耗费大量的资源。NPU是我们与Brain Corporation合作开发的类神经数学模型，同时也是一个提高运算效率的数据压缩模型。

　　设备也会自我学习

　　SoC的应用目前在手机和平板上非常普及，也就是处理器、图形单元和通信都整合在一块芯片里。高通预计未来NPU有可能作为一个模块加入SoC或者直接接管设备（比如一个机器人）。

　　手机上的NPU能执行一系列的功能。Grob举了几个例子：当周日晚上的9点，一个陌生电话打入的时候，用户正在看娱乐节目。于是你对着手机说：“忙着呢”。手机会综合这周的这个时间屏蔽以后类似时间段的陌生电话，或者转入留言。

　　或者从手机上拍一张小明的照片，并且告诉它这是小明。手机在之后的时间里就能用摄像头或者照片判断这是小明，把相关的资料都自动打上标签。而这些都是在本地低能耗的情况下完成的。