神经形态计算试图模仿人类大脑的工作方式。
神经形态计算是下一代计算的更好候选者。这个术语最初是由Carver Mead教授在80年代提出的，它描述的是模仿人脑的计算。在过去的十年中，许多公司和机构一直致力于神经形态计算，以IBM为例。IBMTrue North芯片是世界上第一个成为非基本架构的神经形态芯片。
TrueNorth芯片具有4096个核，每个核包含256个数字(约100万个新房间和超过2.5亿个突触)。
现在，这是一个相对较新的计算概念。人脑典型的人脑包含86至870亿个神经元和10至15的突触能量。
当我们在大脑中执行任务，计算任务时，我们只消耗了整个神经元数量的一小部分。这就是为什么人类的大脑具有极高的能效，我们消耗20瓦的功率，并且能够实现一个exaFLOP(一个exaFLOP是每秒五百亿(1018)浮点运算或1,000 petaFLOPS)的原因，所以我们将其放入进入透视图世界上最快的超级计算机IBM峰会消耗30兆瓦的功率，它的200 ped flop的能力，人脑消耗20瓦的功率，并具有1倍exaflop的能力，这是IBM Summit的计算能力的五倍。
它采用神经运动神经形态计算的计算机人脑之后直接仿照它采用特殊的人工叫脉冲神经网络(SNN)的神经网络方法。请勿将其与基于软件的算法(例如卷积神经网络(CNN)，递归神经网络(RNN)或生成对抗网络(GAN))相混淆。
为神经形态计算机提供动力的神经形态芯片可能无法替代传统的计算芯片，例如CPU GPU或专用IC。但是，神经形态计算机具有向现有计算机添加功能的能力，该计算机可以执行人工智能的深度学习。从IBM TrueNorth到英特尔的忠诚度，再到曼彻斯特大学的忠诚，每个公司或机构都在为神经形态计算芯片开发独特的解决方案。
局限性：
尽管当今的计算机可以完成人类可以做的许多事情，但它们至少缺少两个方面，即机器推理和迁移学习。专家定义的机器推理LéonBottou为
Algebraically manipulating previously acquired knowledge in order to answer new question.
转移学习是指将所学经验从一种环境转移到另一种环境的能力。
存在第三角度，即物理尺寸和能量消耗。超级计算机代表了最高的计算速度，当前版本的计算机具有PFLOP的速度(每秒10 ^ 15浮点运算)。但是这些都是装在专用建筑物中的笨重设备，它们需要的功率为MW。人脑消耗约20 W的功率。