就像所有新颖的架构一样，涵盖神经形态计算的发展一直都是零星的经历。很少有公司拥有可扩展的设备，他们的研究通常是针对特定的实验性体系结构。换句话说，对于神经形态，尤其是Kaiyun数据中心，还没有出现完整的图景。

　　也许是由于缺乏对整个生态系统的了解，广泛的供应商和研究合作已经为神经形态计算制定了路线图，该路线图为各种方法提供了过去、现在和将来的挑战，而最重要的是，它提供了对应用范围的洞察力这些技术可能会首先被捕获。

　　关于神经形态路线图，最值得注意的是缺少以数据中心为中心的应用程序。例如，英特尔自己的Loihi路线图就创建了可扩展的神经形态系统。低功耗和高性能网络的潜力早已得到了许诺，尤其是在五年前第一波AI芯片初创公司进入市场之时。

　　但是，对路线图的广泛贡献者很少提及可以解决可扩展的分布式计算的设备或应用程序。毕竟这仍然是一个新生领域，这并不奇怪。但是，如果我们以面值Kaiyun对2021年的神经形态进行一次广泛的调查，则该区域已转变为边缘/嵌入式故事。

　　该路线图确实包括对各种神经形态设备材料的当前和未来预测的讨论，包括相变和价变化记忆、铁电设备、纳米线网络、自旋电子学和新型2D以及用于构成神经形态系统的有机材料。除忆阻器和相变存储器外，对其中许多器件的综述似乎仍需要进行大量研究才能获得任何商业吸引力，即使对于边缘/嵌入式器件也是如此。

　　路线图的各个部分包括分析神经形态学可能适合将来的深度学习的地方，尖刺的神经网络以及最适合这些领域的硬件。

　　加州大学洛杉矶分校的路线图撰稿人（彭鹏和杨若hua）将基于电阻开关技术的非易失性器件（忆阻器，相变，铁电器件）视为适用于AI的方法。“通过利用更多新兴设备和先进的3D集成流程，内存计算将为深度学习硬件带来光明的未来。”

　　牛津大学和明斯特大学的研究人员在路线图中增加了关于光子学的讨论，理由是代工厂的确切需求将光子学推向了主流，特别是对于AI应用。在人工智能和机器学习领域中处理海量数据的新挑战使常规电子处理器达到了极限，这引起了人们对光子计算的兴趣激增。

　　神经网络已经在实时感测和边缘应用中显示出了希望，长期以来一直是神经形态发展的目标。

　　正如苏黎世联邦理工学院的Giacomo Indiveri在路线图中指出的那样，要使其成为现实，将需要进行大量的工作。用模拟CMOS电路和忆阻器件来实现尖峰神经网络计算系统非常困难。

　　除了适用于非常具体的任务（例如感觉处理或时空模式识别）的一些概念证明系统示例外，还没有通用的解决方案。尽管有很大的希望，特别是对于边缘应用程序，但也没有存在的用于自动设计或编程它们的完善的正式方法论。

　　除了定位各种神经形态硬件方法外，路线图还涉及关键算法，包括神经网络的软件，计算神经科学，随机计算和储层计算以及CNN和其他神经网络。这建立了我们认为最有价值的部分，即对商业应用最有前景的地方的分析。

　　尽管关于神经形态设备在未来系统中可能扮演的数据中心角色的文献很多，但该路线图并没有在这一领域分配太多价值。