，但距离可以商用的智能化程度还遥不可及。除IBM外，芯片巨头英特尔、高通等公司也拥有了被工程师称之为“神经形态”(neuromorphic)的自主芯片设计。人脑启发软件公司 Numenta创始人杰夫霍金斯(JeffHawkins)认为，类似TrueNorth这样的二元芯片未来将让位于能够更有效地模拟出人脑联系功能的芯片产品，找到正确的神经元结构需要经历多年的研究过程。
(2)量子计算。量子计算机是一种使用量子逻辑实现通用计算的设备。普通计算机存储数据的对象是晶体管电路的状态，而量子计算用来存储数据的对象是粒子的量子状态，它使用量子算法来进行数据操作。量子计算机的优势在于强大的并行计算速度。现在的计算机毕竟是二进制的，一遇到比较复杂的建模，像准确预测天气，预测更长时间后的天气等等，就会很费力费时;而超快量子计算机就能算，算得超快。因为当许多个量子状态的原子纠缠在一起时，它们又因量子位的“叠加性”，可以同时一起展开“并行计算”，从而使其具备超高速的运算能力。2014年，谷歌公司与科学家联手研制量子级计算机处理器，目的是未来使机器人像人类一样“独立思考问题”。但达到这个未来需要多久，目前我们还无法预知。
(3)仿生计算机。仿生计算机的提出是为了解决如何构建大规模人工神经网络的问题。通用的CPU/GPU处理神经网络效率低下，如谷歌大脑的1.6万个 CPU运行7天才能完成猫脸的无监督学习训练。谷歌大脑实现模拟人脑的突触数量仅为100亿个，而实际的人脑突触数量超过100万亿。采用CPU/GPU 的通用处理器构建数据中心，占地、散热以及耗电等都是非常严峻的问题。成本方面，这样级别的数据中心，除了谷歌、百度之外，其他互联网企业根本无力搭建。专门的神经网络处理器成为解决以上问题的钥匙。目前国内的陈云霁团队所搭建的寒武纪神经网络计算机正是基于仿生学的原理，通过寒武纪生物大爆炸中获取的线索，实现的无需访问内存，减少90%以上的片上通讯时间，并支持几乎现有主流机器学习算法的网络计算机。寒武纪神经网络计算机跟主流GPU相比，取得了 21倍的性能和300倍的性能功耗比提升。
2、AI技术层的实现路径：通用智能实现跨场景的终极应用
在专用智能的时代，AI的技术应用是要针对不同的场景才能有效的。例如，格灵深瞳的计算机视觉技术，在安防视频监控领域可以识别出犯罪分子的异常行为举动并予以报警，但换做是商场中，格灵深瞳的三维摄像头就无法识别出客户的性别年纪等特征，并根据客户在不同柜台中逗留的时间，分析出客户可能偏好的产品并向其推荐。这两个应用场景其实都是依托于计算机视觉技术进行识别和响应的，但是专用智能时代，受到计算能力和建模能力的约束，同样的计算机视觉技术却无法解决跨场景的应用。
在未来，通用智能到来后，AI技术层的普适性将极大地提升。同样一个视频监控的摄像头加上背后的计算机视觉的云平台，放在不同的场合中，就能够根据用户不同的需求进行不同的识别并做出智能化的决策行为。这种终极应用的到来，必须依赖于计算资源上突破现有的能力极限，并且在建模上超越现阶段的深度学习算法的极限，真正让AI像人类一样去观察和思考并做出行为决策。
我们认为：在通用智能时代，进入门槛最高，护城河最宽的是底层AI资源支持的平台企业;其次是技术层中在细分领域具备核心竞争力的领先企业;门槛最低的是应用层的企业，标准化程度越高意味着同质化竞争越激烈，但消费电子的产品属性也将允许差异化竞争的空间。
