تمثل الشبكات العصبية الاصطناعية (ANNs) الأساس وراء التقدم الأخير في الذكاء الاصطناعي (AI)، وغالبًا ما تعتمد على استجابات عقدية ذات قيم حقيقية. في المقابل، يُعرف أن الخلايا العصبية الحيوية تعمل باستخدام تدفقات نبضية (spike trains). من الناحية النظرية، قد تمتلك الشبكات العصبية النبضية (SNNs) قدرة تمثيلية أعلى من الشبكات العصبية الاصطناعية، خاصةً في معالجة السلاسل الزمنية مثل الكلام؛ ومع ذلك، تواجه اعتمادها عوائق نتيجة نقص خوارزميات تدريب مستقرة، ونقص معايير مقارنة متوافقة. نبدأ بتحليل شامِل للدراسات المتعلقة بدمج ANNs وSNNs. ونركّز على منهجيات المشتقة الظاهرية (surrogate gradient)، ثم نُعرّف اختبارًا بسيطًا لكنه ذا صلة، مبنيًا على مهام حديثة في التعرف على الأوامر الصوتية. وبعد تقييم مجموعة مختارة من الهياكل المعمارية، نُظهر أن مزيجًا من التكيّف والتأخير (الاستمرارية) والمشتقات الظاهرية يمكن أن يؤدي إلى بنى نبضية خفيفة الوزن، تكون قادرة لا فقط على المنافسة مع الحلول المستندة إلى ANNs، بل أيضًا على الحفاظ على درجة عالية من التوافق معها في الإطارات الحديثة للتعلم العميق. نخلص بشكل ملموس إلى أن الشبكات العصبية النبضية مناسبة للبحث المستقبلي في مجال الذكاء الاصطناعي، وبخاصة في تطبيقات معالجة الكلام، وربما بشكل أوضح أن تكون مفيدة في استنتاجات حول الوظائف البيولوجية.