神经形态计算是一种计算机设计和制造以模仿人类大脑结构和功能的过程，旨在通过这种方式使用人工神经元和突触来处理信息。
神经形态计算机利用人工神经元和突触模拟人类的大脑处理信息的方式，使它们能够比今天常用的计算机更快、更有效地解决问题、识别模式和做出决策。
神经形态计算领域仍然相对较新。除了大学、政府和 IBM 和英特尔实验室等大型科技公司进行的研究外，它在现实世界中的应用非常少。即便如此，神经形态计算仍显示出很大的前景——特别是在边缘计算、自动驾驶汽车、认知计算和其他人工智能应用等领域 ，速度和效率至关重要。
斯坦福大学教授兼神经形态计算专家 Kwabena Boahen 表示，如今最大规模的人工智能计算规模每三到四个月就会翻一番。许多专家认为，神经形态计算可以突破摩尔定律的极限，摩尔定律每两年才会翻一番。
神经形态计算架构与今天常用的传统计算机架构（称为冯·诺依曼架构）不同。
冯·诺依曼计算机以二进制处理信息，这意味着所有数据要么是 1，要么是 0 。它们本质上是顺序的，数据处理（在 CPU 上）和内存存储（RAM）之间有明显的区别。
与此同时，神经形态计算机可以拥有数百万个人工神经元和突触，同时处理不同的信息。这为系统提供了比冯·诺依曼计算机更多的计算选项。神经形态计算机还将内存和处理功能更紧密地集成在一起，从而加快了数据密集型任务的执行速度。
几十年来，冯·诺依曼计算机一直是标准，并用于从文字处理到科学模拟等各种应用。但它们的能源效率低下，并且经常遇到数据传输瓶颈，从而降低性能。随着时间的推移，冯·诺依曼架构将越来越难以提供我们所需的计算能力提升。这促使研究人员寻求神经形态和量子等替代架构。
神经形态计算提供了广泛的好处，使其成为高级计算领域的变革性补充。
神经形态系统旨在更紧密地模仿真实神经元的电特性，从而可以加快计算速度并减少能耗。
由于神经形态计算机以如此大规模并行的方式处理信息，它们特别擅长识别模式。埃森哲实验室的 Danielescu 表示，从广义上讲，这意味着它们也擅长检测异常，这在从网络安全到健康监测等任何领域都很有用。
神经形态计算机也被设计用于实时学习并适应不断变化的刺激，就像人类一样，通过根据经验修改神经元之间的连接强度。 这种多功能性对于需要持续学习和快速决策的应用中非常有用，无论是教机器人在装配线上操作还是让汽车在繁忙的城市街道上自主行驶。
神经形态计算最突出的优势之一是其能源效率，这对于人工智能制造业尤其有益。
神经形态计算机可以在每个单独的神经元上一起处理和存储数据，而不是像冯·诺依曼架构那样为每个神经元设置单独的区域。这种并行处理允许同时执行多个任务，从而可以更快地完成任务并降低能耗。而脉冲神经网络只会在脉冲响应时进行计算，这意味着系统中只有一小部分神经元在任何给定时间消耗电力，而其余神经元则保持空闲状态。