论文背景：
目前发展人工智能（AGI）通常由两种方法：神经科学导向和计算机科学导向。神经科学导向试图密切模拟大脑皮层，其常用的模型是脉冲神经网络（SNN）。计算机科学导向的方法主要涉及在计算机上执行显式算法，其常用的模型是非脉冲人工神经网络（ANN）。
为了进一步提高实现AGI的智能，一个趋势是将更多生物启发模型或算法纳入主流的人工神经网络中。
论文工作：
论文主要展示了一辆由新型人工智能芯片驱动的自动驾驶自行车。这种新型芯片结合了类脑计算和基于计算机科学的人工智能。
研究者开发的跨范式（cross-paradigm）计算芯片可以适用于计算机科学导向和神经科学导向的神经网络。这项工作的难点在于ANN和SNN在信息表征、计算哲学和记忆组织方面具有不同的建模范式，其中最大的差异是ANN以精确的多位值（multibit value）处理信息，而SNN使用的是二进制脉冲序列。
这种芯片可以让ANN和SNN同时在一个个芯片上运行，其巨大潜力就是当下的深度学习模型可以和大量目前还没有被好好利用的计算神经科学模型完美嫁接在一起。比如在自动驾驶自行车这个项目中，处理听觉的是SNN，处理视觉的是CNN，主管视觉追踪的是CANN网络（连续吸引子网络），该网络可以直接把视觉物体转化为一个可以追踪的空间目标。这是一个典型的脱胎于计算神经科学的网络架构，其矩阵的连接还用到了树突计算。
