感知机（perceptron），是神经元间的直连感知：
来自：https://www.youtube.com/watch?v=3JQ3hYko51Y
其中白色较亮的点是被激活（更兴奋）的神经元。
对于多层感知机，只是层数变多了，依旧是直连加反向传播：
来自：https://www.youtube.com/watch?v=3JQ3hYko51Y
轮到现在流行的CNN, 只是比感知机多了卷积层:
来自：https://www.youtube.com/watch?v=3JQ3hYko51Y
到目前为止可以发现，所有连接权重的更新速度是一样的。即所有神经元的连接，在某个时间点的兴奋度低，但在下一个时间点的兴奋度可能很高！（因为反向传播才不管这么多），细想，不符合那句老话：“Neurons that fire together wire together”。此刻兴奋的神经元在下一时刻应该惯性地也比较兴奋才对。
这就引出了脉冲神经网络(SNN)的想法，神经元兴奋度不应该是一瞬间更新的，而是慢慢衰减的，衰减的过程中有机会向更深的网络激活兴奋区，最后，激活的兴奋区才是最后的预测判别结果:
来自：https://www.youtube.com/watch?v=3JQ3hYko51Y
事实上，David认为脉冲神经网络(SNN)更是对目前神经网络时间尺度单一的不满。一些神经科学家已经指出，
