这类芯片的厉害之处在于，它们处理 AI 算法所需的功率相比传统芯片少得多。例如，IBM 制造的神经形态芯片包含的晶体管是标准 Intel 处理器的5倍，但是消耗的功率仅为70毫瓦。标准处理器需要35到140瓦，是神经形态芯片的2000倍。
Eliasmith 指出，神经形态并不是新的东西，神经形态芯片的设计80年代就出现了。但是，当时需要将特定算法的设计直接烧制到芯片上。这意味着你检测动作需要用一个芯片，检测声音需要用另一个芯片。没有一个芯片能够像我们的大脑皮层一样，可以作为一个通用的处理器。
部分原因是程序员尚没有办法设计可以用一个通用的芯片做各种任务的算法。因此，虽然这些类脑芯片已经在开发中，为它们构建算法仍然是一个很大的挑战。
Eliasmith 和他的团队专注于构建能让程序员在这些新型类脑芯片上部署 AI 算法的工具。他们的成果的核心是 Nengo，一个可以让开发者使用来构建在通用神经形态硬件上运行的 AI 算法的编译器。编译器是一种软件工具，程序员使用它来编写代码，并将代码转换为复杂的指令以让硬件实际去做某个任务。Nengo 的好用之处在于它使用熟悉的以语法直观闻名的 Python 语言，并且能够将算法部署于多个不同的硬件平台，包括神经形态芯片。不需要多长时间，任何了解 Python 的人都能学会为神经形态硬件构建复杂的神经网络。
据 Applied Brain Research 称，Nengo 已经建立起包括视觉系统、语音系统、运动控制系统和自适应机器人系统等。其中最令人印象深刻的系统是 Spaun，据称这是在计算机上模拟的最复杂的大脑模型。
下面的视频介绍了 Spaun 对示例任务的大脑活动和解码。
Spaun 证明了计算机可以与环境流畅交互，并能够执行类似人类的认知任务，例如识别图像、控制机器人手臂写下看到的东西，等等。这个机器并不完美，但它已经是一个惊人的实证，证明了计算机有一天能够模糊人的认知与机器的认知之间的界限。最近，通过使用神经形态芯片，Spaun 的运行速度加快了9000倍，相比传统 CPU 消耗的功率也更少。到2017年底，Spaun 将全部在神经形态芯片上运行。
Applied Brain Research 的另一名 CEO Peter Suma 说：“虽然 Spaun 展示了一种将来某天能够建立流畅的智能推理系统的方法，但更近的希望是，神经形态芯片将使许多类型的情境感知 AI 成为可能。”Suma 指出，虽然现在像 Siri 这样的 AI 在得到指令采取行动之前都是离线的，但很快我们就会有“永远在线”的人工智能体，将会一直存在于我们的生活中。