Die Forschungsaktivitäten im Bereich der künstlichen Intelligenz (KI), insbesondere im Bereich der Artificial Neural Networks (ANN) und ihrer Anwendungen, haben in den letzten Jahren enorm zugenommen. Durch Verbesserungen bei der Entwicklung von Convolutional Neural Networks (CNN) konnte die Fehlerquote bei Bildklassifizierungen unter die Fähigkeit des menschlichen Gehirns gesenkt werden [1]. Diese neuronalen Netze haben bis zu 167 Schichten mit mehr als hundert Neuronen in einer Schicht. Aufgrund ihrer hochparallelen Architektur verwenden sie GPUs anstelle von CPUs für die Berechnung der Gewichte und Ergebnisse der Netzknoten. Dennoch verbrauchen sie für solche Berechnungen eine enorme Menge an Energie zwischen 0,77 und 1,47 MJ [2], was einem Stromverbrauch von mehr als 100 kW entspricht (das entspricht einem kleinen Kraftwerk!).   Dies ist vor allem auf das so genannten von-Neumann-Bottleneck zurückzuführen, der den Datentransfer zwischen Speicher und Rechenelement beschreibt [3]. Im Vergleich dazu verbraucht das menschliche Gehirn nur 20W und ist damit sogar in der Lage, eine Vielzahl an verschiedenen Aufgaben zu lösen.

Aber auch die Berechnung der Ergebnisse in Silizium erfährt nicht mehr die gleichen Verbesserungen wie in den Jahren zuvor, da das Mooresche Gesetz eine Art Sättigung zu erreichen scheint.

Nehmen wir die menschliche Zunge als Beispiel: Wir können Süße, Säure und Temperatur relativ gut erkennen, aber die Auflösung, wie süß sie ist, ist eher gering (was ganz im Gegensatz zu digitalen Sensorsystemen mit einer Auflösung von oft mehr als 10 Bit steht). Andererseits nutzt das menschliche Nervensystem/Gehirn die Korrelation aller Sensorsignale, um die wichtigsten Informationen zu kategorisieren: Schmeckt es "gut" oder "schlecht", ist es heiß (damit wir uns nicht verbrennen) oder ist es sogar giftig (gefährlich)? Hierfür sollten also rekonfigurierbare und adaptive Informationsverarbeitungssysteme eingesetzt werden.