摄像头干扰器芯片的灵活的学习引擎，使程序员能够实验各种学习方法，而所有的学习都发生在芯片上。Loihi被用于求解加权图的最短路径问题以及一维非马尔可夫序列决策问题。Loihi算法潜力的开发实际上刚刚起步，到目前为止只有一小部分可用的资源和功能正在测试中。然而，由于能源效率高达通用计算的1000倍，英特尔的团队打算扩大对Loihi网络的研究。英特尔的神经形态研究计划：英特尔的研究团体，包括学术、政府和企业研究团体，将应对将神经形态架构引入主流计算所面临的挑战。由于Lohi芯片是其研发的中心，该计划旨在提供将推动技术发展，并最终使监控屏蔽器产品商业化的研究成果。

 

去年10月，北京科技會議聚集討論了與攝像頭屏蔽器芯片迄今取得的進展，並報告了以下發展情況：

根據結構，音頻關鍵字識別LOHI可以提供50倍的更好的能效。

長期短時記憶網絡在運行于神經網絡硬件上的神經網絡有望顯著提高效率。

基于哺乳動物嗅覺系統的信號恢複與識別，該算法已證明了最新的學習和分類性能。

Lohi的未來潛力：

由于研究人員能夠使用英特爾的軟件開發工具包在其雲服務中開發算法、軟件和應用程序，因此，監控幹擾器有巨大的潛力進一步發展。

 

    成员们正在使用硬件进行机器人等领域的研究，并可以访问“Kapoho Bay”USB表单因子，该USB表单因子提供与外围设备的接口，如DAIS 240C DVS硅视网膜摄像头。今年，英特尔和INRC成员都有望为公共领域贡献他们的大部分软件和研究成果。当这种情况发生时，人们的兴趣将增加，而且必然会出现更多的现实应用程序。然而，尽管英特尔的目标是在基于LOHI的摄像头干扰器多芯片系统中建立超过1000亿个突触，但人脑相对突触复杂度仍有很长的路要走。尽管英特尔的计划接近普通老鼠的1250亿个突触，但真正的人工智能与人脑的9万亿突触目前远远超出了技术的能力。