信息传递方式
- ANN（人工神经网络 ） ：ANN 处理的是连续的数值信息。打个比方，它就像是一条持续流淌的河流，水流的大小、速度等就代表着信息，在网络中传递的是连续变化的数值 。比如在图像识别里，它会把图像的像素值等信息当作连续的数值进行处理，通过层层计算来提取特征、做出判断 。
- SNN（脉冲神经网络 ） ：SNN 传递信息靠的是离散的脉冲信号。想象一下在河里隔一段时间扔一块石头，石头激起的一个个水花就像脉冲信号。神经元接收到一定强度的信号刺激后，会产生一个短暂的电脉冲来传递信息 。像在模拟大脑处理视觉信息时，SNN 里的神经元会根据接收到的视觉刺激，在合适的时候产生脉冲，通过脉冲的有无、频率等传递信息 。
计算方式与能耗
- ANN ：ANN 通常持续不断地进行计算。只要有输入，就会按照设定好的权重和算法进行计算，不管这些计算是不是真的必要 。这就好比一辆一直开着发动机，不断运转的汽车，哪怕有时候不需要跑那么快或者不需要动，发动机也在消耗能量 。
- SNN ：SNN 只有在神经元产生脉冲的时候才进行计算，具有事件驱动的特点 。就像汽车只有在需要前进（神经元产生脉冲 ）的时候才发动，不需要动的时候就不消耗能量，所以在能耗方面可能更有优势，尤其是在处理一些对功耗要求比较高的场景，比如在一些小型的智能设备上 。
对时间信息的利用
- ANN ：ANN 不太擅长利用时间维度的信息。它处理数据的时候，往往把每个数据样本当作独立的个体来处理，不太关注数据出现的先后顺序或者时间间隔等信息 。比如在处理一段语音的时候，它不会特别去利用语音中每个音出现的先后时间关系来分析语音内容 。
- SNN ：SNN 能很好地利用时间信息。因为脉冲产生的时间、频率等都包含着信息 。还是以语音为例，SNN 可以根据神经元产生脉冲的时间顺序和间隔，来分析语音的节奏、语调等信息，从而更好地理解语音内容 。
模拟生物神经元程度
- ANN ：ANN 虽然也是受生物神经元启发，但它的神经元模型相对简单，和真实生物神经元的工作方式有一定差距 。它主要是对输入进行加权求和，再经过激活函数处理得到输出，没有很好地模拟生物神经元复杂的动态过程 。
- SNN ：SNN 更接近真实的生物神经元工作机制。它模拟了生物神经元接收信号、达到阈值后产生脉冲的过程，在神经元模型和信息传递方式上都更贴近大脑中神经元的工作方式 ，可以说是在尝试模仿大脑的思考和信息处理模式 。
