《意识与复杂》一文，分析了意识的计算规模，完全不在现有计算系统可能模拟的复杂度下。按照现在的冯诺依曼计算体系，用1.45万颗最快速的7纳米麒麟980芯片，也无法完成对大脑的神经网络模拟。既然如此，人类就停止对意识的制造了么？答案，是否定的。
大脑中，１００万亿条神经连接，存在电流通过的阻抗问题，这是一个模拟系统。这个系统，其存储就基于神经网络本身，同冯诺依曼体系是完全不同的。如果，制造一个同此系统相似的通用计算系统，关键在元器件，用晶体管是不可能实现的，只能改用忆阻器。
一个３Ｄ忆阻器芯片，可以想象成为Ｎ*Ｎ*N的忆阻器阵列。每一个忆阻器，可以调整电流通过时电阻的高低。高阻值为1、低阻值为０，通过这种方式，忆阻器网络本身就可以记录数据，也可以进行逻辑运算。当我们想要完成对忆阻器网络应用时，其本质同人脑的学习过程是相似的，就是要逐渐训练网络里每一个忆阻器的电阻，让其阈值处于最佳状态，以解决通用的计算问题。这种方式，开辟了全新的计算体系，同冯诺依曼体系完全不同，是真正的神经网络物理构造。
即使如此，人脑的复杂度，还是让忆阻器芯片技术无法企及。前文计算的脑链接拓扑可能性在２４个零，这么大的数量级，用人造系统模拟，相当于需要构建一个１０的２４次方数量级的三维阵列，其中有１０的１４次方个位置存在忆阻器形成连接。
如果，我们想要制造一个同人脑一样复杂的忆阻器网络，需要搭建一个１０的１４次方个忆阻器三维连接系统，其中，每个忆阻器之间都可能存在连接关系，这种连接关系会随着计算不断发生变化。忆阻器与忆阻器之间的电路连接，可能是通的，也可能是不通的，这就需要每一个点之间都要有开关控制器
一个３Ｄ忆阻器芯片，可以想象成为Ｎ*Ｎ*N的忆阻器阵列。每一个忆阻器，可以调整电流通过时电阻的高低。高阻值为1、低阻值为０，通过这种方式，忆阻器网络本身就可以记录数据，也可以进行逻辑运算。当我们想要完成对忆阻器网络应用时，其本质同人脑的学习过程是相似的，就是要逐渐训练网络里每一个忆阻器的电阻，让其阈值处于最佳状态，以解决通用的计算问题。这种方式，开辟了全新的计算体系，同冯诺依曼体系完全不同，是真正的神经网络物理构造。
即使如此，人脑的复杂度，还是让忆阻器芯片技术无法企及。前文计算的脑链接拓扑可能性在２４个零，这么大的数量级，用人造系统模拟，相当于需要构建一个１０的２４次方数量级的三维阵列，其中有１０的１４次方个位置存在忆阻器形成连接。
如果，我们想要制造一个同人脑一样复杂的忆阻器网络，需要搭建一个１０的１４次方个忆阻器三维连接系统，其中，每个忆阻器之间都可能存在连接关系，这种连接关系会随着计算不断发生变化。忆阻器与忆阻器之间的电路连接，可能是通的，也可能是不通的，这就需要每一个点之间都要有开关控制器