All-TNN избегает этого ограничения благодаря уникальной архитектуре и методу обучения. Каждый пространственный участок этой сети обладает собственным набором обучаемых параметров. Во время обучения применяется «ограничение гладкости» (smoothness constraint), побуждающее соседние нейроны обучаться схожим, но не идентичным признакам. В тесте на распознавание объектов, кратковременно появляющихся в разных частях экрана, All-TNN показала в три раза более сильную корреляцию с человеческим восприятием, чем CNN.

Хотя по точности классификации изображений All-TNN (34,5% – 36%) пока уступает CNN (43,2%), она демонстрирует значительное превосходство в энергоэффективности. Несмотря на то, что All-TNN примерно в 13 раз больше по размеру (около 107 миллионов параметров против 8 миллионов у CNN), она потребляет более чем в 10 раз меньше энергии. Этот результат достигается за счёт способности сети концентрировать ресурсы на наиболее информативных частях изображения, а не обрабатывать его равномерно по всей площади.

Авторы подчёркивают, что энергоэффективность не была их основной целью. Главный интерес заключался в создании архитектуры, которая приближает к пониманию принципов работы как искусственного, так и человеческого интеллекта. Профессор Китцманн отметил, что бесконечное увеличение объёма данных и параметров модели (погоня за масштабом) может быть не самым эффективным путём, особенно с учётом ограниченности ресурсов реального мозга. Альтернативой может стать создание сетей, имитирующих человеко-подобное поведение. Разработка All-TNN рассматривается учёными как важный шаг в этом направлении.