腦科學演算法大全

⑴ 人工智慧需要什麼基礎

門檻一、數學基礎
我們應該了解過，無論對於大數據還是對於人工智慧而言，其實核心就是數據，通過整理數據、分析數據來實現的，所以數學成為了人工智慧入門的必修課程!
數學技術知識可以分為三大學科來學習：
1、線性代數，非常重要，模型計算全靠它~一定要復習扎實，如果平常不用可能忘的比較多;
2、高數+概率，這倆只要掌握基礎就行了，比如積分和求導、各種分布、參數估計等等。
提到概率與數理統計的重要性，因為cs229中幾乎所有演算法的推演都是從參數估計及其在概率模型中的意義起手的，參數的更新規則具有概率上的可解釋性。對於演算法的設計和改進工作，概統是核心課程，沒有之一。當拿到現成的演算法時，僅需要概率基礎知識就能看懂，然後需要比較多的線代知識才能讓模型高效的跑起來。
3、統計學相關基礎
回歸分析(線性回歸、L1/L2正則、PCA/LDA降維)
聚類分析(K-Means)
分布(正態分布、t分布、密度函數)
指標(協方差、ROC曲線、AUC、變異系數、F1-Score)
顯著性檢驗(t檢驗、z檢驗、卡方檢驗)
A/B測試
門檻二、英語水平
我這里說的英語，不是說的是英語四六級，我們都知道計算機起源於國外，很多有價值的文獻都是來自國外，所以想要在人工智慧方向有所成就，還是要讀一些外文文獻的，所以要達到能夠讀懂外文文獻的英語水平。
門檻三、編程技術
首先作為一個普通程序員，C++ / Java / Python 這樣的語言技能棧應該是必不可少的，其中 Python 需要重點關注爬蟲、數值計算、數據可視化方面的應用。

⑵ 神經網路演算法的人工神經網路

人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。 人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。
如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「A」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「A」、「B」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠作出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。 （1）人類大腦有很強的自適應與自組織特性，後天的學習與訓練可以開發許多各具特色的活動功能。如盲人的聽覺和觸覺非常靈敏；聾啞人善於運用手勢；訓練有素的運動員可以表現出非凡的運動技巧等等。
普通計算機的功能取決於程序中給出的知識和能力。顯然，對於智能活動要通過總結編製程序將十分困難。
人工神經網路也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。人工神經網路是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標准進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
（2）泛化能力
泛化能力指對沒有訓練過的樣本，有很好的預測能力和控制能力。特別是，當存在一些有雜訊的樣本，網路具備很好的預測能力。
(3)非線性映射能力
當對系統對於設計人員來說，很透徹或者很清楚時，則一般利用數值分析，偏微分方程等數學工具建立精確的數學模型，但當對系統很復雜，或者系統未知，系統信息量很少時，建立精確的數學模型很困難時，神經網路的非線性映射能力則表現出優勢，因為它不需要對系統進行透徹的了解，但是同時能達到輸入與輸出的映射關系，這就大大簡化設計的難度。
(4)高度並行性
並行性具有一定的爭議性。承認具有並行性理由：神經網路是根據人的大腦而抽象出來的數學模型，由於人可以同時做一些事，所以從功能的模擬角度上看，神經網路也應具備很強的並行性。
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，這些年來逐漸形成了一個新興的多學科交叉技術領域，稱之為「神經網路」。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
下面將人工神經網路與通用的計算機工作特點來對比一下：
若從速度的角度出發，人腦神經元之間傳遞信息的速度要遠低於計算機，前者為毫秒量級，而後者的頻率往往可達幾百兆赫。但是，由於人腦是一個大規模並行與串列組合處理系統，因而，在許多問題上可以作出快速判斷、決策和處理，其速度則遠高於串列結構的普通計算機。人工神經網路的基本結構模仿人腦，具有並行處理特徵，可以大大提高工作速度。
人腦存貯信息的特點為利用突觸效能的變化來調整存貯內容，也即信息存貯在神經元之間連接強度的分布上，存貯區與計算機區合為一體。雖然人腦每日有大量神經細胞死亡 （平均每小時約一千個），但不影響大腦的正常思維活動。
普通計算機是具有相互獨立的存貯器和運算器，知識存貯與數據運算互不相關，只有通過人編出的程序使之溝通，這種溝通不能超越程序編制者的預想。元器件的局部損壞及程序中的微小錯誤都可能引起嚴重的失常。 心理學家和認知科學家研究神經網路的目的在於探索人腦加工、儲存和搜索信息的機制，弄清人腦功能的機理，建立人類認知過程的微結構理論。
生物學、醫學、腦科學專家試圖通過神經網路的研究推動腦科學向定量、精確和理論化體系發展，同時也寄希望於臨床醫學的新突破；信息處理和計算機科學家研究這一問題的目的在於尋求新的途徑以解決不能解決或解決起來有極大困難的大量問題，構造更加逼近人腦功能的新一代計算機。
人工神經網路早期的研究工作應追溯至上世紀40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹人工神經網路的發展歷史。
1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先提出神經元的數學模型。此模型沿用至今，並且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網路研究的先驅。
1945年馮·諾依曼領導的設計小組試製成功存儲程序式電子計算機，標志著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區別，提出了以簡單神經元構成的再生自動機網路結構。但是，由於指令存儲式計算機技術的發展非常迅速，迫使他放棄了神經網路研究的新途徑，繼續投身於指令存儲式計算機技術的研究，並在此領域作出了巨大貢獻。雖然，馮·諾依曼的名字是與普通計算機聯系在一起的，但他也是人工神經網路研究的先驅之一。
50年代末，F·Rosenblatt設計製作了「感知機」，它是一種多層的神經網路。這項工作首次把人工神經網路的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效製作感知機，分別應用於文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經網路的研究高潮未能持續很久，許多人陸續放棄了這方面的研究工作，這是因為當時數字計算機的發展處於全盛時期，許多人誤以為數字計算機可以解決人工智慧、模式識別、專家系統等方面的一切問題，使感知機的工作得不到重視；其次，當時的電子技術工藝水平比較落後，主要的元件是電子管或晶體管，利用它們製作的神經網路體積龐大，價格昂貴，要製作在規模上與真實的神經網路相似是完全不可能的；另外，在1968年一本名為《感知機》的著作中指出線性感知機功能是有限的，它不能解決如異感這樣的基本問題，而且多層網路還不能找到有效的計算方法，這些論點促使大批研究人員對於人工神經網路的前景失去信心。60年代末期，人工神經網路的研究進入了低潮。
另外，在60年代初期，Widrow提出了自適應線性元件網路，這是一種連續取值的線性加權求和閾值網路。後來，在此基礎上發展了非線性多層自適應網路。當時，這些工作雖未標出神經網路的名稱，而實際上就是一種人工神經網路模型。
隨著人們對感知機興趣的衰退，神經網路的研究沉寂了相當長的時間。80年代初期，模擬與數字混合的超大規模集成電路製作技術提高到新的水平，完全付諸實用化，此外，數字計算機的發展在若干應用領域遇到困難。這一背景預示，向人工神經網路尋求出路的時機已經成熟。美國的物理學家Hopfield於1982年和1984年在美國科學院院刊上發表了兩篇關於人工神經網路研究的論文，引起了巨大的反響。人們重新認識到神經網路的威力以及付諸應用的現實性。隨即，一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經網路的研究熱潮。
1985年，Ackley、Hinton和Sejnowski將模擬退火演算法應用到神經網路訓練中，提出了Boltzmann機，該演算法具有逃離極值的優點，但是訓練時間需要很長。
1986年，Rumelhart、Hinton和Williams提出了多層前饋神經網路的學習演算法，即BP演算法。它從證明的角度推導演算法的正確性，是學習演算法有理論依據。從學習演算法角度上看，是一個很大的進步。
1988年，Broomhead和Lowe第一次提出了徑向基網路：RBF網路。
總體來說，神經網路經歷了從高潮到低谷，再到高潮的階段，充滿曲折的過程。

⑶ 什麼是蟻群演算法，神經網路演算法，遺傳演算法

蟻群演算法又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。

神經網路
思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。目前，主要的研究工作集中在以下幾個方面：
（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機饃擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
遺傳演算法，是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法，它最初由美國Michigan大學J.Holland教授於1975年首先提出來的，並出版了頗有影響的專著《Adaptation in Natural and Artificial Systems》，GA這個名稱才逐漸為人所知，J.Holland教授所提出的GA通常為簡單遺傳演算法（SGA）。

⑷ 都來看看.可能一看就會,

1+1=5――學點腦科學

人的大腦分成左右兩半球，它們各自控制著身體相對應的半邊。大腦的每一半球主管著
不同的智力活動。左半球主管人的數學語言邏輯、分析、寫字等能力；右半球則主管人
的想像、顏色、音樂、節奏以及無拘束"胡思亂想"等。而且，大腦兩半球的發展往往並
不均衡，這對於智力是一種巨大的損失。如果我們對兩半球中的"弱者"予以刺激，鼓勵
它去同強的那一半積極配合，那麼我們將大大提高我們大腦的總能力。人們以為，一個
半球+一個半球＝2個半球的腦能力，但是他們錯了。實際結果表明，大腦並不按照常規
數學的模式進行。當一個半球"加"到另一個半球上時，大腦的總能力將是原來的五倍，
也就是說"1+1＝5"。

⑸ 神經網路演算法的三大類分別是

神經網路演算法的三大類分別是：

1、前饋神經網路：

這是實際應用中最常見的神經網路類型。第一層是輸入，最後一層是輸出。如果有多個隱藏層，我們稱之為「深度」神經網路。他們計算出一系列改變樣本相似性的變換。各層神經元的活動是前一層活動的非線性函數。

2、循環網路：

循環網路在他們的連接圖中定向了循環，這意味著你可以按照箭頭回到你開始的地方。他們可以有復雜的動態，使其很難訓練。他們更具有生物真實性。

循環網路的目的是用來處理序列數據。在傳統的神經網路模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節點是無連接的。但是這種普通的神經網路對於很多問題卻無能無力。

循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網路會對前面的信息進行記憶並應用於當前輸出的計算中，即隱藏層之間的節點不再無連接而是有連接的，並且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。

3、對稱連接網路：

對稱連接網路有點像循環網路，但是單元之間的連接是對稱的（它們在兩個方向上權重相同）。比起循環網路，對稱連接網路更容易分析。

這個網路中有更多的限制，因為它們遵守能量函數定律。沒有隱藏單元的對稱連接網路被稱為「Hopfield 網路」。有隱藏單元的對稱連接的網路被稱為玻爾茲曼機。

(5)腦科學演算法大全擴展閱讀：

應用及發展：

心理學家和認知科學家研究神經網路的目的在於探索人腦加工、儲存和搜索信息的機制，弄清人腦功能的機理，建立人類認知過程的微結構理論。

生物學、醫學、腦科學專家試圖通過神經網路的研究推動腦科學向定量、精確和理論化體系發展，同時也寄希望於臨床醫學的新突破；信息處理和計算機科學家研究這一問題的目的在於尋求新的途徑以解決不能解決或解決起來有極大困難的大量問題，構造更加逼近人腦功能的新一代計算機。

⑹ 腦科學的主要研究進展

· 每一神經元所進行的信息處理都是經過突觸實行細胞間的通訊而完成的。具體說，突觸前細胞產生的沖動，通過釋放神經遞質作用於突觸後細胞膜位點上的特異性受體，從而引起後一細胞興奮性的改變。
· 受體由蛋白質分子組成，與神經遞質分子結合後，控制神經細胞的離子通道開閉，（直接或經由第二信使間接），調制後一細胞的輸出，實現神經元整合作用。（空間和時間上的整合）
· 神經調質間接地經由一系列生物化學過程來調制突觸後神經元的活動，其作用起始時間較慢，持續時間較長。神經遞質和調質分布在特定的神經通路或核團里，因此神經系統同時依靠神經迴路和化學調制兩種形式進行信息處理。
· 遞質和調質有近百種，有待鑒定的可能性更多。可分為膽鹼類、單胺類（多巴胺、5-HT、NAD）、氨基酸（谷氨酸、甘氨酸、r-氨基丁酸）和神經肽。調質包括胺類、和許多神經肽。共存和共釋放，使化學信號的傳遞非常復雜。
· 神經肽，2-39個氨基酸殘基構成，在較低濃度下即能緩慢地改變附近神經元的膜的性質，從而興奮或抑制這些神經元。研究並確定種類繁多的神經肽的生物學作用，是一個重要任務之一。
· 受體是蛋白質或蛋白質與碳水化合物或脂類的結合體，主要部分在膜內，結合位點在膜外。功能有二：識別特異性的遞質或調質分子並與它們結合成復合體；改變細胞離子通道開閉狀態，實現神經細胞內化學——電信息的轉換。
· 受體分兩類：第一類是載離子受體，離子通道蛋白，n-Ach，GAGB，Gly受體，蛋白質構象變化，改變離子通道的開閉狀態，介導快速突觸傳遞過程（幾毫秒）分子有亞基組成。第二類受體都是單條肽鏈，結合後觸發一些列生化反應：激活G蛋白，激活AC，促進cAMP的合成， cAMP的擴散促成胞內白蛋白激酶K的活化，改變離子通道m-Ach、NAD、5-HT等。
· 神經信號的基本形式：分級的膜電位漲落、動作電位。
· 膜片鉗技術：研究神經膜離子通道，10-12A單個離子通道的離子電流變化。電壓門控通道、Na+，K+，Ca2+，化學門控通道nAch
· 重組DNA技術：研究膜上的微量蛋白分子——各類通道蛋白的分子結構。Na+通道是由1820個氨基酸組成的多肽鏈。
· 色覺三色學說的神經生理基礎，人的三種視網膜視錐細胞視色素基因獲得分離
· 學習記憶的細胞和分子水平的機制研究獲得重要進展——海馬結構與學習記憶密切相關，LTP反映了一種突觸效率的變化，即可塑性。
· 短期記憶不需要新蛋白質的合成，而長期記憶所需的基因產物必須是新合成的。 · 把研究感覺信息處理過程作為揭示腦的奧秘的突破口，其中以視覺系統的研究最為突出。
· 視網膜的光感受器水平：已克隆出視色素蛋白基因；光電換能過程的第二信使是cAMP（Ca2+），黑暗中， cAMP+Na+通道蛋白---〉Na通道開放，Na+持續內流（暗電流），光感受器細胞去極化；光照引起視色素分解，使視盤膜上的GTP結合蛋白分子火化，後者再激活PDE，迅速分解cAMP，引起Na+通道關閉，暗電流驟降，光感受器細胞膜超極化，這樣光能——〉神經電信號
· 視網膜，復雜的信息處理（外周腦），研究相當清楚。視網膜這個兩維的、多層次信息處理的最後結果，是經由視網膜神經節細胞以動作電位脈沖調頻的方式，傳遞給腦的。
· 感受野：視通路中任一神經元都在視網膜（或視野）上有一個代表區域。同心圓拮抗型感受野，包括給光—中心和撤光—中心兩類，為心理學馬赫帶現象提供生理學基礎
· 非同心圓的RF的細胞對快速運動、運動方向以及某些圖形特徵產生反應
· 初級視皮層（紋狀皮層），在整個大腦皮層研究最透徹的一部分，面積最大的區域。功能柱：具有相同感受野位置和生理功能的細胞按垂直於皮層表面的柱狀結構有序地排列起來。功能柱內細胞具有相同的最優方位、相同的眼優勢、相同的最優空間頻率。 · 人工神經網路具有腦的一些基本性質，如能夠學習和記憶，神經元之間的連接強度具有「用進廢退」的可塑性、細胞的集合由連接強度達最大值的細胞組成，可以從事某一模式的學習和記憶，並形成交替集合從事概念的抽象、部分輸入就能激活整個細胞集合等。
· Aldan領導的研究組按照條件反射中發射中發生的學習過程所出現的神經細胞電學特性和分子特性的變化，研製了一種DYSTAL動態穩定聯想學習。該網路內沒有任何預先編過的輸入/輸出關系程序，它能學習、記憶、辨識模式。第一次使計算機人工網路以儲存記憶的內表象成為可能。
· 用900個「神經元」組成的Hopfield網路解決復雜的「推銷員應沿什麼最優路線出差許多城市才可使其旅途最短」的問題，只需百萬分之一秒便可求解300城市的問題，比微機快10萬倍，結構簡化1萬倍
· 由100個加工單位分三層排列的閱讀程序NETtalk問世，可以閱讀字母，發出語句聲音來
· 光學神經計算機，辨別人像
· 各種演算法為闡明腦和神經系統的工作原理提供了啟示。 · 脊椎動物神經系統的發育起源於胚胎背中線的外胚層加厚，在其下方的脊索和中胚層的誘導下形成神經板，繼而其邊緣組織形成神經嵴。誘導作用機制？
· 中心問題：成熟的神經系統特有的高度特異性聯系模式是如何產生的。包括神經元怎樣得知其本身在三維神經系統中的位置信息？當軸突生長時這種位置信息如何表達？細胞又如何識別其靶細胞或終止區域？基因如何知識腦的發育？
· 軸突末端由高度運動性的生長錐，錐上有絲狀的假足。生長錐在軸突生長時識別路徑和靶細胞方面可能起著關鍵作用。
· 識別靶細胞的原因是：生長著的軸突表面存在著某種細胞化學標記物，在其相對應的靶細胞中有對應的標記物使軸突識別並形成突觸。
· 過量神經元的死亡可能與靶區神經生長因子的有限有關。
· 早期發育主要由遺傳因素決定，框架建立後，環境因素影響增大。關鍵期、可塑性 · 老年性痴呆症：記憶和推理能力喪失，神經元喪失、神經纖維纏結。Ach選擇性減少，記憶進行性喪失。常染色體顯性遺傳病，第21號染色體接近中央區的地方。
· 亨廷頓舞蹈病：遺傳病。失去對運動系統的控制，基因定位在4號染色體短臂，紋狀體失去GAGB能神經元的抑制。
· 多巴胺以被確定與覺醒和快感有關。過量引起思維喪失、幻覺和某些精神分裂症狀，缺少引起帕金森症，病人四肢和頭震顫不已，面部無表情
· 先天性肌源性疾病，重症肌無力，後天的自身免疫病，異常抗體與神經—肌肉接頭處終板區Ach受體結合，致使不能產生足夠的肌肉收縮力。
· 多發性神經纖維瘤
· 視網膜神經膠質瘤 · 丘腦的功能：丘腦是產生意識的核心器官，丘腦能夠合成發放丘覺，當丘覺發放出來也就產生了意識。丘覺是先天遺傳在丘腦中，可以自由發放，也可以由樣本點亮。
· 樣腦的功能：丘腦之外的大部分腦結構都是樣腦，包括大腦皮質、基底核、下丘腦、杏仁核等。樣腦的主要功能就是交換產出樣本，樣本的作用就是點亮丘覺產生意識。

⑺ bp代表什麼呀

BP神經網路 BP (Back Propagation)神經網路是一種神經網路學習演算法，全稱基於誤差反向傳播演算法的人工神經網路。
如圖所示拓撲結構的單隱層前饋網路，一般稱為三層前饋網或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點是：各層神經元僅與相鄰層神經元之間相互全連接，同層內神經元之間無連接，各層神經元之間無反饋連接，夠成具有層次結構的前饋型神經網路系統。單計算層前饋神經網路只能求解線性可分問題，能夠求解非線性問題的網路必須是具有隱層的多層神經網路。
在人工神經網路發展歷史中，很長一段時間里沒有找到隱層的連接權值調整問題的有效演算法。直到誤差反向傳播演算法（BP演算法）的提出，成功地解決了求解非線性連續函數的多層前饋神經網路權重調整問題。
BP (Back Propagation)神經網路，即誤差反傳誤差反向傳播演算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，並傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最後一個隱層傳遞到輸出層各神經元的信息，經進一步處理後，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網路學習訓練的過程，此過程一直進行到網路輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。
神經網路
神經網路是：
思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。目前，主要的研究工作集中在以下幾個方面：
（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機饃擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
【人工神經網路的工作原理】
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對手寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。
如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「A」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「A」、「B」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠作出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。
「人腦是如何工作的？」
「人類能否製作模擬人腦的人工神經元？」
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，近年來逐漸形成了一個新興的多學科交叉技術領域，稱之為「神經網路」。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
心理學家和認知科學家研究神經網路的目的在於探索人腦加工、儲存和搜索信息的機制，弄清人腦功能的機理，建立人類認知過程的微結構理論。
生物學、醫學、腦科學專家試圖通過神經網路的研究推動腦科學向定量、精確和理論化體系發展，同時也寄希望於臨床醫學的新突破；信息處理和計算機科學家研究這一問題的目的在於尋求新的途徑以解決目前不能解決或解決起來有極大困難的大量問題，構造更加逼近人腦功能的新一代計算機。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。下面通過人工神經網路與通用的計算機工作特點來對比一下：
若從速度的角度出發，人腦神經元之間傳遞信息的速度要遠低於計算機，前者為毫秒量級，而後者的頻率往往可達幾百兆赫。但是，由於人腦是一個大規模並行與串列組合處理系統，因而，在許多問題上可以作出快速判斷、決策和處理，其速度則遠高於串列結構的普通計算機。人工神經網路的基本結構模仿人腦，具有並行處理特徵，可以大大提高工作速度。
人腦存貯信息的特點為利用突觸效能的變化來調整存貯內容，也即信息存貯在神經元之間連接強度的分布上，存貯區與計算機區合為一體。雖然人腦每日有大量神經細胞死亡 （平均每小時約一千個），但不影響大腦的正常思維活動。
普通計算機是具有相互獨立的存貯器和運算器，知識存貯與數據運算互不相關，只有通過人編出的程序使之溝通，這種溝通不能超越程序編制者的預想。元器件的局部損壞及程序中的微小錯誤都可能引起嚴重的失常。
人類大腦有很強的自適應與自組織特性，後天的學習與訓練可以開發許多各具特色的活動功能。如盲人的聽覺和觸覺非常靈敏；聾啞人善於運用手勢；訓練有素的運動員可以表現出非凡的運動技巧等等。
普通計算機的功能取決於程序中給出的知識和能力。顯然，對於智能活動要通過總結編製程序將十分困難。
人工神經網路也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。人工神經網路是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標准進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特徵和規律性，具有更近似人腦的功能。
人工神經網路早期的研究工作應追溯至本世紀40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹人工神經網路的發展歷史。
1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先提出神經元的數學模型。此模型沿用至今，並且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網路研究的先驅。
1945年馮·諾依曼領導的設計小組試製成功存儲程序式電子計算機，標志著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區別，提出了以簡單神經元構成的再生自動機網路結構。但是，由於指令存儲式計算機技術的發展非常迅速，迫使他放棄了神經網路研究的新途徑，繼續投身於指令存儲式計算機技術的研究，並在此領域作出了巨大貢獻。雖然，馮·諾依曼的名字是與普通計算機聯系在一起的，但他也是人工神經網路研究的先驅之一。
50年代末，F·Rosenblatt設計製作了「感知機」，它是一種多層的神經網路。這項工作首次把人工神經網路的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效製作感知機，分別應用於文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經網路的研究高潮未能持續很久，許多人陸續放棄了這方面的研究工作，這是因為當時數字計算機的發展處於全盛時期，許多人誤以為數字計算機可以解決人工智慧、模式識別、專家系統等方面的一切問題，使感知機的工作得不到重視；其次，當時的電子技術工藝水平比較落後，主要的元件是電子管或晶體管，利用它們製作的神經網路體積龐大，價格昂貴，要製作在規模上與真實的神經網路相似是完全不可能的；另外，在1968年一本名為《感知機》的著作中指出線性感知機功能是有限的，它不能解決如異感這樣的基本問題，而且多層網路還不能找到有效的計算方法，這些論點促使大批研究人員對於人工神經網路的前景失去信心。60年代末期，人工神經網路的研究進入了低潮。
另外，在60年代初期，Widrow提出了自適應線性元件網路，這是一種連續取值的線性加權求和閾值網路。後來，在此基礎上發展了非線性多層自適應網路。當時，這些工作雖未標出神經網路的名稱，而實際上就是一種人工神經網路模型。
隨著人們對感知機興趣的衰退，神經網路的研究沉寂了相當長的時間。80年代初期，模擬與數字混合的超大規模集成電路製作技術提高到新的水平，完全付諸實用化，此外，數字計算機的發展在若干應用領域遇到困難。這一背景預示，向人工神經網路尋求出路的時機已經成熟。美國的物理學家Hopfield於1982年和1984年在美國科學院院刊上發表了兩篇關於人工神經網路研究的論文，引起了巨大的反響。人們重新認識到神經網路的威力以及付諸應用的現實性。隨即，一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經網路的研究熱潮。

⑻ 非人類思維的演算法

近50年來，人工智慧走的是一條曲折發展的道路。1990年代初，研究者深感人工智慧理論及技術的局限性，從而從不同角度和層次進行反思。同時，人工智慧有待於人類對人腦工作機理的深入了解，需要神經生理學、神經解剖學給出更加詳細的信息和證據。

人工智慧交融了諸多學科，與哲學更是密不可分。盡管事實上，新近的哲學進展基本上沒給科學帶來任何沖擊，並且哲學的討論對象往往是懸而未決的（Russell S，Norvig P. Artificial Intelligence: Amodern Approach. NJ：Prentice Hall，1995. 817），但科學卻在繼續改變著我們對自己的認識。

正如恩格斯所說（恩格斯. 自然辯證法. 北京: 人民出版社, 1972. 187）：「不管自然科學家採取什麼樣的態度，他們還是得受哲學的支配。問題只在於：他們是願意受某種壞的時髦的哲學的支配，還是願意受一種建立在通曉思維的歷史和成就的基礎上的理論思維的支配。」

著眼於更寬泛的視野和更遠大的目標，要求從哲學角度尋求更加有效的人工智慧研究方法。堅持物質決定意識的觀點，辯證地看待已有的認識和方法，融合與集成各相關學科的成就和意見，是正確的出發點。

人工智慧的哲學意義
人工智慧是對人類智能的一種模擬和擴展，其核心是思維模擬。

思維

思維科學是研究思維的規律和方法的科學，錢學森將它劃分為基礎科學、技術科學和工程技術三部分，人工智慧屬於工程技術范疇（錢學森. 關於思維科學. 上海：上海人民出版社，1986.20）。人工智慧研究中邏輯學派和心理學派之爭，有時似使人感到迷惘而莫知所從，但從思維科學的角度來看，無非是形象思維和邏輯思維的關系問題，兩者都屬於思維科學的基礎科學。抽象思維的不足在於缺乏結構的綜合能力。只有形象思維才能綜合出新的結構。這也許就是創造和學習最終必須具有形象思維的原因（潘雲鶴. 模式識別與人工智慧, 1991, 4(4): 7）。

不同的劃分觀點認為，思維科學體系的基礎科學包括兩大類：一類是總結人類思維經驗、揭示思維對象的普遍規律和思維本身普遍規律的各種思維科學，包括哲學世界觀、哲學史、認識論和邏輯學，是理論的思維科學。另一類思維科學包括研究思維主體——人腦的生理結構和功能，揭示思維過程生理機制的神經生理學和神經解剖學等。這種觀點將認識論歸在思維科學的基礎科學范圍內。其實兩種觀點，
都不否認人工智慧和哲學通過認識論相聯系。

認識論

認識論研究認識的源泉、發展、過程、能力、作用等一般規律問題。換言之，認識論研究的是知識及其形式和局限性。哲學家強調通過最大機會的觀察和計算，明確什麼是潛在可知的；而人工智慧注重通過現有的觀察和計算途徑，弄清什麼是可知的。而在實際情況中，人工智慧和認識論在本質上是互相交融和兼備的。

認識論對人工智慧的研究方向和方法具有指導意義，但並不意味它能替代具體的研究，也不表示任何人工智慧的研究都要顯式地考慮到認識論。由於對諸如世界的一般表達等問題還未真正達成一致，如果僅依賴從哲學中獲得具體的豐富信息來編寫計算機程序，人工智慧將會處於非常無望的狀態。

心智哲學和認知科學

心智是指人們的記憶、思想、意識、感情、意向、願望、思維、智能等多種心理行為（章士嶸，王炳文. 當代西方著名哲學家評傳（2）.心智哲學.濟南：山東人民出版社，1996）。普特南（H.Putnam）根據計算機科學對軟體與硬體的劃分，將心智與大腦的關系理解為功能狀態和物理狀態。西蒙（H.Simon）根據信息加工理論，認為人類思維本質上是信息加工過程，計算機也是信息加工系統，所以，計算機能思維而且能模擬人的思維。人們的心靈、精神世界歷來是哲學家反思的對象，這一研究領域構成了心智哲學的主題。心智哲學在人工智慧、腦科學、認知心理學、控制論、語言學等的推動下，呈現出生機勃勃的景象。

胡塞爾（E.Husserl）是第一位把心智表達的指向性作為其哲學中心的哲學家，他在心智哲學中第一次提出了關於心智表達作用的一般理論。他認為，智能是一種由語境規定的和由目標導引的活動，是一種對預期事實的搜素。

與心智哲學互相滲透的認知科學是1970年代末正式宣告誕生的交叉學科。它是人工智慧、認知心理學、語言學、哲學、人類學、神經生理學等學科的綜合，研究智能系統的工作原理。其核心思想是稱為認知主義的思想，其中一個中心命題是智能行為可以由內在的「認知過程」即理性的思維過程來解釋。因而，一個很自然的假設就是從與計算機相類比的心智模型出發來研究心智的工作原理，把認知過程理解為信息加工過程，把一切智能系統理解為物理符號系統。

心智哲學是較認知科學高一層次的理論，但兩者的相互作用和影響是毋庸置疑的。心智哲學不應超越認知科學的研究成果而作任意的理論假設，認知科學也不應排斥心智哲學的理論成果去作盲目的探索。

認知心理學

認知心理學和人工智慧，是認知科學的兩個組成部分。人工智慧使用了心理學的理論，心理學又借用了人工智慧的成果。將人腦和計算機相類比，是發展認知心理學的一條主要途徑。

認知心理學旨在認識人類的認知心理，將這種認識通過計算機程序語言表達出來；人工智慧致力於用計算機語言描述人的智能，並用計算機加以實現。兩者的共同點在於用計算機程序語言刻劃人類智能。然而，它們也存在一個重要的區別。人工智慧試圖且已經給計算機施加了一個模擬人類智能的程序，該程序包括知道這個系統本身的過程，然後給系統以一定任務，它就會產生行為。這說明人工智慧是確
實的、得到證實的。而認知心理學，還不能肯定信息加工過程是人類智能的唯一心理原因，就連此信息加工過程本身也沒有直接的明確證據。認知心理學只能從行為去推斷心智用什麼程序來造成行為，帶有很大假說性。

德雷福斯（L.Dreyfus）把胡塞爾看成當代認知心理學和人工智慧的先驅。他認為超驗現象學在兩個方面與人工智慧有關系：第一，胡塞爾十分自覺地把探索心裡結構作為他的哲學研究的中心。第二，胡塞爾具體地說明了在意向活動中人們所期望的對象世界的構成，及其所包含的復雜的形式結構。德雷福斯指出，人的認知能力是通過實踐而發展的。這種獨特的認知能力為人類存在於世界的方式提供了無
限的豐富性，構成了人類所有智能行為的基礎。認知心理學企圖通過純認識結構來把握一切智能而根本不考慮頭腦的非認知方面，這種想法註定不會成功。一切智能和智能行為都必須追溯到人類對自身是什麼的理解上，而這一點由於會陷入無窮的遞歸，所以人類永遠不能完全弄清。人類智能的基礎既不可能被分離出來，也不可能被清晰地理解。他還指出，胡塞爾的意識與明斯基（M.Minsky）的框架理論十分類似。人工智慧在發展過程中最終不得不面對日常知識的表達問題，它們是困難的、關鍵的、在哲學上引人入勝的，人工智慧至今仍在為之奮斗。

人工智慧的物質基礎

早在1950年代，就出現了兩種爭論激烈的觀點：一種認為計算機是處理思維符號的系統，另一種認為是對大腦建模的媒介；一種致力於用計算機示例世界的形式化表達，另一種則模擬神經元的交互；一種把問題解決當作智能的范型；另一種強調學習；一種使用邏輯，另一種基於統計；一種是哲學上理性主義和還原主義的繼承者，另一種將自己視作神經科學。事實上，它們分別代表了符號主義學派和連接
主義學派。

心理學中，定位於復雜思維與神經元之間的符號層次的理論很重要。符號是思維的材料，但也是物質的樣式。「觀念」與大腦可觸知的生物物質之間有明顯、根本的不同，這無疑對人工神經網路的建模具有意義。但很遺憾，目前人類對真實神經系統的了解非常有限，對自身腦結構及其活動機理的認識還十分膚淺，眾多神經網路的模型實際上是極為簡略粗糙並且帶有某種「先驗」。譬如，波爾茨曼機引入隨機擾動來避免局部最小雖具有獨特之處，然而卻缺乏必要的神經生理學基礎 （董軍，潘雲鶴. 人工智慧與認識論問題的思考提綱.見：中國人工智慧進展. 北京：北京郵電大學出版社，2001. 22）。

有觀點認為，對神經信息處理機制的深入分析可能會引起計算科學革命性的變化。語言能力是人腦特有的高級功能，但對語言的中樞表象目前仍只有很模糊的認識，甚至連研究這類信息處理過程所採用的合適研究方法還至今闕如。為此，迫切需要方法論的指導，因為它對神經網路的研究及其作用是毋庸置疑的。

1980年代中後期，人們發現腦中存在混沌現象，由於它可能揭示腦活動的深層機制而受到廣泛重視。從生理本質出發是研究神經網路的根本手段。混沌神經網路研究探索非穩狀態下網路的動態行為和信息處理能力。混沌動力學為研究人工神經網路和人工智慧提供了新的契機。這里並不是單純提倡純粹意義上的生理模擬，因為人類把握自然和社會的規律並非是一種「照搬照抄」的過程，人工神經網路的初衷也非「逼真」地描寫真實神經系統，而只是根據物質基礎和客觀依據進行簡化、抽象和模擬。

神經網路的基礎結構更類似於腦，而不是標准計算機的結構。它們的單元並沒有真實神經元那樣復雜，它們的結構與新皮層的迴路相比也過於簡單。盡管神經網路具有這些局限性，但仍然顯示出驚人的完成任務的能力。人腦對信息的處理採用的基於符號的串列邏輯推理過程，一開始就被現代數字計算機所採用。

有趣的是，彷彿有這樣一條人工智慧的「定理」：一旦某種思維的功能被編成程序，人們就不再認為它是「實際思維」的基本組成部分了。而人工智慧的核心總是指那些還未能編製成程序的部分。

人工神經網路還有很多根本性、基礎性的問題需要解決。在某種程度上，它僅僅作為一種演算法，但這不能掩蓋神經網路是在思維是物質世界的產物、是人腦的機能這樣的前提下的嘗試和產物。無論是對史前文明的探索，還是「天」外智能的好奇，都沒有理由否認物質決定意識這個基本觀點。

人類智慧與人工智慧

對人的特質作出解釋的模型很多是來自宗教、藝術等。例如，原始藝術的象徵語言把人類的原始本能和超自然世界的各種意象以特有的符號手段結構化，它們被賦予特有的形式，從而組合成各種表現形態的形象系統。這讓我們不僅了解到人類智能有著不同的具體表達，也明白智能是依賴於社會生活和客觀現實的。

然而，道途艱辛。把人類原始的、潛意識的思想加以分解，有如分解佛教禪宗大師為迷惑心智以達到絕對虛無所下的玄秘功夫那樣，十分困難。況且，要到達人類級的人工智慧已被證明是困難的，而且進展緩慢。

辯證唯物主義不同意那種機器能夠獨立地思維、機器可以比人更聰明的觀點，很重要的理由在於思維是生物長期進化、特別是社會活動的產物。哥德爾贊同人類的心智超過所有的機器的結論。計算機中能不斷繁殖和復制自己的人工生命如病毒,最初也是由人類製造的。計算機的世界完全是由科學家們設計創造的，是人腦的結晶。

莊子與惠子有如下的對話。莊子與惠子游於濠梁之上，莊子曰：「倏魚出遊從容，是魚之樂也。」惠子曰：「子非魚，安知魚之樂？」莊子曰：「子非我，安知我不知魚之樂。」惠子曰：「我非子，固不知子矣，子固非魚矣，子之不知魚之樂全矣。」莊子曰：「請循其本，子曰『汝安知魚樂』雲者，既已知吾知之而問我，我知之濠上也。」（莊子·秋水）

人類智慧與人工智慧孰高孰底、熟勝孰負，智能的復雜和神秘，如同這段文字本身的內涵和後代的種種解析那樣，引人入勝，令人悠然神往。

探尋人工智慧的發展途徑

人工智慧研究者願意用精神術語描述機器有兩個原因。第一，希望給機器提供知識和信念的理論以使它們能對其用戶知道的、不知道的和所想要的進行推理；第二，用戶對機器的了解常常能用精神術語最好地表達。在人工智慧的發展過程中，心理學和哲學自然而然與它互相影響。而人工智慧與哲學的關系，最初是通過心理學這個橋梁的。

人工智慧一開始是自上而下和自下而上相結合的。自上而下或「內涵式」的表述往往給人帶來一種恍然大悟的感覺，自下而上或「外延式」的表述卻像一份說明書。其實，的確需要兩種途徑：一種是自上而下的、把思想映射於神經元群上；另一種是自下而上的、用來解釋思想如何由那些看起來是雜亂無章的神經元集群產生的。

認知科學發展中存在一個值得思考的奇怪現象，對諸如下棋、解密碼之類的可以相對跟環境隔離的看似很困難的任務而言，計算機系統可以超過專門訓練的人；然而對一些最通常的通過由長期進化形成的認知功能，比如視覺和聽覺，經過幾十年努力發展的人工智慧系統還不如嬰兒的能力。大腦的智力活動必須從進化的角度、從社會和歷史發展的約束的角度來研究才能得到充分正確的理解。

雖然我們必須經常遵循有統整作用和簡化作用的大原則，但也必須承認在科學里存在著不可還原的復雜性。討論人工智慧與認識論的關系，當然不能替代人工智慧的研究，但它可使人工智慧研究者不致如入沼澤而迷失方向。然而，遺憾的是，人工智慧研究者往往會忽略人工智慧與哲學的聯系和基本的辯證思維方法——歸納和演繹，分析和綜合等。事實上，每個人在自己的思維體驗中都能感到分析與綜合
的頻繁與重要。但是，人類對這樣一對基本思維機理的研究卻如此薄弱。歷史地看，人工智慧的發展不時地陷入沒有預想到的深層困境，這提醒我們不僅應當從人工智慧發展的技術問題，而且應當從人工智慧的最根本概念和理論上去尋找原因，人工智慧需要更為寬廣的眼界
和宏觀的方法論指導。