脑科学算法大全

⑴ 人工智能需要什么基础

门槛一、数学基础
我们应该了解过，无论对于大数据还是对于人工智能而言，其实核心就是数据，通过整理数据、分析数据来实现的，所以数学成为了人工智能入门的必修课程!
数学技术知识可以分为三大学科来学习：
1、线性代数，非常重要，模型计算全靠它~一定要复习扎实，如果平常不用可能忘的比较多;
2、高数+概率，这俩只要掌握基础就行了，比如积分和求导、各种分布、参数估计等等。
提到概率与数理统计的重要性，因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的，参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作，概统是核心课程，没有之一。当拿到现成的算法时，仅需要概率基础知识就能看懂，然后需要比较多的线代知识才能让模型高效的跑起来。
3、统计学相关基础
回归分析(线性回归、L1/L2正则、PCA/LDA降维)
聚类分析(K-Means)
分布(正态分布、t分布、密度函数)
指标(协方差、ROC曲线、AUC、变异系数、F1-Score)
显着性检验(t检验、z检验、卡方检验)
A/B测试
门槛二、英语水平
我这里说的英语，不是说的是英语四六级，我们都知道计算机起源于国外，很多有价值的文献都是来自国外，所以想要在人工智能方向有所成就，还是要读一些外文文献的，所以要达到能够读懂外文文献的英语水平。
门槛三、编程技术
首先作为一个普通程序员，C++ / Java / Python 这样的语言技能栈应该是必不可少的，其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用。

⑵ 神经网络算法的人工神经网络

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。 人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 （1）人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
（2）泛化能力
泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
(3)非线性映射能力
当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。
(4)高度并行性
并行性具有一定的争议性。承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，这些年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
下面将人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。 心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络早期的研究工作应追溯至上世纪40年代。下面以时间顺序，以着名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的着作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
1985年，Ackley、Hinton和Sejnowski将模拟退火算法应用到神经网络训练中，提出了Boltzmann机，该算法具有逃离极值的优点，但是训练时间需要很长。
1986年，Rumelhart、Hinton和Williams提出了多层前馈神经网络的学习算法，即BP算法。它从证明的角度推导算法的正确性，是学习算法有理论依据。从学习算法角度上看，是一个很大的进步。
1988年，Broomhead和Lowe第一次提出了径向基网络：RBF网络。
总体来说，神经网络经历了从高潮到低谷，再到高潮的阶段，充满曲折的过程。

⑶ 什么是蚁群算法，神经网络算法，遗传算法

蚁群算法又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。

神经网络
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
遗传算法，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专着《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

⑷ 都来看看.可能一看就会,

1+1=5――学点脑科学

人的大脑分成左右两半球，它们各自控制着身体相对应的半边。大脑的每一半球主管着
不同的智力活动。左半球主管人的数学语言逻辑、分析、写字等能力；右半球则主管人
的想象、颜色、音乐、节奏以及无拘束"胡思乱想"等。而且，大脑两半球的发展往往并
不均衡，这对于智力是一种巨大的损失。如果我们对两半球中的"弱者"予以刺激，鼓励
它去同强的那一半积极配合，那么我们将大大提高我们大脑的总能力。人们以为，一个
半球+一个半球＝2个半球的脑能力，但是他们错了。实际结果表明，大脑并不按照常规
数学的模式进行。当一个半球"加"到另一个半球上时，大脑的总能力将是原来的五倍，
也就是说"1+1＝5"。

⑸ 神经网络算法的三大类分别是

神经网络算法的三大类分别是：

1、前馈神经网络：

这是实际应用中最常见的神经网络类型。第一层是输入，最后一层是输出。如果有多个隐藏层，我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。

2、循环网络：

循环网络在他们的连接图中定向了循环，这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态，使其很难训练。他们更具有生物真实性。

循环网络的目的是用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。

循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

3、对称连接网络：

对称连接网络有点像循环网络，但是单元之间的连接是对称的（它们在两个方向上权重相同）。比起循环网络，对称连接网络更容易分析。

这个网络中有更多的限制，因为它们遵守能量函数定律。没有隐藏单元的对称连接网络被称为“Hopfield 网络”。有隐藏单元的对称连接的网络被称为玻尔兹曼机。

(5)脑科学算法大全扩展阅读：

应用及发展：

心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。

生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。

⑹ 脑科学的主要研究进展

· 每一神经元所进行的信息处理都是经过突触实行细胞间的通讯而完成的。具体说，突触前细胞产生的冲动，通过释放神经递质作用于突触后细胞膜位点上的特异性受体，从而引起后一细胞兴奋性的改变。
· 受体由蛋白质分子组成，与神经递质分子结合后，控制神经细胞的离子通道开闭，（直接或经由第二信使间接），调制后一细胞的输出，实现神经元整合作用。（空间和时间上的整合）
· 神经调质间接地经由一系列生物化学过程来调制突触后神经元的活动，其作用起始时间较慢，持续时间较长。神经递质和调质分布在特定的神经通路或核团里，因此神经系统同时依靠神经回路和化学调制两种形式进行信息处理。
· 递质和调质有近百种，有待鉴定的可能性更多。可分为胆碱类、单胺类（多巴胺、5-HT、NAD）、氨基酸（谷氨酸、甘氨酸、r-氨基丁酸）和神经肽。调质包括胺类、和许多神经肽。共存和共释放，使化学信号的传递非常复杂。
· 神经肽，2-39个氨基酸残基构成，在较低浓度下即能缓慢地改变附近神经元的膜的性质，从而兴奋或抑制这些神经元。研究并确定种类繁多的神经肽的生物学作用，是一个重要任务之一。
· 受体是蛋白质或蛋白质与碳水化合物或脂类的结合体，主要部分在膜内，结合位点在膜外。功能有二：识别特异性的递质或调质分子并与它们结合成复合体；改变细胞离子通道开闭状态，实现神经细胞内化学——电信息的转换。
· 受体分两类：第一类是载离子受体，离子通道蛋白，n-Ach，GAGB，Gly受体，蛋白质构象变化，改变离子通道的开闭状态，介导快速突触传递过程（几毫秒）分子有亚基组成。第二类受体都是单条肽链，结合后触发一些列生化反应：激活G蛋白，激活AC，促进cAMP的合成， cAMP的扩散促成胞内白蛋白激酶K的活化，改变离子通道m-Ach、NAD、5-HT等。
· 神经信号的基本形式：分级的膜电位涨落、动作电位。
· 膜片钳技术：研究神经膜离子通道，10-12A单个离子通道的离子电流变化。电压门控通道、Na+，K+，Ca2+，化学门控通道nAch
· 重组DNA技术：研究膜上的微量蛋白分子——各类通道蛋白的分子结构。Na+通道是由1820个氨基酸组成的多肽链。
· 色觉三色学说的神经生理基础，人的三种视网膜视锥细胞视色素基因获得分离
· 学习记忆的细胞和分子水平的机制研究获得重要进展——海马结构与学习记忆密切相关，LTP反映了一种突触效率的变化，即可塑性。
· 短期记忆不需要新蛋白质的合成，而长期记忆所需的基因产物必须是新合成的。 · 把研究感觉信息处理过程作为揭示脑的奥秘的突破口，其中以视觉系统的研究最为突出。
· 视网膜的光感受器水平：已克隆出视色素蛋白基因；光电换能过程的第二信使是cAMP（Ca2+），黑暗中， cAMP+Na+通道蛋白---〉Na通道开放，Na+持续内流（暗电流），光感受器细胞去极化；光照引起视色素分解，使视盘膜上的GTP结合蛋白分子火化，后者再激活PDE，迅速分解cAMP，引起Na+通道关闭，暗电流骤降，光感受器细胞膜超极化，这样光能——〉神经电信号
· 视网膜，复杂的信息处理（外周脑），研究相当清楚。视网膜这个两维的、多层次信息处理的最后结果，是经由视网膜神经节细胞以动作电位脉冲调频的方式，传递给脑的。
· 感受野：视通路中任一神经元都在视网膜（或视野）上有一个代表区域。同心圆拮抗型感受野，包括给光—中心和撤光—中心两类，为心理学马赫带现象提供生理学基础
· 非同心圆的RF的细胞对快速运动、运动方向以及某些图形特征产生反应
· 初级视皮层（纹状皮层），在整个大脑皮层研究最透彻的一部分，面积最大的区域。功能柱：具有相同感受野位置和生理功能的细胞按垂直于皮层表面的柱状结构有序地排列起来。功能柱内细胞具有相同的最优方位、相同的眼优势、相同的最优空间频率。 · 人工神经网络具有脑的一些基本性质，如能够学习和记忆，神经元之间的连接强度具有“用进废退”的可塑性、细胞的集合由连接强度达最大值的细胞组成，可以从事某一模式的学习和记忆，并形成交替集合从事概念的抽象、部分输入就能激活整个细胞集合等。
· Aldan领导的研究组按照条件反射中发射中发生的学习过程所出现的神经细胞电学特性和分子特性的变化，研制了一种DYSTAL动态稳定联想学习。该网络内没有任何预先编过的输入/输出关系程序，它能学习、记忆、辨识模式。第一次使计算机人工网络以储存记忆的内表象成为可能。
· 用900个“神经元”组成的Hopfield网络解决复杂的“推销员应沿什么最优路线出差许多城市才可使其旅途最短”的问题，只需百万分之一秒便可求解300城市的问题，比微机快10万倍，结构简化1万倍
· 由100个加工单位分三层排列的阅读程序NETtalk问世，可以阅读字母，发出语句声音来
· 光学神经计算机，辨别人像
· 各种算法为阐明脑和神经系统的工作原理提供了启示。 · 脊椎动物神经系统的发育起源于胚胎背中线的外胚层加厚，在其下方的脊索和中胚层的诱导下形成神经板，继而其边缘组织形成神经嵴。诱导作用机制？
· 中心问题：成熟的神经系统特有的高度特异性联系模式是如何产生的。包括神经元怎样得知其本身在三维神经系统中的位置信息？当轴突生长时这种位置信息如何表达？细胞又如何识别其靶细胞或终止区域？基因如何知识脑的发育？
· 轴突末端由高度运动性的生长锥，锥上有丝状的假足。生长锥在轴突生长时识别路径和靶细胞方面可能起着关键作用。
· 识别靶细胞的原因是：生长着的轴突表面存在着某种细胞化学标记物，在其相对应的靶细胞中有对应的标记物使轴突识别并形成突触。
· 过量神经元的死亡可能与靶区神经生长因子的有限有关。
· 早期发育主要由遗传因素决定，框架建立后，环境因素影响增大。关键期、可塑性 · 老年性痴呆症：记忆和推理能力丧失，神经元丧失、神经纤维缠结。Ach选择性减少，记忆进行性丧失。常染色体显性遗传病，第21号染色体接近中央区的地方。
· 亨廷顿舞蹈病：遗传病。失去对运动系统的控制，基因定位在4号染色体短臂，纹状体失去GAGB能神经元的抑制。
· 多巴胺以被确定与觉醒和快感有关。过量引起思维丧失、幻觉和某些精神分裂症状，缺少引起帕金森症，病人四肢和头震颤不已，面部无表情
· 先天性肌源性疾病，重症肌无力，后天的自身免疫病，异常抗体与神经—肌肉接头处终板区Ach受体结合，致使不能产生足够的肌肉收缩力。
· 多发性神经纤维瘤
· 视网膜神经胶质瘤 · 丘脑的功能：丘脑是产生意识的核心器官，丘脑能够合成发放丘觉，当丘觉发放出来也就产生了意识。丘觉是先天遗传在丘脑中，可以自由发放，也可以由样本点亮。
· 样脑的功能：丘脑之外的大部分脑结构都是样脑，包括大脑皮质、基底核、下丘脑、杏仁核等。样脑的主要功能就是交换产出样本，样本的作用就是点亮丘觉产生意识。

⑺ bp代表什么呀

BP神经网络 BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。
如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。
BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
神经网络
神经网络是：
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：
（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。
（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。
（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。
纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
【人工神经网络的工作原理】
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
“人脑是如何工作的？”
“人类能否制作模拟人脑的人工神经元？”
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，近年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决目前不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。下面通过人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。
人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
人工神经网络早期的研究工作应追溯至本世纪40年代。下面以时间顺序，以着名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的着作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。

⑻ 非人类思维的算法

近50年来，人工智能走的是一条曲折发展的道路。1990年代初，研究者深感人工智能理论及技术的局限性，从而从不同角度和层次进行反思。同时，人工智能有待于人类对人脑工作机理的深入了解，需要神经生理学、神经解剖学给出更加详细的信息和证据。

人工智能交融了诸多学科，与哲学更是密不可分。尽管事实上，新近的哲学进展基本上没给科学带来任何冲击，并且哲学的讨论对象往往是悬而未决的（Russell S，Norvig P. Artificial Intelligence: Amodern Approach. NJ：Prentice Hall，1995. 817），但科学却在继续改变着我们对自己的认识。

正如恩格斯所说（恩格斯. 自然辩证法. 北京: 人民出版社, 1972. 187）：“不管自然科学家采取什么样的态度，他们还是得受哲学的支配。问题只在于：他们是愿意受某种坏的时髦的哲学的支配，还是愿意受一种建立在通晓思维的历史和成就的基础上的理论思维的支配。”

着眼于更宽泛的视野和更远大的目标，要求从哲学角度寻求更加有效的人工智能研究方法。坚持物质决定意识的观点，辩证地看待已有的认识和方法，融合与集成各相关学科的成就和意见，是正确的出发点。

人工智能的哲学意义
人工智能是对人类智能的一种模拟和扩展，其核心是思维模拟。

思维

思维科学是研究思维的规律和方法的科学，钱学森将它划分为基础科学、技术科学和工程技术三部分，人工智能属于工程技术范畴（钱学森. 关于思维科学. 上海：上海人民出版社，1986.20）。人工智能研究中逻辑学派和心理学派之争，有时似使人感到迷惘而莫知所从，但从思维科学的角度来看，无非是形象思维和逻辑思维的关系问题，两者都属于思维科学的基础科学。抽象思维的不足在于缺乏结构的综合能力。只有形象思维才能综合出新的结构。这也许就是创造和学习最终必须具有形象思维的原因（潘云鹤. 模式识别与人工智能, 1991, 4(4): 7）。

不同的划分观点认为，思维科学体系的基础科学包括两大类：一类是总结人类思维经验、揭示思维对象的普遍规律和思维本身普遍规律的各种思维科学，包括哲学世界观、哲学史、认识论和逻辑学，是理论的思维科学。另一类思维科学包括研究思维主体——人脑的生理结构和功能，揭示思维过程生理机制的神经生理学和神经解剖学等。这种观点将认识论归在思维科学的基础科学范围内。其实两种观点，
都不否认人工智能和哲学通过认识论相联系。

认识论

认识论研究认识的源泉、发展、过程、能力、作用等一般规律问题。换言之，认识论研究的是知识及其形式和局限性。哲学家强调通过最大机会的观察和计算，明确什么是潜在可知的；而人工智能注重通过现有的观察和计算途径，弄清什么是可知的。而在实际情况中，人工智能和认识论在本质上是互相交融和兼备的。

认识论对人工智能的研究方向和方法具有指导意义，但并不意味它能替代具体的研究，也不表示任何人工智能的研究都要显式地考虑到认识论。由于对诸如世界的一般表达等问题还未真正达成一致，如果仅依赖从哲学中获得具体的丰富信息来编写计算机程序，人工智能将会处于非常无望的状态。

心智哲学和认知科学

心智是指人们的记忆、思想、意识、感情、意向、愿望、思维、智能等多种心理行为（章士嵘，王炳文. 当代西方着名哲学家评传（2）.心智哲学.济南：山东人民出版社，1996）。普特南（H.Putnam）根据计算机科学对软件与硬件的划分，将心智与大脑的关系理解为功能状态和物理状态。西蒙（H.Simon）根据信息加工理论，认为人类思维本质上是信息加工过程，计算机也是信息加工系统，所以，计算机能思维而且能模拟人的思维。人们的心灵、精神世界历来是哲学家反思的对象，这一研究领域构成了心智哲学的主题。心智哲学在人工智能、脑科学、认知心理学、控制论、语言学等的推动下，呈现出生机勃勃的景象。

胡塞尔（E.Husserl）是第一位把心智表达的指向性作为其哲学中心的哲学家，他在心智哲学中第一次提出了关于心智表达作用的一般理论。他认为，智能是一种由语境规定的和由目标导引的活动，是一种对预期事实的搜素。

与心智哲学互相渗透的认知科学是1970年代末正式宣告诞生的交叉学科。它是人工智能、认知心理学、语言学、哲学、人类学、神经生理学等学科的综合，研究智能系统的工作原理。其核心思想是称为认知主义的思想，其中一个中心命题是智能行为可以由内在的“认知过程”即理性的思维过程来解释。因而，一个很自然的假设就是从与计算机相类比的心智模型出发来研究心智的工作原理，把认知过程理解为信息加工过程，把一切智能系统理解为物理符号系统。

心智哲学是较认知科学高一层次的理论，但两者的相互作用和影响是毋庸置疑的。心智哲学不应超越认知科学的研究成果而作任意的理论假设，认知科学也不应排斥心智哲学的理论成果去作盲目的探索。

认知心理学

认知心理学和人工智能，是认知科学的两个组成部分。人工智能使用了心理学的理论，心理学又借用了人工智能的成果。将人脑和计算机相类比，是发展认知心理学的一条主要途径。

认知心理学旨在认识人类的认知心理，将这种认识通过计算机程序语言表达出来；人工智能致力于用计算机语言描述人的智能，并用计算机加以实现。两者的共同点在于用计算机程序语言刻划人类智能。然而，它们也存在一个重要的区别。人工智能试图且已经给计算机施加了一个模拟人类智能的程序，该程序包括知道这个系统本身的过程，然后给系统以一定任务，它就会产生行为。这说明人工智能是确
实的、得到证实的。而认知心理学，还不能肯定信息加工过程是人类智能的唯一心理原因，就连此信息加工过程本身也没有直接的明确证据。认知心理学只能从行为去推断心智用什么程序来造成行为，带有很大假说性。

德雷福斯（L.Dreyfus）把胡塞尔看成当代认知心理学和人工智能的先驱。他认为超验现象学在两个方面与人工智能有关系：第一，胡塞尔十分自觉地把探索心里结构作为他的哲学研究的中心。第二，胡塞尔具体地说明了在意向活动中人们所期望的对象世界的构成，及其所包含的复杂的形式结构。德雷福斯指出，人的认知能力是通过实践而发展的。这种独特的认知能力为人类存在于世界的方式提供了无
限的丰富性，构成了人类所有智能行为的基础。认知心理学企图通过纯认识结构来把握一切智能而根本不考虑头脑的非认知方面，这种想法注定不会成功。一切智能和智能行为都必须追溯到人类对自身是什么的理解上，而这一点由于会陷入无穷的递归，所以人类永远不能完全弄清。人类智能的基础既不可能被分离出来，也不可能被清晰地理解。他还指出，胡塞尔的意识与明斯基（M.Minsky）的框架理论十分类似。人工智能在发展过程中最终不得不面对日常知识的表达问题，它们是困难的、关键的、在哲学上引人入胜的，人工智能至今仍在为之奋斗。

人工智能的物质基础

早在1950年代，就出现了两种争论激烈的观点：一种认为计算机是处理思维符号的系统，另一种认为是对大脑建模的媒介；一种致力于用计算机示例世界的形式化表达，另一种则仿真神经元的交互；一种把问题解决当作智能的范型；另一种强调学习；一种使用逻辑，另一种基于统计；一种是哲学上理性主义和还原主义的继承者，另一种将自己视作神经科学。事实上，它们分别代表了符号主义学派和连接
主义学派。

心理学中，定位于复杂思维与神经元之间的符号层次的理论很重要。符号是思维的材料，但也是物质的样式。“观念”与大脑可触知的生物物质之间有明显、根本的不同，这无疑对人工神经网络的建模具有意义。但很遗憾，目前人类对真实神经系统的了解非常有限，对自身脑结构及其活动机理的认识还十分肤浅，众多神经网络的模型实际上是极为简略粗糙并且带有某种“先验”。譬如，波尔茨曼机引入随机扰动来避免局部最小虽具有独特之处，然而却缺乏必要的神经生理学基础 （董军，潘云鹤. 人工智能与认识论问题的思考提纲.见：中国人工智能进展. 北京：北京邮电大学出版社，2001. 22）。

有观点认为，对神经信息处理机制的深入分析可能会引起计算科学革命性的变化。语言能力是人脑特有的高级功能，但对语言的中枢表象目前仍只有很模糊的认识，甚至连研究这类信息处理过程所采用的合适研究方法还至今阙如。为此，迫切需要方法论的指导，因为它对神经网络的研究及其作用是毋庸置疑的。

1980年代中后期，人们发现脑中存在混沌现象，由于它可能揭示脑活动的深层机制而受到广泛重视。从生理本质出发是研究神经网络的根本手段。混沌神经网络研究探索非稳状态下网络的动态行为和信息处理能力。混沌动力学为研究人工神经网络和人工智能提供了新的契机。这里并不是单纯提倡纯粹意义上的生理模拟，因为人类把握自然和社会的规律并非是一种“照搬照抄”的过程，人工神经网络的初衷也非“逼真”地描写真实神经系统，而只是根据物质基础和客观依据进行简化、抽象和模拟。

神经网络的基础结构更类似于脑，而不是标准计算机的结构。它们的单元并没有真实神经元那样复杂，它们的结构与新皮层的回路相比也过于简单。尽管神经网络具有这些局限性，但仍然显示出惊人的完成任务的能力。人脑对信息的处理采用的基于符号的串行逻辑推理过程，一开始就被现代数字计算机所采用。

有趣的是，仿佛有这样一条人工智能的“定理”：一旦某种思维的功能被编成程序，人们就不再认为它是“实际思维”的基本组成部分了。而人工智能的核心总是指那些还未能编制成程序的部分。

人工神经网络还有很多根本性、基础性的问题需要解决。在某种程度上，它仅仅作为一种算法，但这不能掩盖神经网络是在思维是物质世界的产物、是人脑的机能这样的前提下的尝试和产物。无论是对史前文明的探索，还是“天”外智能的好奇，都没有理由否认物质决定意识这个基本观点。

人类智慧与人工智能

对人的特质作出解释的模型很多是来自宗教、艺术等。例如，原始艺术的象征语言把人类的原始本能和超自然世界的各种意象以特有的符号手段结构化，它们被赋予特有的形式，从而组合成各种表现形态的形象系统。这让我们不仅了解到人类智能有着不同的具体表达，也明白智能是依赖于社会生活和客观现实的。

然而，道途艰辛。把人类原始的、潜意识的思想加以分解，有如分解佛教禅宗大师为迷惑心智以达到绝对虚无所下的玄秘功夫那样，十分困难。况且，要到达人类级的人工智能已被证明是困难的，而且进展缓慢。

辩证唯物主义不同意那种机器能够独立地思维、机器可以比人更聪明的观点，很重要的理由在于思维是生物长期进化、特别是社会活动的产物。哥德尔赞同人类的心智超过所有的机器的结论。计算机中能不断繁殖和复制自己的人工生命如病毒,最初也是由人类制造的。计算机的世界完全是由科学家们设计创造的，是人脑的结晶。

庄子与惠子有如下的对话。庄子与惠子游于濠梁之上，庄子曰：“倏鱼出游从容，是鱼之乐也。”惠子曰：“子非鱼，安知鱼之乐？”庄子曰：“子非我，安知我不知鱼之乐。”惠子曰：“我非子，固不知子矣，子固非鱼矣，子之不知鱼之乐全矣。”庄子曰：“请循其本，子曰‘汝安知鱼乐’云者，既已知吾知之而问我，我知之濠上也。”（庄子·秋水）

人类智慧与人工智能孰高孰底、熟胜孰负，智能的复杂和神秘，如同这段文字本身的内涵和后代的种种解析那样，引人入胜，令人悠然神往。

探寻人工智能的发展途径

人工智能研究者愿意用精神术语描述机器有两个原因。第一，希望给机器提供知识和信念的理论以使它们能对其用户知道的、不知道的和所想要的进行推理；第二，用户对机器的了解常常能用精神术语最好地表达。在人工智能的发展过程中，心理学和哲学自然而然与它互相影响。而人工智能与哲学的关系，最初是通过心理学这个桥梁的。

人工智能一开始是自上而下和自下而上相结合的。自上而下或“内涵式”的表述往往给人带来一种恍然大悟的感觉，自下而上或“外延式”的表述却像一份说明书。其实，的确需要两种途径：一种是自上而下的、把思想映射于神经元群上；另一种是自下而上的、用来解释思想如何由那些看起来是杂乱无章的神经元集群产生的。

认知科学发展中存在一个值得思考的奇怪现象，对诸如下棋、解密码之类的可以相对跟环境隔离的看似很困难的任务而言，计算机系统可以超过专门训练的人；然而对一些最通常的通过由长期进化形成的认知功能，比如视觉和听觉，经过几十年努力发展的人工智能系统还不如婴儿的能力。大脑的智力活动必须从进化的角度、从社会和历史发展的约束的角度来研究才能得到充分正确的理解。

虽然我们必须经常遵循有统整作用和简化作用的大原则，但也必须承认在科学里存在着不可还原的复杂性。讨论人工智能与认识论的关系，当然不能替代人工智能的研究，但它可使人工智能研究者不致如入沼泽而迷失方向。然而，遗憾的是，人工智能研究者往往会忽略人工智能与哲学的联系和基本的辩证思维方法——归纳和演绎，分析和综合等。事实上，每个人在自己的思维体验中都能感到分析与综合
的频繁与重要。但是，人类对这样一对基本思维机理的研究却如此薄弱。历史地看，人工智能的发展不时地陷入没有预想到的深层困境，这提醒我们不仅应当从人工智能发展的技术问题，而且应当从人工智能的最根本概念和理论上去寻找原因，人工智能需要更为宽广的眼界
和宏观的方法论指导。