自从1987年首届神经网络国际会议召开以来神经网络研究迅速发展，成为令人瞩目的世界性的重要科学前沿和多学科协作攻关的焦点。神经网络研究异军突起，其影响是多方面的，特别是对揭示大脑奥秘、阐明智能的本质带来新的曙光。

顾名思议，神经网络是指神经元（神经细胞）构成的网络，理应是神经生物学的领地。但是，目前“神经网络研究”的真正含义是研究人工网络模型，它包括：神经生理的定量描述；神经网络模型的建立；对模型进行数学处理（包括学习算法）及其性能的研究；由此发展出的一些新技术及其应用的研究，即研究新一代的神经计算机。而大自然创造的各类真实的、生活着的神经网络，包括思维着的人脑网络则统称为生物神经网络。人工神经网络（Artical  neural  network）向生物神经网络（Biological  neural  network）学习、反过来又以揭示生物神经网络——人脑的奥秘为宗旨。这样，神经网络研究不可避免地要深入到人的智能与思维领域，为人脑与思维的关系带来新的认识，因此，这一领域的研究进展理应受到哲学工作者的关注。

一、模型与神经网络模型

“模型”概念在控制论的方法论中占有突出的地位。控制论的基本任务之一就是要在理论上找到技术系统与生物系统之间在功能或行为上的相似性，而撇开它们的本质区别。由于自然选择的作用和亿万年进化的结果，生物体比技术系统远为复杂，它是性能复杂的多级结构的大系统。人们往往把生物体作为原型，而建立一种在信息变换与信息控制方面具有相似性的模型。这就可以通过对模型的研究来揭示生物原型的某些功能，从而使问题大大简化而易于着手进行。

神经网络研究的核心是神经网络模型的研究。要建立生物系统的模型，其途径是多种多样的，而以建立相应的数学模型最为重要。由于生物神经网络是极其复杂的，能用于建立神经网络数学模型的知识尚不够丰富，因而只能建立一种近似和简化的模型。神经网络模型虽然反映了大脑功能的某些特征，但绝非其逼真的 描写，因此神经网络模型对大脑功能的模拟难免带上人工斧凿的痕迹。由于计算机的发展，使得本来在数学上难以解决的问题，现在可以通过在计算机上进行计算而得到解决。这种计算机模拟经济方便，使用广泛，而只有在实际应用的场合才制造硬件模型（物理模型）。

神经网络是新的一类技术系统，是由大量简单元件广泛互联而成的复杂网络系统。所谓简单元件又称神经元，是指它可用电子元件、光学元件等模拟，仅起简单的输入—输出变换的作用。每一单元相当于一双态判定器件，当对它的输入电压超过一个特定的阈值时，这一器件就从一个状态转变到另一个状态，因而它是人脑神经元的模拟。目前用非线性元件并行处理来模拟众多的人脑神经元，每一单元有许多输入、输出键，各单元间以连接键（又称突触）相连，用其间复杂灵活的联接关系模拟人脑神经元之间的突触行为。联接键决定各单元之间的连接强度（突触强度或权重）和性质（兴奋和抑制）。用Wij=0时，则表示神经元i到神经元j间连接强度或权重，当Wij>0时，表示i、j神经元间有兴奋性连接；当Wij < 0时，则表示i、j神经元间为抑制性连接；当Wij=0 时，等于两者无联系。这样将N个神经元（一般N很大）构成一个互相影响的复杂网络系统，这个网络的性能取决于全部连接强度和阈值，这也是全部信息所在。通过调整参数，使网络具有所需要的特定功能，称为学习、训练或自组织。这是神经网络系统改善自身性能的过程，通过此过程可在一定程度上模拟人与动物的学习功能。

二、神经网络研究的历史进程

纵观神经网络研究，它经历了兴起、低潮和重新崛起三个阶段。对大脑的认识水平以及对其模拟的多种学科条件制约着神经网络研究的进程。早在20世纪40年代，当维纳、罗森布拉特、麦克卡洛克、匹茨等科学家在酝酿控制论的时候，人们就把探索的目光投向了神经系统和思维问题。揭示大脑的奥秘、阐明智能的本质始终是神经网络研究追求的目标。

1.神经网络的兴起与低谷——从M—P模型到结构主义的仿生学派

1943年是神经网络研究历史上值得纪念的一年。这一年麦克卡洛克与匹茨发表了著名的“神经活动中所蕴含思想的逻辑运算”一文，一方面赋予神经元及其组成的神经网络以符号逻辑描述，对后来的神经网络研究产生持续的影响；另一方面,他们有关“通过神经联接和神经元适当的阈值，大脑内神经元的活动性可以表征外部世界的感官初始命题的一切有限的逻辑组合”的科学思想，提供了以后脑研究的理论发展与实验路线的基础。他们首次提出了神经元和神经网络的数学模型，后经修正为著名的M—P模型——阈值逻辑模型。模型的基本特点是模拟神经元扩布性峰电位的“全或无”性质，注意的中心是神经元的数学特性。模型把神经元看成逻辑元件，由此把脑的思维过程视为一个可操作过程，即认为任何复杂的思想都可以还原为基本逻辑电路的基本操作的组合。基于M—P模型，科学家制造了许多模拟人脑的人工系统，既能运算，又能处理逻辑问题。其中影响最大的是罗森布拉特的感知机（Perceptron）.

感知机的问世也是神经网络创始阶段有重大影响的事件之一，是脑模型研究的又一个里程碑。1958年罗森布拉特从特殊的途径，以对人脑结构与功能的初步认识为基础，模仿人脑处理信息的多层结构，制造出具有三层结构的感知机——视知觉的脑模型，实现了能够识别一些文字和模式的“电子眼”，激起了人们对神经网络研究的巨大热情。但这种纯粹用硬件结构来模拟人类智能的方法，即结构主义的仿生学方法很快陷入困境。由于当时对原型—大脑的认识并不清楚，技术条件也不能设想对已有认识去实现结构模拟，而且当时计算机的发展水平还难以对感知机网络进行仿真分析，加之权威人士对感知机的应用前景的尖锐批评，使结构主义的仿生学派受到极大挫折。罗森布拉特设计的“类人脑”的神经网络自然无法实现，人们对神经网络的兴趣大减，以致从20世纪60年代中期起，神经网络研究就进入了长达近20年的低谷。与此同时，则是数学计算机的大发展。

2.数学计算机和人工智能的兴起与繁荣——从图灵机到冯 •诺伊曼计算机

麦克卡洛克与匹茨的思想以及图灵（Turing）有关理想计算机的思想可以看做计算机人工智能研究的一个出发点。1946年世界上第一台电子计算机ENAIC应军事需要而问世，而1936年图灵设计的理想计算机则是现代计算机的原型。图灵机实际上是用数学方法加以精确定义的并能反映计算机程序的抽象系统。图灵是从对可计算性的研究提出图灵概念的。图灵机是一个有限长度的操作序列，任何可计算的问题都可以由图灵机化为最简单的串行操作。

数学家冯 • 诺伊曼（Von  Neumann）被称为“计算机之父”，他在图灵理论的基础上，构成现代计算机的体系结构，提出了全新的存贮程序通用电子计算机方案，要点有二，一是采取了二进制，才发挥了电子元件高速的特点；二是实现了存贮程序的思想，即事先把编好的程序存贮于机器中，机器能自动地按照程序执行一条条指令。存贮程序新思想是属于冯 •  诺伊曼的，所以这种计算机也称为冯 • 诺伊曼计算机。

与神经网络处于低谷相反，冯 • 诺伊曼计算机成就辉煌，几十年来不断更新换代，在硬件（减少体积、重量、消耗功率、提高速度）和软件（方便与扩大使用范围）方面取得惊人的进步，被誉为“电脑”。但其基本思想未变，其核心部分中央处理单元（CPU）仍然是以二进制串行运算为基础。但冯 • 诺伊曼计算机及其相应人工智能的成功却在相当长的时间内掩盖了神经网络研究的迫切性。而传统计算机有待新的突破，第五代计算机的目标远未实现，这就成了神经网络研究重新崛起的动力。

3.神经网络的重新崛起——联结主义及其渊源

神经网络研究经过了长达20年的低谷，终于在20世纪80年代东山再起，其标志为霍普菲尔德（Hopfield）神经网络模型的建立。1982年美国物理学家霍普菲尔德发表论文，提出一种互相联接的神经网络模型，并研究它的整个网络的动力学性质，并在优化计算等领域获得了重大的进展。除Hopfield 模型外，近年来还发展出许多新的网络模型。

神经网络研究迅速形成世界性热潮，其原因是多方面的。其中有：神经科学的发展揭示了神经系统处理信息的一些普遍原则，这给神经网络研究带来新的启迪；一系列研究复杂系统的学科群，使神经网络的拓扑结构、学习算法，以及神经网络在超大规模集成电路上的实现技术等都取得了新的突破，使神经网络长期面临的困难局面豁然开朗。这集中表现在神经网络研究中出现的、作为神经网络结构基础的联结主义（Connectionism）这一崭新概念上。

建立在联结主义基础上的神经网络在结构上都打破了原有模型“神经元数量少而且联结简单”的局限性，追求具有一定规模、特别是具有复杂灵活联结的网络。每个神经元都是一个多输入单输出的非线性运算单元，神经元之间的突触强度或权重大小可以根据需要在0到1之间调整：0表示不联结，1表示全联结，其它数值表示处于中间状态的联结强度。因此，只要调整这些权重就可以改变整个网络的实际拓扑结构与行为。这种通过调整权重来改变整个网络的联结关系，从而改变网络的功能，就是“联结主义”概念的基本内涵。研究者对神经网络研究中的联结主义持相当乐观的估计，希望能作为建立解决诸如知识表达、推理学习、联想记忆等复杂问题的统一模型的理论基础。

联结主义的兴起是有其深刻的渊源的，从某种意义来讲，神经网络研究源出于大自然造化之精华——人脑，而神经网络的真正奠基者是西班牙著名神经学家卡哈（Cajal）。卡哈经过严密的研究于1906年创立了“神经元学说”，奠定了神经科学的结构基础。卡哈关于神经元通过突触进行机构上的联系，组成复杂的神经网络组织的精辟观点已为神经科学的发展所证实。在将近半个世纪之后，加拿大心理学家赫布（Hebb）发展了卡哈的思想，提出了“突触学习定律”，亦即著名的Hebb定律。Hebb定律是关于突触联系效率可变的定性假说。

Hebb的贡献在于，是他最早提出突触联系强度或权重可以通过学习自动进行调整，从而改变神经元的功能状态。Hebb规则虽很简单，但却是神经网络模型研究人员公认的规则，它体现了如何按照经验来改变网络组织相互联结问题，即网络学习问题。Hebb规则与上述的M—P模型相比，突出了突触强度的调变作用。在M—P模型中，假定突触权重是相对不变的，Hebb定律则突破了M—P模型的这种局限性。Hebb假说不仅通过神经生物学实验得到验证，还通过工程实践得到定量说明，从而表明突触联系强度确能随着神经网络运行的状态的变化而变化，而神经网络的学习机制就在于权重变化以适应新的运行状态。这个从Hebb定律引申出来的观点是科学思想上的一个重大突破，这就是联结主义出现的科学基础。

联结主义观点很快在世界范围内兴起，它在理论上的突破，导致了神经网络研究的重大进展，难怪有人把神经网络称之为联结机（Connection  machines）神经网络研究中的联结主义，使神经网络在向人脑神经网络的自学习、自组织、自适应的功能方面靠近了一大步。

总之，神经网络模型经历了从结构主义仿生学派到联结主义的设计思想转变。20世纪80年代重新崛起的神经网络研究正是综合了M—P模型与Hebb定律的成果，提出了具有反馈侧支的复杂灵活联结关系的网络，突破了原有网络的局限性。神经网络研究在吸收当代大脑工作原理的基础上，配合高科技手段的实施，着重从研究系统的复杂性与整体性出发，研究神经网络非线性动力学过程，现已获得了重大的进展。

三、霍普菲尔德网络与神经计算机

近年来各国科学家提出的许多神经网络模型中，以霍普菲尔德命名的 Hopfield 网络最引人注目。

1.霍普菲尔德网络模型与自旋玻璃模型

1982年霍普菲尔德提出一种数学模型，并研究了该网络的动力学性质。他将神经网络的理论分析与平衡态统计力学及动力系统稳定性分析方法相结合，明确指出，具有对称性联结的神经网络的长期行为与像自旋玻璃那样的无序磁系统的平衡态特征是等价的。这对于获得有关神经网络的联想记忆问题的可解模型提出了理论上的条件。自旋是“基本”粒子的量子化特性之一，与磁性有密切关系。相应地，自旋玻璃则是指一种非晶体磁性材料或磁性系统。这些系统的低温相——自旋玻璃相，在许多方面具有相抵触约束的无序系统中凝聚的原型。从系统科学视角看，神经网络与自旋玻璃这两个极不相同的系统实际上则具有某种相同的特征。自旋玻璃模型为研究神经网络的记忆功能提供了理论基础。虽然有一些物理系统能够呈现类似人的短期记忆现象的效应，但是自旋玻璃模型这样的物理系统却具有类似人类高级智能的长期记忆现象,这的确是令人感兴趣的。可见，霍普菲尔德的网络模型的记忆功能与自旋玻璃系统密切相关，这就为神经网络对人脑记忆功能的模拟带来了突破。

2. 霍普菲尔德模型的联想记忆功能与容错能力

霍普菲尔德模型是具有一定规模和灵活联结关系的多层次神经网络。由于他根据李雅普诺夫的稳定性理论引入李氏函数来刻画网络的整体状态，指出在联结权重对称时，此能量函数有趋向最小的性质，因此系统是稳定的。他为神经网络动力学过程的稳定性提出了这种明确的判据，从而不考虑动态过程的细节，不必要求运算严格同步，稳定平衡点对应正确存贮状态，因而给联想存贮以清晰的物理解释。这对于机器智能的发展与对于生物智能的认识都有很大的意义。

霍普菲尔德从系统功能角度强调神经元的集体功能表现，已经初步显示出按内容寻址的联想记忆性质。霍普菲尔德把网络各平衡点设想为存贮于该网络中的信息，那么网络的稳定性保证了这一系统的动力学性质随着时间的推移而趋向于这些稳定点之一。这种情况类似于人的记忆和回忆过程中总是把性质类似的事物联系在一起。于是，这种网络可以实现类似联想记忆，即从稳定点附近的状态包含的部分信息最终可找到记忆的全部信息。这种把信息存贮于网络结构之中，是一种分散的贮存方式，这种方式对于个别元件的失效并不敏感，因而有较好的容错能力。这表明神经网络向人脑靠近了一大步，这一成果引发的结果是值得注意的。

3. 霍普菲尔德网络与优化计算

霍普菲尔德网络不仅数学处理非常漂亮，从观念上取得了重大突破，而且在网络提出两年后，霍普菲尔德就设计出电子线路，模拟该网络的性质，提供了网络向部件发展、走向应用的成功范例。霍普菲尔德建造的这种新型的电子技术系统，是一种新型的电子计算机，用于解决具有多个制约条件的困难的优化问题。如运筹学中著名的推销员出差旅行（TSOP）的问题。这是NP（完全非多项式）难解问题中的一个典型问题。这类问题易于表达，却难于求解。即一个推销员要环行n座城市，每地必去一次，且只去一次，要求最短环行路线。利用全互联式演化式的霍普菲尔德网络具有的“球总往低处走”的性质，可在瞬间找到满意的答案。设n=30，则可能的路线有4.4乘10的30次方条之多，如用传统计算机遍历搜寻算法完全不现实，但用900个神经元组成的霍普菲尔德网络却迅速获得两条最佳途径。这就令人信服地表明霍普菲尔德网络具有计算优化问题巨大潜力。

4.神经计算机及其对传统计算机的突破

如上所述，霍普菲尔德网络不仅为神经网络研究提供了动力学和统计力学的理论基础，而且模型的本身可直接与电子线路对应起来，为研究神经计算机开辟了道路。神经网络模型的硬件实现即为神经计算机，这是一类不同于冯 • 诺伊曼计算机的新型计算机。

事实证明，传统编程式计算机信息处理方式与大脑中信息处理方式截然不同。神经计算机一方面模拟大脑的信息处理方式，如并行处理，分布贮存，自组织、自学习、自适应等；另一方面又以传统的硬件实现技术为基础，采用超大规模集成电路，提供支持巨量并行处理单元的硬件。

神经计算机是一类由非线性动态元件组成的并行处理系统，与传统计算机相比有四大突破：

（1）突破图灵模型的确定性算法模式，寻求解决模糊、随机问题的并行处理方法。

（2）突破处理信息与存贮信息相分离的传统方式，寻求信息处理信息贮存的统一分布形式。

（3）突破追求精确解的目标，寻求满意解的答案。

（4）突破机械执行已编程序的被动模式，寻求自组织、自学习、自适应主动获取知识的方法。

实现以上四个突破，在于神经网络计算机在结构与功能上具有显著的特点：

（1）大量处理单元广泛进行联结。

（2）各单元之间联结强度或权重是可变的，通过调整权重进行一定的学习。

（3）采用大规模并行处理，大大提高信息处理能力。

（4）集体计算、按内容寻址。

可见，神经计算机是按新思路设计的，虽然神经计算机尚处于不成熟阶段，但已显示出对传统计算机的突破和向人脑的靠近，能实现联想、归纳、并行搜索、学习功能，具有灵活性、容错性等特征。

科学家希望神经计算机能在传统计算机所不及的形象思维领域大显身手，对于诸如直觉、灵感、经验、联想这类人类智能问题进行模拟，对于可意会、难言传，要求灵活掌握等的常识性问题不再束手无策。这对于理解人类智能的本质无疑将带来惊人的突破。

四、神经网络研究揭示大脑—思维关系的进展实例

神经网络研究为揭示大脑奥秘提供了重要的手段和途径，它是获得脑的信息处理方面的新认识的无可替代的新方法。要研究神经系统的信息处理问题，模型的研究是最为重要的工具。科学家往往并不直接研究生物神经网络，而研究模型神经网络。原因很简单，仅仅使用一般的神经科学方法去研究生物神经网络，虽然可以获得对神经元、突触活动的大量微观资料，但从整体与系统水平上却难以确定脑的信息加工方式或计算性质。因此，从理论的观点出发，建立神经网络模型，分析它的动态性质，以揭示其生物学意义是非常有用的方法。

由于霍普菲尔德开创性工作的推动，目前已出现了神经网络模拟神经系统功能的热潮。建立一种简化的脑模型，把神经生物学在细胞与分子水平研究的微观知识与宏观行为研究的知识结合起来，是理解大脑工作原理必不可少的手段。这种将人工神经网络与生物神经网络有机地结合起来的研究是大有前途的，已成为当前神经科学家注意的焦点之一。出现了一些值得注意的新动向，下面略举数例说明之。

实例之一。霍普菲尔德叠加式网络与霍奇金、赫克斯勒（Hodgkin、Huxley）膜电位方程的统一。诺贝尔奖金获得者霍奇金与赫克斯勒关于离子通道的理论阐明了动作电位产生与传导的机制，奠定了神经生物学的发展基础。最近科学家通过特定的动力学方程的推导，已将霍普菲尔德叠加式网络与霍奇金、赫克斯勒膜电位方程统一起来了，也就是说神经网络研究与神经生物学研究在理论层次上巧妙地结合起来了，这就有助于进一步弄清楚方程的生物物理学意义以及相应参数的神经生物学意义。由此可见，神经网络研究不仅吸收神经科学的成果，还可以给神经生物学的研究提出新的思路与问题。

实例之二。海马生物原型研究与神经网络动力学模型研究的结合。很多年以前，医学家就发现由于手术误将海马（脑的一个部位，属古老皮层）切除，病人不能再记忆近事。近年来对海马的神经生物学研究进一步阐明了海马在记忆中的作用。如用PET（正电子断层扫描）技术已直接证实海马是记忆的主要部位。电生理学微电极研究揭示出海马具有长时程增强（LTP）的特殊电位变化，可能是一种记忆巩固机制。

更有意思的是，研究又发现海马与大脑皮层结构不同，没有典型的柱状结构，但有极丰富的横行侧支，形成复杂的神经回路网络，其排列结构竟与非生命的霍普菲尔德网络结构十分相似。这一发现使科学家相信，先从海马入手解决记忆的基本机制是可行的。从近期目标看，关键是在海马神经网络中进行实验观察，判定其信息存贮与编码方式，是分布式或定位式，抑或二者兼而有之。在这种对海马生物原型研究的基础上，着手建立海马神经网络的动力学模型，同时研究微观事件（如递质、受体、离子通道）在记忆过程中的作用。这的确是一个诱人的生物神经网络研究的努力方向。专家们估计脑研究在20世纪末将有一些重大突破，其中包括大脑的联想记忆机制、并行分布处理机制以及脑内自组织原理等方面。这些都离不开神经网络模型的研究。

实例之三。用计算机程序LIMAX 揭示调节蛞蝓（一种软体动物）行为的神经网络的秘密。虽然在哺乳动物模拟学习仍处于理论阶段，但建立简单动物学习的模型则可以更好地体现神经生物学的现实性与可行性。美国科学家Gelperin 等研究了菜园蛞蝓的条件反射行为及其真实的神经网络，并在霍普菲尔德的帮助下设计出计算机程序LIMAX（蛞蝓署名），来模仿蛞蝓的吃食行为。该模拟器具有蛞蝓神经组织的主要成分，即味觉感受器、记忆贮存网络以及两种输出神经元。利用这个特制的模拟器已能模拟蛞蝓具有的多种类型的学习。另外，还可以预测蛞蝓在其他条件下的活动，以及预测蛞蝓神经网络的联结方式。并依此再设计新的实验来验证蛞蝓的行为是否符合这个模拟器。总之，研究者用LIMAX 模型器已经得心应手地揭开了蛞蝓行为的简单神经网络的秘密。今后可望对更为复杂的学习进行计算机模拟，这的确是令人感兴趣的。

实例之四。对嗅觉生物网络的研究及其计算机模拟导致了脑研究思路的改变。由生物神经网络来构成人工神经网络的成功例证是很少的，因为生物神经网络不易研究清楚。便近年来弗里曼（Freeman）在总结他多年来从事哺乳动物嗅觉皮层神经网络的神经生物学研究的基础上，搞清了关于嗅觉网络的形式生成与模式识别的真实脑模型，并据此建立人工神经网络模型及硬件仿真。弗里曼把神经生物学与神经网络模型研究结合起来，证明在嗅觉系统中，学习过程就是选择性地改变神经元之间的兴奋性联结的强度，并导致相应的神经细胞群的建构过程；而识别就是对由极限环吸引子表征的整体活动性模式的分叉（bifarcation）过程。弗里曼由此认为，与其将脑功能按 冯 • 诺伊曼计算机提供的思路来理解，不如将脑功能看做是与环境作适应性相互作用的自组织过程。由于将脑作为一个复杂的非线性动力系统来加以认识，必将引起脑研究路线的改变。

实例之五。在计算机上模拟神经元之间的竞争，与上述弗里曼思路一脉相承的是埃德尔曼（Edelman）的“神经集群选择理论”。这是埃德尔曼利用计算机模拟，来显示一个具有逼真解剖和生化特征的网络是怎样自动形成神经元组的研究而得出的新理论。 他认为大脑有能力来体现大量的情况，但一般只选择体现那些实际体验过的情况。他假定大脑皮层的基本单元不是单个神经元而是一个“神经元组”，在组内就会发生许多神经元之间的选择活动，以体现来自感受器的刺激。但是即使是神经元组也还是太微小，微小得难以用现有方法决定其选择性活动。因此，埃德尔曼等采用计算机来显示一部分躯体感觉皮层的活动，在计算机上模拟神经元之间的竞争。用这种模拟实验验证了突触传递增强的效应。值得注意的是，所形成的皮层模拟表现是与在动物身上观察到的皮层表现十分相似。埃德尔曼试图用 “神经集群选择理论”来回答神经系统是怎样由一个开始为无组织的细胞集群，发展成为一个具有明确意义的结构与功能系统的。回答这一问题当然还需要多学科的研究，而在计算机上模拟神经元之间的竞争是格外有力的。

以上充分表明，神经网络研究与神经生物学相结合正在改变着脑研究的进程。整体的、系统的和进化的观点在高级脑研究中日益重要。神经网络模型研究对于认识微观组件及其联结的结构与功能变化与宏观行为变化之间的联系已是不可或缺的手段，为揭示大脑工作原理、阐明智能的本质将发挥日益重要的作用。

五、展望与思考

近年来神经网络研究发展迅速。神经网络研究最重要的目标在于对大脑获得真正的理解。但一直到目前，神经网络研究对于神经科学的影响还是边缘性的，这反映了当代理想化模型与生物学真实之间还隔着一条鸿沟。为了架设通向实验神经生物学的桥梁，为解开自然界最大的奥秘——大脑如何工作做出贡献.

首先,要注重把人工神经网络研究与生物神经网络结合起来，尽可能地创造条件更多地纳入生物学真实的特征，在模拟右脑形象思维方面得出更有突破性的成果来。神经网络研究既要受生物学制约，也要考虑数学可行，并受到多种学科技术条件的制约，这就需要多学科共同奉献，携手联姻，才能使神经网络研究持续发展下去。

再者,神经网络计算机是力图模拟人的右脑形象思维的计算机，而冯 • 诺伊曼计算机是人的左脑逻辑思维的延长，那么如同人脑左右两半球一样，神经计算机与数学计算机应是相辅相成的。神经计算机将在不确定的知识处理与模式识别中显示威力，而传统的冯 • 诺伊曼计算机依然能在精确计算中保持优势。可见，它们之间绝非替代关系，而是一种互补的关系。

最后，我们认为必须正视神经网络研究对哲学的挑战。神经网络及神经计算机的研究虽然还有很长的路要走，但近年来神经网络研究迅猛发展的确令人瞩目。新的神经网络在提出计算设备的新结构方面，以及人工智能的新方法均有了不断的新突破。

新的神经网络具有一些显著的特征；如非线性运算、规模效应、弹性效应、并行处理、分散贮存、数模并存（每个神经元的运算既包含模拟量的操作又包含数字量的操作）、学习能力、高度集成等等。神经网络虽尚未出现质的飞跃，但已在文字识别、语音识别、图象处理、优化计算等方面取得了明显的进展，向着模拟人的右脑信息处理方式靠近。

面对神经网络研究的突飞猛进，哲学工作者决不可置之不顾，而是要参与这场伟大的科学技术革命，对它的方法与理论、进展与成果、前途与远景、问题与困难，进行认真反思，回答各种挑战，以丰富和发展哲学自身，并发挥哲学理论思维的力量，从自己这方面促进神经网络研究的进展。以下提出几个问题以供讨论。

1.神经网络研究的蓬勃发展是科学与技术发展的综合成果。首先是由于这一研究依靠了一种正确的方法，即一种以系统科学自组织理论为基础，从整体出发考虑问题的思想方法。从哲学上对这种方法作一番再考察和新概括，对于丰富发展辩证唯物论的方法论是大有裨益的。

2.神经网络研究的新进展与新成就为人类揭示大脑奥秘、认识大脑和思维的关系带来了新的曙光。科学家根据一定的原理和方法设计出的元件及其组合，能够实现人脑的某些属于认识或思维方面的功能，这一前所未有的创造和事实，其本身就向哲学提出了一个重大问题：思维只是大脑的属性或产物吗？对此是作狭隘的、僵硬的理解还是作扩大的、辩证的理解，是值得讨论的。虽然思维是大脑的属性或产物，但大脑作为作为思维的器官本身即是高度组织起来的物质。神经网络计算机，其本身也无非是人依据对人脑结构与功能的认识而设计出来的、能够实现人脑某些功能的物质性的人造智能系统。如果只从这个人造系统和它具有的功能看，我们当然可以说，这些功能（不同方面、不同层次、不同程度的思维或认识的功能）也就是这个人造器官的属性或产物，而且随着这种人造系统的不断完善，其功能也会日趋完善。但是，从这个人造智能系统归根到底是人脑的产物（思维）的产物来说，它的那些可以看作是属于认识或思维范畴的功能或属性，归根到底也就是人脑的功能或属性的一种物化式的扩大和延伸而已，并没有、也不可能动摇人作为有血有肉的认识主体的地位！

3.当前神经网络在模拟形象思维方面显示出来的初步应用与潜力，预示着神经网络研究美好的前景。在这种情况下，人们对于神经计算机能否具备大脑的智力问题上，提出了不同的看法。有的认为，传统计算机（冯 • 诺伊曼计算机）程序不具有大脑的智力，只串行执行预编程序，巧妙地处理一些逻辑符号。但模拟大脑的神经网络装置，由于具有非线性动力系统的不可预测性、自组织、自学习、自适应能力，则有具备大脑智力的可能。也有人对此持怀疑态度。对这个问题看来也不宜作简单的肯定或否定，而应该持分析的态度，注意事物的发展。如前述，神经计算机不可能代替人脑而成为活生生的认识主体，但可以模拟人脑的某些智力活动。而且，随着科学的发展，这种模拟会越来越全面、越来越逼真地接近人脑的智力活动。但这种逼近本身就是无限的、永无止境的进程，绝不会达到尽善尽美、止矣尽矣那一天！

总之，神经网络研究深入到了人的思维领域，是一项有深远意义的科学探索。它的研究成果可以大大提高人工系统的智能水平，促进科学技术和生产力的发展。特别是它的研究进展将大大促进人类对自身的认识，促进人类智力劳动的解放，从而对整个世界带来不可估量的影响。因此，哲学工作者应当给予充分的注意。

参考文献

1.中国科学技术大学生物医学工程跨系委员会编：《神经网络及其应用》，合肥，中国科学技术大学出版社1992年版。

2.欧阳楷：《神经元生理与人工神经网络》，载《复旦神经生物学讲座》，上海复旦大学生物科学院编印，1990年。

3.陈惟昌：《生物神经元网络信息贮存与加工机理》，载《复旦神经生物学讲座》，上海复旦大学生物科学院编印，1990年。

4.钟信义：《神经网络：历史、现状与未来》，《科技导报》1990年第2期。

5.郭爱克等：《神经网络研究和未来的科学革命》，《科技导报》1990年第2期。

6.J.Kinoshita ：《神经进化论》，《科学》中译本1988年第5期。

7.汪云九等：《神经网络研究和神经计算机研制》，《世界科学》1989年第7期。

8.靳蕃：《电脑与人脑——展望神经计算机的未来》，《自然杂志》1991年第10期。

9.焦孝成等：《神经网络研究的进展与展望》，《电子学报》1991年第1期。

10.J.J.Hopfield :《神经元状电路的集体计算》，《科学》中译本1988年第4期。

11.陈幼松：《模拟人的右脚的计算机》，《科学画报》1990年第8期。

12.J.R.Soarle：《计算机程序具有大脑的智力吗？》，《科学》中译本1990年第5期。

13.P.M.Charchland：《机器会思维吗？》，《科学》中译本1990年第5期。

14.G.Ferry：《大脑的网络组织》，《世界科学》1988年第8期。

附注:

本文原载《哲学动态》1992年第8、9期。

收入萧静宁著：《论人脑潜力的开发》，人民出版社2004年第1版。

肖静宁于珞珈山麓2019-02-24