马斯克称已将大脑上传到云端【系统或已开源】

神经网络的发展趋势如何？

神经网络的云集成模式不是很成熟，应该有发展潜力，但神经网络有自己的严重伤害，不知道能达到什么效果，所以决策支持系统不是很受欢迎，但神经网络忽程的优势是不可替代的，如果云网络能为神经网络提供互补的辅助决策来控制误差，可能会使神经网络成熟 。

马斯克说他已经将大脑上传到云系统或开源

人脑计算机对接技术项目名称：小发猫

1 人工神经网络的背景

自古以来，人类智能源的奥秘就吸引了无数哲学家和自然科学家的研究热情。经过长期的不懈努力，生物学家和神经学家认为，人脑的智能活动离不开大脑的物质基础，包括它的物理结构和各种生物、化学和电作用，从而建立了神经元网络理论和神经系统结构理论，神经元理论是神经传导理论和大脑功能理论的基础。在这些理论的基础上，科学家认为，人类智能活动和理解现象可以从模仿人脑神经系统的结构和功能开始。另一方面，在19世纪之前，这些经典科学是线性科学，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理。然而，客观世界是如此复杂，非线性情况随处可见，人脑神经系统也是如此。因此，对非线性科学的研究也是我们理解复杂系统的关键。为了更好地了解客观世界，我们必须研究非线性科学。人工神经网络作为一种能的非线性网络模型，人工神经网络应运而生。因此，人工神经网络的建立并非偶然，而是20世纪初科技全面发展的产物。

2 人工神经网络的发展

人工神经网络的研究始于20世纪40年代初。半个世纪以来，它经历了一条曲折的道路，如兴起、高潮和萧条、高潮和稳步发展。

1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts 提出了M—P这是第一个用数学语言描述大脑信息处理过程的模型， 神经元虽然功能弱，但为以后的研究工作提供了依据。心理学家1949年D.O.Hebb根据这一假设提出的学习规律，为神经网络的学习算法奠定了基础。 1957 年， 计算机科学家Rosenblatt提出了著名的感知机模型，其模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次将神经网络研究付诸实践。由于它可以应用于模型识别、联想记忆等方面，数百个实验室投资于这项研究，美军甚至认为神经网络工程应该比原子弹工程更重要，并在声纳信号识别等领域取得了一定的成就。1960年，B.Windrow和E.Hoff提出了自适应线性单元， 可用于自适应滤波、预测和模式识别。到目前为止，人工神经网络的研究已经进入了第一个高潮。

1969年，美国著名的人工智能学者M.Minsky和S.Papert写作影响很大Perceptron从理论上讲，一本书证明了单层感知机的能力有限，如无法解决异常或问题，他们推测多层网络的感知机的能力就是这样。他们的分析就像一勺冷水。许多学者觉得未来渺茫，改变了职业，原本参与研究的实验室已经退出，近10年来，神经网络研究进入了缓慢发展的萧条期。在此期间，芬兰学者T.Kohonen 提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg自适应共振理论（ART ）；日本学者K.Fukushima提出了认知机模型；ShunIchimari致力于神经网络数学理论的研究，这些研究成果对神经网络的未来发展产生了重要影响。

美国生物理学家J.J.Hopfield1982年和1984年在美国科学院发表的两篇文章有效地促进了神经网络的研究，引发了神经网络研究的又一次热潮。 1982 年， 他提出了一个新的神经网络模型——hopfield网络模型。在这种网络模型的研究中，他首次引入了网络能量函数的概念，并给出了判断网络稳定性的依据。1984年，他提出了网络模型实现的电子电路，指出了神经网络项目实现的方向。他的研究成果为联想记忆优化计算开辟了一种新的方法，为神经计算机研究奠定了基础。1984年Hinton等人将模拟退火算法引入神经网络，提出Boltzmann机网模型，BM 网络算法为神经网络优化计算提供了有效的方法。1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为迄今为止影响很大的网络学习方法。1987年美国神经计算机专家R.Hecht—Nielsen该网络具有分类灵活、算法简洁的优点，可用于模式分类、函数接近、统计分析和数据压缩等领域。1988年L.Ochua 等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。

国际神经网络学会成立于1987年，决定定定期召开国际神经网络学术会议，以适应人工神经网络的发展。1988年1月Neural Network 创刊。1990年3月IEEE Transaction on Neural Network问世。 中国于1990年12月在北京举行了首届神经网络学术会议，并决定每年举行一次。1991 中国神经网络学会于年在南京成立。 IEEE 与INNS 联合召开的IJCNN92已在北京举行。 这些都促进了神经网络的研究和发展，人工神经网络进入了稳步发展的时期。

20世纪90年代初，诺贝尔奖得主Edelman提出了Darwinism建立了神经网络系统理论的模型。同年，Aihara在前人推导和实验的基础上，给出了一个混沌神经元模型，它已经成为一个经典的混沌神经网络模型，可以用于联想记忆。 Wunsch 在90OSA 年会提出了一个AnnualMeeting，用光电执行ART，学习过程具有自适应滤波和推理功能，具有快速稳定的学习特点。1991年，Hertz探讨神经计算理论， 分析神经网络的计算复杂性具有重要意义；Inoue 以耦合混沌振荡子为神经元，构建混沌神经网络模型，为其广泛的应用前景指明了道路。1992年，Holland遗传算法是通过模拟生物进化提出的， 解决复杂的优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。1994年Angeline在前人进化策略理论的基础上，提出了建立反馈神经网络的进化算法，成功应用于模式识别和自动控制；廖晓欣建立了新的数学理论和方法，并取得了一系列成果。HayashlY振荡神经网络是根据动物大脑中的振荡现象提出的。1995年Mitra人工神经网络和模糊逻辑理论 结合生物细胞理论和概率论提出了模糊的神经网络，使神经网络的研究取得了突破。Jenkins等人研究光学神经网络， 建立光学二维并行连接与电子学混合的光学神经网络，可以避免网络陷入局部最小值，最终达到或接近最理想的解决方案；SoleRV提出流体神经网络，研究昆虫社会和机器人集体免疫系统，激励人们用混沌理论分析大型社会系统。1996年，ShuaiJW模拟人脑自发行为， 在讨论混沌神经网络的基础上，提出了自发展神经网络。董聪于1997年和1998年创立和完善了广义遗传算法，解决了多层前网络最简单的扩接近全局的问题。

随着理论工作的发展，神经网络的应用研究也取得了突破，涉及范围广泛。在应用技术领域，有计算机视觉、语言识别、理解与合成、计算优化、智能控制与复杂系统分析、模式识别、神经计算机开发、知识推理专家系统和人工智能。涉及神经生理学、理解科学、数学科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件开发方面也取得了显著成就，并逐步形成产品。在美国，神经计算机产业得到了军方的大力支持。国防部高级研究计划局认为，神经网络是解决机器智能的唯一希望只有8个 神经计算机计划投资4亿美元。在欧洲共同体的ESPRIT计划中， 有一个特殊的项目:神经网络在欧洲工业中的应用，投资2200万美元生产神经网络专用芯片。据美国数据称，日本对神经网络研究的投资约为美国的四倍。自1990年以来，中国也不甘落后 自南开大学光学神经计算机等三个课题获批以来， 国家自然科学基金和国防预研基金也为神经网络的研究提供资助。此外，许多国际知名公司也参与了神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品科研部门选择的神经计算机产品开始进入商业阶段。在举世瞩目的海湾战争中，美国空军利用神经网络进行决策和控制。在这种刺激和需求下，人工神经网络将取得新的突破，迎来另一个高潮。自1958年第一个神经网络诞生以来，其理论和应用成果众多。人工神经网络是一门快速发展的新学科，新模型、新理论、新应用成果层出不穷。

3 人工神经网络的发展前景

未来发展的主要方向可分为理论研究和应用研究两个方面。

(1)利用神经生理学和理解科学研究大脑思维和智力的机 有问题的计算理论研究理论。

人工神经网络提供了一种合理的方式来揭示智能和理解人脑的工作方式，但由于人类最初对神经系统的理解非常有限，他们对自己的大脑结构和活动机制的理解仍然非常肤浅，并有一些先验。例如， Boltzmann机器引入随机干扰，避免局部极小，但缺乏必要的脑生理基础。毫无疑问，人工神经网络的改进和发展应与神经科学的研究相结合。此外，神经科学、心理学和理解科学提出的一些重大问题是对神经网络理论研究的新挑战，有助于改进和发展神经网络理论。因此，利用神经生理学和对大脑思维和智能机制的科学研究，如果有新的突破，就会改变对智能和机器关系的理解。

利用神经科学基础理论的研究成果，探索智能水平较高的人工神经网络模型，深入研究神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等网络算法和性能。研究非线性问题是神经网络理论发展的最大动力，因为神经网络是非线性的。特别是，自从人们发现大脑中存在混沌现象以来，用混沌动力学激发神经网络的研究或用神经网络产生混沌已经成为人们面前的一个新课题，因为从生理本质的角度来看，它是研究神经网络的基本手段。

(2)神经网络软件模拟， 各科技领域的硬件实现研究和神经网络应用研究。

由于人工神经网络可以通过传统计算机、集成电路芯片甚至光学和生物芯片进行模拟，因此开发纯软件模拟、虚拟模拟和全硬件电子神经网络计算机具有巨大的潜力。如何使神经网络计算机和传输的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。

4 哲理

（1）人工神经网络打开了认识论的新领域。

认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。

（2）人工神经网络发展的推动力来源于实践、 理论和问题的相互作用。

随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。可Minisky认为感知器不能解决异或问题， 多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。随着理论的不断丰富，实践的不断深入， 现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。

（3 ）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同。

人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果， 非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

人工神经网络，人工神经网络是什么意思

一、 人工神经网络的概念。

人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激活函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。

人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。

神经网络，是一种应用类似于大脑神经突触连接结构进行信息处理的数学模型，它是在人类对自身大脑组织结合和思维机制的认识理解基础之上模拟出来的，它是根植于神经科学、数学、思维科学、人工智能、统计学、物理学、计算机科学以及工程科学的一门技术。

二、 人工神经网络的发展。

神经网络的发展有悠久的历史。其发展过程大致可以概括为如下4个阶段。

1. 第一阶段----启蒙时期。

(1)、M-P神经网络模型：20世纪40年代，人们就开始了对神经网络的研究。1943 年，美国心理学家麦克洛奇（Mcculloch）和数学家皮兹（Pitts）提出了M-P模型，此模型比较简单，但是意义重大。在模型中，通过把神经元看作个功能逻辑器件来实现算法，从此开创了神经网络模型的理论研究。

(2)、Hebb规则：1949 年，心理学家赫布（Hebb）出版了《The Organization of Behavior》（行为组织学），他在书中提出了突触连接强度可变的假设。这个假设认为学习过程最终发生在神经元之间的突触部位，突触的连接强度随之突触前后神经元的活动而变化。这一假设发展成为后来神经网络中非常著名的Hebb规则。这一法则告诉人们，神经元之间突触的联系强度是可变的，这种可变性是学习和记忆的基础。Hebb法则为构造有学习功能的神经网络模型奠定了基础。

(3)、感知器模型：1957 年，罗森勃拉特（Rosenblatt）以M-P 模型为基础，提出了感知器（Perceptron）模型。感知器模型具有现代神经网络的基本原则，并且它的结构非常符合神经生理学。这是一个具有连续可调权值矢量的MP神经网络模型，经过训练可以达到对一定的输入矢量模式进行分类和识别的目的，它虽然比较简单，却是第一个真正意义上的神经网络。Rosenblatt 证明了两层感知器能够对输入进行分类，他还提出了带隐层处理元件的三层感知器这一重要的研究方向。Rosenblatt 的神经网络模型包含了一些现代神经计算机的基本原理，从而形成神经网络方法和技术的重大突破。

(4)、ADALINE网络模型： 1959年，美国著名工程师威德罗（B.Widrow）和霍夫（M.Hoff）等人提出了自适应线性元件(Adaptive linear element，简称Adaline)和Widrow-Hoff学习规则（又称最小均方差算法或称δ规则）的神经网络训练方法，并将其应用于实际工程，成为第一个用于解决实际问题的人工神经网络，促进了神经网络的研究应用和发展。ADALINE网络模型是一种连续取值的自适应线性神经元网络模型，可以用于自适应系统。

2. 第二阶段----低潮时期。

人工智能的创始人之一Minsky和Papert对以感知器为代表的网络系统的功能及局限性从数学上做了深入研究，于1969年发表了轰动一时《Perceptrons》一书，指出简单的线性感知器的功能是有限的，它无法解决线性不可分的两类样本的分类问题，如简单的线性感知器不可能实现“异或”的逻辑关系等。这一论断给当时人工神经元网络的研究带来沉重的打击。开始了神经网络发展史上长达10年的低潮期。

(1)、自组织神经网络SOM模型：1972年，芬兰的KohonenT.教授，提出了自组织神经网络SOM(Self-Organizing feature map)。后来的神经网络主要是根据KohonenT.的工作来实现的。SOM网络是一类无导师学习网络，主要用于模式识别﹑语音识别及分类问题。它采用一种“胜者为王”的竞争学习算法，与先前提出的感知器有很大的不同，同时它的学习训练方式是无指导训练，是一种自组织网络。这种学习训练方式往往是在不知道有哪些分类类型存在时，用作提取分类信息的一种训练。

(2)、自适应共振理论ART：1976年，美国Grossberg教授提出了著名的自适应共振理论ART(Adaptive Resonance Theory)，其学习过程具有自组织和自稳定的特征。

3. 第三阶段----复兴时期。

(1)、Hopfield模型：1982年，美国物理学家霍普菲尔德（Hopfield）提出了一种离散神经网络，即离散Hopfield网络，从而有力地推动了神经网络的研究。在网络中，它首次将李雅普诺夫（Lyapunov）函数引入其中，后来的研究学者也将Lyapunov函数称为能量函数。证明了网络的稳定性。1984年，Hopfield 又提出了一种连续神经网络，将网络中神经元的激活函数由离散型改为连续型。1985 年，Hopfield和Tank利用Hopfield神经网络解决了著名的旅行推销商问题（Travelling Salesman Problem）。Hopfield神经网络是一组非线性微分方程。Hopfield的模型不仅对人工神经网络信息存储和提取功能进行了非线性数学概括，提出了动力方程和学习方程，还对网络算法提供了重要公式和参数，使人工神经网络的构造和学习有了理论指导，在Hopfield模型的影响下，大量学者又激发起研究神经网络的热情，积极投身于这一学术领域中。因为Hopfield 神经网络在众多方面具有巨大潜力，所以人们对神经网络的研究十分地重视，更多的人开始了研究神经网络，极大地推动了神经网络的发展。

(2)、Boltzmann机模型：1983年，Kirkpatrick等人认识到模拟退火算法可用于NP完全组合优化问题的求解，这种模拟高温物体退火过程来找寻全局最优解的方法最早由Metropli等人1953年提出的。1984年，Hinton与年轻学者Sejnowski等合作提出了大规模并行网络学习机，并明确提出隐单元的概念，这种学习机后来被称为Boltzmann机。

Hinton和Sejnowsky利用统计物理学的感念和方法，首次提出的多层网络的学习算法，称为Boltzmann 机模型。

(3)、BP神经网络模型：1986年，儒默哈特（D.E.Ru melhart）等人在多层神经网络模型的基础上，提出了多层神经网络权值修正的反向传播学习算法----BP算法（Error Back-Propagation），解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力，它可以完成许多学习任务，解决许多实际问题。

(4)、并行分布处理理论：1986年，由Rumelhart和McCkekkand主编的《Parallel Distributed Processing：Exploration in the Microstructures of Cognition》，该书中，他们建立了并行分布处理理论，主要致力于认知的微观研究，同时对具有非线性连续转移函数的多层前馈网络的误差反向传播算法即BP算法进行了详尽的分析，解决了长期以来没有权值调整有效算法的难题。可以求解感知机所不能解决的问题，回答了《Perceptrons》一书中关于神经网络局限性的问题，从实践上证实了人工神经网络有很强的运算能力。

(5)、细胞神经网络模型：1988年，Chua和Yang提出了细胞神经网络（CNN）模型，它是一个细胞自动机特性的大规模非线性计算机仿真系统。Kosko建立了双向联想存储模型（BAM），它具有非监督学习能力。

(6)、Darwinism模型：Edelman提出的Darwinism模型在90年代初产生了很大的影响，他建立了一种神经网络系统理论。

(7)、1988年，Linsker对感知机网络提出了新的自组织理论，并在Shanon信息论的基础上形成了最大互信息理论，从而点燃了基于NN的信息应用理论的光芒。

(8)、1988年，Broomhead和Lowe用径向基函数(Radialbasis function, RBF)提出分层网络的设计方法，从而将NN的设计与数值分析和线性适应滤波相挂钩。

(9)、1991年，Haken把协同引入神经网络，在他的理论框架中，他认为，认知过程是自发的，并断言模式识别过程即是模式形成过程。

(10)、1994年，廖晓昕关于细胞神经网络的数学理论与基础的提出，带来了这个领域新的进展。通过拓广神经网络的激活函数类，给出了更一般的时滞细胞神经网络(DCNN)、Hopfield神经网络（HNN）、双向联想记忆网络（BAM）模型。

(11)、90年代初，Vapnik等提出了支持向量机(Supportvector machines, SVM)和VC(Vapnik-Chervonenkis)维数的概念。

经过多年的发展，已有上百种的神经网络模型被提出。

赫伯特·A·西蒙的西蒙和人工智能

20世纪50年代以后，西蒙的研究方向发生了重大转移，逐渐转向了认知心理学和人工智能领域。西蒙认为，社会科学缺乏像自然科学一样的科学性，社会科学需要借鉴自然科学严格和精确的研究方法，才能成为真正意义上的科学。同时，在西蒙看来，经济学、管理学、心理学等学科所研究的课题，实际上都是“人的决策过程和问题求解过程”。要想真正理解组织内的决策过程，就必须对人及其思维过程有更深刻的了解。因此，借助于计算机技术的发展，西蒙与同事纽厄尔等人一起开始尝试用计算机来模拟人的行为，从而创建了认知心理学和人工智能研究新领域。西蒙认为，人的思维过程和计算机运行过程存在着一致性，都是对符号的系列加工，因此，可以用计算机来模拟人脑的工作。他甚至大胆地预言，人脑能做的事，计算机同样也可以完成。“初级知觉和记忆程序（EPAM）”和“通用问题求解系统（GPS）”等人工智能软件的问世，部分证实了西蒙的预言。

当时人工智能的主要学派有下列三家：①符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统假设和有限理性原理。这一学派认为人工智能源于数理逻辑。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流学派。这个学派的代表有纽厄尔、肖、西蒙和尼尔逊(Nilsson)等。②联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主要为神经网络及神经网络间的连接机制与学习算法。这一学派认为人工智能源于仿生学，特别是人脑模型的研究。从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下了坚实的基础。③行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，其原理为控制论及感知-动作型控制系统。他们对人工智能发展历史具有不同的看法，这一学派认为人工智能源于控制论。

西蒙在人工智能中做出的最基本贡献，是他提出了“物理符号系统假说”PSSH(Physical Symbol System Hypothesis)。在这一意义上，他是符号主义学派的创始人和代表人物之一。他的基本观点是：知识的基本元素是符号，智能的基础依赖于知识，研究方法则是用计算机软件和心理学方法进行宏观上的人脑功能的模拟。符号主义的主要依据是两个基本原理：①物理符号系统假设原理。②由西蒙提出的有限合理性原理。这一学说鼓励着人们对人工智能进行全面的探索。西蒙认为，任何一个物理符号系统如果是有智能的，则肯定能执行对符号的输入、输出、存储、复制、条件转移和建立符号结构这样六种操作。反之，能执行这六种操作的任何系统，也就一定能够表现出智能。根据这个假设，我们可以推出以下结论：人是具有智能的，因此人是一个物理符号系统；计算机是一个物理符号系统，因此它必具有智能；计算机能模拟人，或者说能模拟人的大脑功能。

1956年，西蒙、纽厄尔和另一位著名学者约翰·肖(John Cliff Shaw)一起，成功开发了世界上最早的启发式程序“逻辑理论家”LT(1ogic Theorist) ,从而使机器迈出了逻辑推理的第一步。在卡内基-梅隆大学的计算机实验室，西蒙和纽厄尔从分析人类解答数学题的技巧入手，让一些人对各种数学题作周密的思考，要求他们不仅写出求解的答案，而且要说出自己推理的方法和步骤。通过对实例的大量观察，西蒙和纽厄尔广泛收集了人类求解一般性问题的各种方案。他们发现，人们求解数学题时，通常采用试凑的办法。试凑时并不一定列出所有的可能性，而是用逻辑推理来迅速缩小搜索的范围。人类证明数学定理也有类似的思维规律，通过把一个复杂问题分解成几个简单的子问题，以及利用已知常量代入未知变量等方法，用已知的公理、定理或解题规则进行试探性推理，直到所有的子问题最终都变成已知的，然后根据记忆中的公理和已被证明的定理，运用代入法、替换法来解决子问题，最终解决整个问题。人类求证数学定理同样也是一种启发式搜索，与电脑下棋的原理有异曲同工之妙。在这一基础上，他们利用“逻辑理论家”程序向数学定理发起挑战，建立了机器证明数学定理的启发式搜索法，并用计算机证明了罗素、怀特海的数学名著《数学原理》一书第二章52个定理中的38个定理（1963年，经过改进的“逻辑理论家”程序在一部更大的电脑上，最终完成了第二章全部52条数学定理的证明）。

基于这一成功，西蒙和纽厄尔把“逻辑理论家”程序扩充到了人类求解一般问题的过程，设想用机器模拟具有普遍意义的人类思维活动。“逻辑理论家”受到了人们的高度评价，认为它是用计算机探讨人类智力活动的第一个真正意义上的成果，也是图灵关于机器可以具有智能这一论断的第一个实际的证明。在开发“逻辑理论家”程序的过程中，西蒙首次提出并成功应用了“链表”（list）作为基本的数据结构，并设计与实现了表处理语言IPL (Information Processing Language)。在人工智能的历史上，IPL是所有表处理语言的始祖，也是最早使用递归子程序的语言。其基本元素是符号，并首次引进表处理方法。IPL最基本的数据结构是表结构，可用以代替存储地址或有规则的数组，这有助于将程序员从繁琐的细节中释放出来而在更高的水平上思考问题。IPL的另一特点是引进了生成器，每次产生一个值，然后挂起，等待被调用，在调用时从被挂起的地方开始。早期的很多人工智能程序都是用表处理语言编制而成的。表处理语言本身也因此经历了一个发展与完善的过程，其最后一个版本IPLⅤ可以处理树形结构的表。

1956年夏天，数十名来自数学、心理学、神经学、计算机科学与电气工程等各领域的学者聚集在位于美国新罕布什尔州汉诺威市的达特茅斯学院，讨论如何用计算机模拟人的行为，并根据麦卡锡(J．McCarthy，1971年图灵奖获得者)的建议，正式把这一学科领域命名为“人工智能”(Artificial Intelligence)。会议的召开标志着人工智能这一学科正式诞生。赫伯特·西蒙指出，人工智能的研究是学会怎样编制计算机程序来完成人类机智的行为。西蒙带到会议上去的“逻辑理论家”是当时惟一可以工作的人工智能软件，引起了与会代表的极大兴趣与关注。因此，西蒙、纽厄尔，以及达特茅斯会议的发起人麦卡锡和明斯基(M．L．Minsky，1969年图灵奖获得者)，被公认为是人工智能的奠基人。他们四人于1960年组成了第一个人工智能研究小组，有力地推动了人工智能的发展。

1960年，西蒙夫妇做了一个有趣的心理学实验，这个实验表明人类解决问题的过程是一个搜索的过程，其效率取决于启发式函数(heuristic function)。在这个实验的基础上，西蒙、纽厄尔和肖又一次成功地合作开发了能解答11种类型不同问题的“通用问题求解系统”GPS(General Problem Solver)。这一求解系统的基本原理，是找出目标要求与当前态势之间的差异，选择有利于消除差异的操作，以逐步缩小差异并最终达到目标。西蒙曾多次强调指出，科学发现只是一种特殊类型的问题求解，因此也可以用计算机程序来实现。1976～1983年间，西蒙和兰利(Pat W．Langley)、布拉茨霍夫(Gary L.Bradshaw)合作，设计了有六个版本的BACON系统发现程序，重新发现了一系列著名的物理、化学定律，证明了西蒙的上述论点。从而开拓出人工智能中“问题求解”的一大领域。

西蒙转向计算机技术后，就一直研究计算机下棋问题。1966年，西蒙、纽厄尔和贝洛尔(Baylor)合作，开发了最早的下棋程序MATER。1997年，IBM的“深蓝”(Deep Blue)计算机打败了白俄罗斯的国际特级大师卡斯帕罗夫以后，81岁的西蒙还和俄亥俄州立大学的人工智能专家T．Munakata一起，在《ACM通信》杂志的8月号上发表了《人工智能给我们的教训》(AI Lessons)一文，对此事进行了评论，指出一个运行于计算机上的国际象棋程序拥有2600分等级分，相当于白俄罗斯国际象棋世界冠军卡斯帕罗夫的级别水平。

西蒙在人工智能方面的另一大贡献，是发展与完善了语义网络的概念和方法，把它作为知识表示(knowledge representation)的一种通用手段，并取得了很大成功。在知识表示方法中，语义网络(semantic network)是—种重要而有效的方法。这种表示法是奎林(M．R．Quillian)在20世纪60年代后期提出来的，作为人类联想记忆的一个显示心理学模型。奎林在开发TLC系统(Teachable Language Comprehender)中用它来描述英语的词义，模拟人类的联想记忆。但用语义网络作为一般的知识表示方法，则是西蒙在1970年研究自然语言理解的过程中把它的各种概念基本明确下来的。20世纪70年代中期，西蒙和CAD专家依斯特曼(C．M．Eastman) 合作，研究住宅的自动空间综合，不仅开了“智能大厦”(intelligent building)的先河，还成为智能CAD即ICAD研究的开端。

起源于20世纪60年代末70年代初，当前受到极大重视的决策支持系统DSS(Decision Support System)，其概念的核心是关于决策模式的理论，而这个理论也是由西蒙奠定基础的。在不确定条件下的决策模型除了贝叶斯模型外，另一个比较重要的理论模型是采用Von Neumann-Morgenstern效用函数的期望值最大模型。西蒙在《人的模型》一书中形成了电子计算机能模拟人的思维的思想，开始了人工智能的系列研究。针对效用函数的期望值最大模型，西蒙提出了有限合理性模型。有限合理性模型的基本思想是：首先，所有的决策者涉及到的是一个有限的范围；其次，我们不能对将来给出一个概率值，但最好有一个关于将来事件的大致概念；第三，如果后者不以前者为转移的话，我们在一个领域中的愿望可能与在另一个领域中的愿望完全不同；最后，我们更注重搜集信息而不是分析需求，在收集信息后，最通常的抉择是基于直觉。基于西蒙关于决策模式的理论，凯恩(P. G. Keen)提出了一种设计方法，称为“自适应法”(self-adaptive method)，把决策支持系统当成一种自适应系统，由DSS应用系统、DSS生成系统和DSS工具三个技术层次组成，由决策者运行，且能适应时间的变化。西蒙曾称赞这样的系统“能适应三个时间范围内的各种变化，即在短期运行中，系统能在一个相对狭窄的范围内寻求答案；在中期运行中，系统能通过修改其功能和活动而学会适应；在长期运行中，系统能发展到适应差别极大的行为风格和功能”。这些研究，使计算机技术与管理决策紧密连接起来。

计算机“人工智能之父”是谁

图灵

阿兰·麦席森·图灵（Alan Mathison Turing，1912.6.23—1954.6.7），英国数学家、逻辑学家，被称为人工智能之父。 1931年图灵进入剑桥大学国王学院，毕业后到美国普林斯顿大学攻读博士学位，二战爆发后回到剑桥，后曾协助军方破解德国的著名密码系统Enigma，帮助盟军取得了二战的胜利。

阿兰·麦席森·图灵，1912年生于英国伦敦，1954年死于英国的曼彻斯特，他是计算机逻辑的奠基者，许多人工智能的重要方法也源自于这位伟大的科学家。他对计算机的重要贡献在于他提出的有限状态自动机也就是图灵机的概念，对于人工智能，它提出了重要的衡量标准“图灵测试”，如果有机器能够通过图灵测试，那他就是一个完全意义上的智能机，和人没有区别了。他杰出的贡献使他成为计算机界的第一人，现在人们为了纪念这位伟大的科学家将计算机界的最高奖定名为“图灵奖”。上中学时，他在科学方面的才能就已经显示出来，这种才能仅仅限于非文科的学科上，他的导师希望这位聪明的孩子也能够在历史和文学上有所成就，但是都没有太大的建树。少年图灵感兴趣的是数学等学科。在加拿大他开始了他的职业数学生涯，在大学期间这位学生似乎对前人现成的理论并不感兴趣，什么东西都要自己来一次。大学毕业后，他前往美国普林斯顿大学也正是在那里，他制造出了以后称之为图灵机的东西。图灵机被公认为现代计算机的原型，这台机器可以读入一系列的零和一，这些数字代表了解决某一问题所需要的步骤，按这个步骤走下去，就可以解决某一特定的问题。这种观念在当时是具有革命性意义的，因为即使在50年代的时候，大部分的计算机还只能解决某一特定问题，不是通用的，而图灵机从理论上却是通用机。在图灵看来，这台机器只用保留一些最简单的指令，一个复杂的工作只用把它分解为这几个最简单的操作就可以实现了，在当时他能够具有这样的思想确实是很了不起的。他相信有一个算法可以解决大部分问题，而困难的部分则是如何确定最简单的指令集，怎么样的指令集才是最少的，而且又能顶用，还有一个难点是如何将复杂问题分解为这些指令的问题。

1936年，图灵向伦敦权威的数学杂志投了一篇论文，题为“论数字计算在决断难题中的应用”。在这篇开创性的论文中，图灵给“可计算性”下了一个严格的数学定义，并提出著名的“图灵机”(Turing Machine)的设想。“图灵机”不是一种具体的机器，而是一种思想模型，可制造一种十分简单但运算能力极强的计算装置，用来计算所有能想象得到的可计算函数。“图灵机”与“冯·诺伊曼机”齐名，被永远载入计算机的发展史中。1950年10月，图灵又发表了另一篇题为“机器能思考吗”的论文，成为划时代之作。也正是这篇文章，为图灵赢得了“人工智能之父”的桂冠。

【英文简述】

Alan Mathison Turing, OBE (23 June 1912 – 7 June 1954) was an English mathematician, logician, and cryptographer.。

Turing is often considered to be the father of modern computer science. Turing provided an influential formalisation of the concept of the algorithm and computation with the Turing machine, formulating the now widely accepted "Turing" version of the Church–Turing thesis, namely that any practical computing model has either the equivalent or a subset of the capabilities of a Turing machine. With the Turing test, he made a significant and characteristically provocative contribution to the debate regarding artificial intelligence: whether it will ever be possible to say that a machine is conscious and can think. He later worked at the National Physical Laboratory, creating one of the first designs for a stored-program computer, although it was never actually built. In 1948 he moved to the University of Manchester to work, largely on software, on the Manchester Mark I, then emerging as one of the world's earliest true computers.。

During the Second World War Turing worked at Bletchley Park, Britain's codebreaking centre, and was for a time head of Hut 8, the section responsible for German naval cryptanalysis. He devised a number of techniques for breaking German ciphers, including the method of the bombe, an electromechanical machine that could find settings for the Enigma machine.。

In 1952, Turing was convicted of "acts of gross indecency" after admitting to a sexual relationship with a man in Manchester. He was placed on probation and required to undergo hormone therapy. Turing died after eating an apple laced with cyanide in 1954. His death was ruled a suicide.。

【生平】

◆故事从谜开始

英国现代计算机的起步是从德国的密码电报机——Enigma(谜)开始的，而解开这个谜的不是别人，正是阿兰·图灵，一个在计算机界响当当的人物，可与美国的冯·诺依曼相媲美的电脑天才。在他短暂的生涯中，图灵在量子力学、数理逻辑、生物学、化学方面都有深入的研究，在晚年还开创了一门新学科—— 非线性力学。

图灵英年早逝。在他42年的人生历程中，他的创造力是丰富多彩的，他是天才的数学家和计算机理论专家。24岁提出图灵机理论，31岁参与COLOSSUS的研制，33岁设想仿真系统，35岁提出自动程序设计概念，38岁设计“图灵测验”。这一朵朵灵感浪花无不闪耀着他在计算机发展史上的预见性。特别是在60年代后当然，图灵最高的成就还是在电脑和人工智能方面，他是这一领域开天辟地的大师。为表彰他的贡献，专门设有一个一年一度的“图灵奖”，颁发给最优秀的电脑科学家。这枚奖章就像“诺贝尔奖”一样，为计算机界的获奖者带来至高无上的荣誉。而阿兰·图灵本人，更被人们推崇为人工智能之父，在计算机业十倍速变化的历史画卷中永远占有一席之地。他的惊世才华和盛年夭折，也给他的个人生活涂上了谜一样的传奇色彩。

◆神童图灵

图灵1912年6月23日出生于英国伦敦。其祖父曾获得剑桥大学数学荣誉学位，但他父亲的数学才能平平。因此，图灵的家庭教育，对他以后在数学及计算机方面的成就并没有多少帮助。小时候的图灵生性活泼好动，很早就表现出对科学的探索精神。据他母亲回忆，3岁时，小图灵就进行了他的首次实验，尝试把一个玩具木头人的小胳膊、小腿掰下来栽到花园里，等待长出更多的木头人。到了8岁，他更开始尝试写一部科学著作，题目为《关于一种显微镜》。在这部很短的书中，天才儿童图灵拼错了很多单词，句法也有些问题，但写得还能让人看懂，很像那么一回事儿。在书的开头和结尾，他都用同一句话“首先你必须知道光是直的”作前后呼应， 但中间的内容却很短，短得破了科学著作的记录。图灵曾说 ：“我似乎总想从最普通的东西中弄出些名堂。”就连和小朋友们玩足球，他也能放弃当前锋进球这样出风头的事，只喜欢在场外巡边，因为这样能有机会去计算球飞出边界的角度。他的老师认为 ：“图灵的头脑思维可以像袋鼠一样进行跳跃。”图灵是个天才。他16岁就开始研究爱因斯坦的相对论。1931年，图灵考入剑桥大学国王学院，开始他的数学生涯，研究量子力学、概率论和逻辑学。在校期间，图灵还是现代语言哲学大师维特根斯坦班上最出色的学生。他对由剑桥大学的罗素和怀特海创立的数理逻辑很感兴趣。数理逻辑的创建，主要源于古希腊克里特岛上有个叫爱皮梅尼特的“智者”，他说 ：“所有的克里特岛人都说谎”。我们可以把它简化为：“我说的这句话是假话”。这就出现一种两面都无法自圆的怪圈：如果他没有说谎，那他这句话是错的，他是在说谎；如果他真的在说谎，那他说自己在说谎是对的，所以他又没有说谎。罗素和怀特海把它从逻辑、集合论以及数论中驱逐出去，最后又想尽办法归入《数学原理》之中。

图灵一上大学，就迷上了《数学原理》。在1931年，著名的“哥德尔定理”出现后(该定理认为没有一种公理系统可以导出数论中所有的真实命题，除非这种系统本身就有悖论)，天才的图灵在数理逻辑大本营的剑桥大学提出一个设想：能否有这样一台机器，通过某种一般的机械步骤，能在原则上一个接一个地解决所有的数学问题。大学毕业后，图灵去美国普林斯顿大学攻读博士学位，还顺手发明过一个解码器。在那里，他遇见了冯·诺依曼，后者对他的论文击节赞赏，并随后由此提出了“存储程序”概念。图灵学成后又回到他的母校任教。在短短的时间里，图灵就发表了几篇很有份量的数学论文，为他赢得了很大的声誉。

◆怪才图灵

在剑桥，图灵可称得上是一个怪才，一举一动常常出人意料。他是个单身汉和长跑运动员。在他的同事和学生中间，这位衣着随便、不打领带的著名教授，不善言辞，有些木讷、害羞，常咬指甲，但他更多地以自己杰出的才智赢得了人们的敬意。图灵每天骑自行车上班，因为患过敏性鼻炎，一遇到花粉，就会鼻涕不止，大打喷嚏。于是，他就常常在上班途中戴防毒面具，招摇过市，这早已成为剑桥的一大奇观。图灵的自行车经常半路掉链子，但他就是不肯去车铺修理。每次骑车时，他总是嘴里念念有词，在心里细细计算，这链条也怪，总是转到一定的圈数就滑落了，而图灵竟然能够做到在链条下滑前一刹那停车，让旁观者佩服不已，以为图灵在玩杂技。后来图灵又居然在脚踏车旁装了一个小巧的机械记数器，到圈数时就停，歇口气换换脑子，再重新运动起来。

1936年，图灵向伦敦权威的数学杂志投了一篇论文，题为《论数字计算在决断难题中的应用》。在这篇开创性的论文中，图灵给“可计算性”下了一个严格的数学定义，并提出著名的“图灵机”(Turing Machine)的设想。“图灵机”不是一种具体的机器，而是一种思想模型，可制造一种十分简单但运算能力极强的计算机装置，用来计算所有能想像得到的可计算函数。装置由一个控制器和一根假设两端无界的工作带(起存储器的作用)组成。工作带被划分为大小相同的方格，每一格上可书写一个给定字母表上的符号。控制器可以在带上左右移动，它带有一个读写出一个你期待的结果。外行人看了会坠入云里雾里，而内行人则称它是“阐明现代电脑原理的开山之作”，并冠以“理想计算机”的名称。这篇论文在纸上谈了一把兵，创造出一个“图灵机”来。但现代通用电脑确实是用相应的程序来完成任何设定好的任务。这一理论奠定了整个现代计算机的理论基础。“图灵机”更在电脑史上与“冯·诺依曼机”齐名，被永远载入计算机的发展史中。

图灵机理论不仅解决了纯数学基础理论问题，一个巨大的“意外”收获则是，理论上证明了研制通用数字计算机的可行性。虽然早在100年前的1834年，巴贝奇(Chark Babbage，1792～1871)就设计制造了“分析机”以说明具体的数字计算，但他的失败之处是没能证明“必然可行”。图灵机理论不仅证明了研制“通用机”的可行性，而且比世界上第一台由德国人朱斯(K·Zuze)于1941年制造的通用程序控制计算机Z-3整整早5年。这不得不使人惊叹这一理论的深刻意义。

◆谜语图灵

正当图灵的理论研究工作进一步深入时，战争爆发了。他被派往布雷契莱庄园承担“超级机密”研究。当时的布雷契莱庄园是一所“政府密码学校”，即战时的英国情报破译中心。在这座幽静的维多利亚式建筑里，表面上鸟语花香、人迹罕见，其实每天都有12000多名志愿者在这里夜以继日地工作，截获、整理、破译德国的军事情报，有些结果甚至直达丘吉尔首相本人手中。在这里，图灵被人们称为“教授”，没有人知道他的真名。当时德国有一个名为“Enigma”（谜）的通信密码机，破译高手们绞尽脑汁也难以破解。这个难题交到了图灵手中，他率领着大约200多名精干人员进行密码分析，其中甚至还包括象棋冠军亚历山大。分析和计算工作非常复杂，26个字母在“Enigma”机中能替代8万亿个谜文字母。如果改动接线，变化会超过2.5千万亿亿。最后多亏波兰同行们提供了一台真正的“Enigma”，图灵才凭借着他的天才设想设计出一种破译机。这台机器主要由继电器构成，还用了80个电子管，由光电阅读器直接读入密码，每秒可读字符2000个，运行起来咔嚓咔嚓直响。它被图灵戏称为“罗宾逊”，至今没人能搞懂图灵究竟如何指挥它工作。但"罗宾逊"的确神通广大，在它的密报下，德国飞机一再落入圈套，死无葬身之地。

1945年，图灵带着大英帝国授予的荣誉勋章，来到英国国家物理研究所担任高级研究员。两年后，图灵写了一份内部报告，提出了"自动程序"的概念，但由于英国政府严密、死板的保密法令，这份报告一直不见天日。1969年，美国的瓦丁格(Woldingger)发表了同样成果，英国才连忙亮出压在箱底的宝贝，终于在1970年给图灵的报告“解密”。图灵的这份报告后来收入爱丁堡大学编的《机器智能》论文集中。由于有了布雷契莱的经验，图灵提交了一份“自动计算机”的设计方案，领导一批优秀的电子工程师，着手制造一种名叫ACE的新型电脑。它大约用了800 个电子管，成本约为4万英镑。1950年，ACE电脑就横空出世，开始公开露面，为感兴趣的人们玩一些“小把戏”，赢得阵阵喝彩。图灵在介绍ACE的内存装置时说：“它可以很容易把一本书的10页内容记住。”显然，ACE是当时世界上最快、最强劲的电子计算机之一。

1946年，在纽曼博士的动议下，皇家学会成立电脑实验室。纽曼博士是皇家学会会员，又是当年破译小组的成员，正是他对“赫斯·鲁宾逊”的制造起了关键作用。皇家学会的这一新实验室不在伦敦，而是设在曼彻斯特大学，由纽曼博士牵头负责。1946年7月，研制基金到位，纽曼博士开始招募人选。阿兰·图灵也在次年9月加盟电脑实验室。一时间，曼彻斯特大学群英会萃。实验室设在一幢维多利亚时代的老房子里，条件十分简陋，但因图灵他们的到来，也算是蓬荜生辉了。在1948年6月，这里造出了一台小的模型机，大家都爱叫它“婴儿”(Baby)。这台模型机用阴极射线管来解决存储问题，能存储32个字，每一字有32位字长。这是第一台能完全执行存储程序的电子计算机的模型。

◆大师图灵

到了1949年10月，各项改进工作都已展开，夹在两层存储器之间的自动控制系统已正常运转，并能在程序的控制下，实现磁鼓和阴极射线管存储单元间信息交互。图灵设计出一些协同电路来做输入和输出的外设。有关电动打字设备也是图灵通过老关系从他战时供职的外交部通信部门弄过来的，其中甚至包括一个战后从德国人那里收缴来的穿孔纸带键盘。这样，整个模型机已大功告成。在整个试验阶段，大家忙上忙下。1949年底，模型机交付给曼彻斯特当地的一家叫弗兰尼蒂(Ferranti)的电子公司，开始正式建造。1951年2月完工，通称“迈可1型”。它有4000个电子管，72000个电阻器，2500个电容器，能在0.1秒内开平方根、求对数和三角函数的运算。比起先前的模型机，“迈可1型”功能更为齐全，静电存储器的内存容量已翻倍，能存256个40位字长字，分别存在8个阴极射线管中，而磁鼓的容量能扩容到16384个字，真是一项了不起的工程。

与冯·诺依曼同时代的富兰克尔(Frankel，冯氏同事)在回忆中说：冯·诺依曼没有说过"存储程序"型计算机的概念是他的发明，却不止一次地说过，图灵是现代计算机设计思想的创始人。当有人将"电子计算机之父"的头衔戴在冯·诺依曼头上时，他谦逊地说，真正的计算机之父应该是图灵。当然，冯·诺依曼问之无愧，而图灵也有“人工智能之父”的桂冠。他俩是计算机历史浩瀚星空中相互映照的两颗巨星。

早在1945年，图灵就提出“仿真系统”的思想，并有一份详细的报告，想建造一台没有固定指令系统的电脑。它能够模拟其他不同指令系统的电脑的功能， 但这份报告直到1972年才公布。这说明图灵在二战结束后就开始了后来被称 为“人工智能”领域的探索，他开始关注人的神经网络和电脑计算之间的关联。

1950年，图灵又来到曼彻斯特大学任教，同时还担任该大学自动计算机项目的负责人。就在这一年的十月，他又发表了另一篇题为《机器能思考吗？》的论文，成为划时代之作。也正是这篇文章，为图灵赢得了一顶桂冠——“人工智能之父”。在这篇论文里，图灵第一次提出“机器思维”的概念。他逐条反驳了机器不能思维的论调，做出了肯定的回答。他还对智能问题从行为主义的角度给出了定义，由此提出一假想：即一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答，如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么，就可以认为这个计算机具有同人相当的智力，即这台计算机是能思维的。这就是著名的“图灵测试”(Turing Testing)。当时全世界只有几台电脑，根本无法通过这一测试。但图灵预言，在本世纪末，一定会有电脑通过“图灵测试”。终于他的预言在IBM的“深蓝”身上得到彻底实现。当然，卡斯帕罗夫和“深蓝”之间不是猜谜式的泛泛而谈，而是你输我赢的彼此较量。

◆故事以谜结束

1951年，图灵以他杰出的贡献被当选为英国皇家学会会员。就在他事业步入辉煌之际，灾难降临了。1952年，图灵遭到警方拘捕，原因是他是一个同性恋者。与其他一些智慧超群的人物一样，图灵在个人生活方式上也“与众不同”。当时，人们对同性恋还没有像现在这样宽容，而是把这种行为当作一桩伤风败俗的罪孽。事情的败露是这样的，当时有一位叫琼·克拉克(Joan Clarke)的姑娘爱上了图灵，图灵也对对方很有好感，并向对方求婚，琼欣然接受。但不久，图灵自己退缩了，告诉琼，他是同性恋者。在1948年，图灵就由于同性恋倾向，离开了当时属于高度保密的英国国家物理实验室(NPL)。但也有人说，图灵是被英国军事情报部门“开除”出去的，对于这位天才的离去，许多人怅惜不已。

1952年3月31日，图灵更因为和曼彻斯特当地一位青年有染，被警方逮捕。在法庭上，图灵既不否认，也不为自己辨解。在庄严的法庭上，他郑重其事地告诉人们：他的行为没有错，结果被判有罪。在入狱和治疗两者中间，图灵选择了注射激素，来治疗所谓的“性欲倒错”。此后图灵开始研究生物学、化学，还和一位心理医生有很深的交往。那时，他的脾气已变得躁怒不安，性格更为阴沉怪僻。1953年3月，他因为接待过一位被英国警方注意的挪威客人，成为警方的目标，甚至去希腊度假时也被跟踪。

1954年6月8日，图灵42岁，正逢进入他生命中最辉煌的创造顶峰。一天早晨，女管家走进他的卧室，发现台灯还亮着，床头上还有个苹果，只咬了一小半，图灵沉睡在床上，一切都和往常一样。但这一次，图灵是永远地睡着了，不会再醒来……经过解剖，法医断定是剧毒氰化物致死，那个苹果是在氰化物溶液中浸泡过的。图灵的母亲则说他是在做化学实验时，不小心沾上的，她的"艾伦"从小就有咬指甲的习惯。但外界的说法是服毒自杀，一代天才就这样走完了人生。

今天，苹果电脑公司以那个咬了一口的苹果作为其商标图案，就是为纪念这位伟大的人工智能领域的先驱者——图灵。

【大事年表】

1912年6月23日，出生于英国伦敦。

1931年-1934年，在英国剑桥大学国王学院（King's College）学习。

1932年-1935年，主要研究量子力学、概率论和逻辑学。

1935年，年仅23岁的图灵，被选为剑桥大学国王学院院士。

1936年，主要研究可计算理论，并提出“图灵机”的构想。

1936年-1938年，主要在美国普林斯顿大学做博士研究，涉及逻辑学、代数和数论等领域。

1938-1939年，返回剑桥从事研究工作，并应邀加入英国政府破译二战德军密码的工作。

1940年-1942年，作为主要参与者和贡献者之一，在破译纳粹德国通讯密码的工作上成就杰出，并成功破译了德军U-潜艇密码，为扭转二战盟军的大西洋战场战局立下汗马功劳。

1943年-1945年，担任英美密码破译部门的总顾问。

1945年，应邀在英国国家物理实验室从事计算