20、神经网络、符号计算与人工智能的探索

神经网络、符号计算与人工智能的探索

1. 网络与统计分析

在很多情况下，神经网络的训练算法与统计学或数据分析中的某些技术存在相似之处。例如，反向传播算法可类比为非线性回归，竞争学习可类比为某些聚类分析。但这并不意味着所有神经网络只是对熟悉技术的重新包装。

以由（11.2）定义的多层感知器（MLP）为例，从计算层面看，它可被视为一个由权重参数化的非线性回归模型。然而，正如Cheng和Titterington（1994）所指出的，它与之前开发的任何回归模型都不对应，（11.2）的形式并非先验给定，而是基于网络本身。这表明网络范式有潜力以自下而上的方式激发新颖的计算方法，它不仅仅是对给定计算策略的实现，而是有其自身独特的价值。

此外，如果在生物环境中发现一个与我们研究过的人工网络具有相同架构的网络，对人工网络计算和算法方面的理解有望为理解其生物对应物中的这些过程的本质提供见解。若能在信号层面实现网络，使其具有生物学合理性，还会带来更多益处。

2. 人工智能的探索

人工智能是什么？一种定义是它是体现在人造机器中的智能行为。但这实际上又引出了“什么是智能”的问题，这似乎让我们陷入了僵局，因为回答这个问题将预先决定整个人工智能研究计划。一种解决这个潜在“两难”局面的方法是给出智能行为的例子，然后说在这些任务中实现与人类一样好甚至更好的机器性能是人工智能研究的目标。这些任务通常包括：从视觉输入中感知和理解世界；语音的生成和理解；在复杂环境中导航并避开障碍物；以常识方式对世界进行论证；玩像国际象棋这样的策略游戏；进行数学运算；诊断医疗状况；进行股票市场预测等。

从20世纪40年代末和50年代初计算机发展的早期开始，就存在两种截然不同