天才一秒记住【爱看书】地址：https://www.aksss.org
。
人工智能科学家西蒙等人将上述研究概括为物理符号研究范式。
他说：“计算机显然是一个物理符号系统。
它的物理性质和运转方式可以很容易地证明它完成这些过程（仅有的这些过程）的能力。
人的大脑也是（但并非显而易见）一个物理符号系统。
它无疑能完成列入这种系统界定范围内的那些过程。”
[3]由于该范式假设人类智能的基本载体是符号，认知过程就是符号表示下的符号计算与操作，思维实质上就是计算，因而在智能模拟过程中，它们更多的是注意到计算机运行和操作与人类智能和脑神经组织的某种相似性。
换言之，只是注意到计算机在符号计算、句法逻辑方面与人的某些智能的相似性，而忽视了人类大脑神经元之间的突触联结数量的海量性及并行加工处理方式的复杂性等特性，这样，物理符号主义模型对大脑的神经机制的刻画显得过于简单化了：它至多只是在某些功能方面建立了计算机与人类智能或人脑之间的联系，而与实际的人类智能和大脑神经活动机制，相差甚远。
为了缩小物理符号主义模型与真实人类智能和人脑的距离，特别是要能体现人脑并行式处理信息的突出特点，一些计算机科学家、神经生理学家和数学家尝试运用“仿生学”
的方法，从脑的生理结构原型出发，致力于建构不同层次的关于脑的硬件结构系统（模型）。
当然，这项复兴于20世纪80年代的工作可追溯到20世纪40年代就已经开始的某些早期研究。
这些研究主要体现在神经生物学家W.麦卡洛克和他的学生W.皮茨于1943年发表的具有划时代意义的《神经活动内在概念的逻辑运算》一文中。
该文认为，任一神经元的响应事实上都等价于提出了一个使神经元受到充分刺激的命题，而这个命题可以用符号逻辑来标记。
受此启发，1949年，神经生物学家赫布（D.O.Hebb）提出著名的“Hebb法则”
。
其基本思想是，如果两个神经元都处于兴奋（激活）状态，它们之间的突触联结强度就会得到增强。
而突触联结强度的可变性是学习和记忆的基础。
赫布还给出了突触调节模型，描述了分布式记忆过程。
1958年，计算机科学家罗森布拉特（E.Rosenblatt）基于M&P（麦卡洛克和皮茨的神经元模型），建构了感知器模型。
在这个模型中，输入和输出层之间的权重调节正比于计算输出值与期望输出值之差。
1969年，美国人工智能专家明斯基和帕伯特（S.Papert）对罗森布拉特的工作进行了深入研究，出版了《感知机》一书。
在该书中，作者认为，通过引入隐含神经元，增加神经网络的层次，可以提高神经网络的处理能力。
1982年，美国物理学家J.霍普菲尔德提出了一种新的神经网络模型——Hopfield神经网络（HNN）。
1986年，J.卢姆哈特（J.D.Rumelhart）等在多层神经网络模型的基础上，提出了多层神经网络模型的反向传播学习算法（BP算法），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。
所有这些，构成了人工智能领域中的新的研究范式——联结主义（）或仿生学派（bionicsism）。
联结主义范式假定人类智能的基本单元是神经元，认知过程是由神经元构成的网络信息传递实现的，并且这种传递是并行和分布式的。
其原理主要是神经网络及神经网络间的连接机制与学习算法。
从这个意义上说，联结主义相比于物理符号主义来说，更接近于人脑神经活动的机制和过程。
而且，联结主义模型在特征提取、模式分类、联想记忆、低层次感知、自适应控制等场合，优势更为明显。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！