生物工程在各方面的应用

 




  现在,生物工程已经发展成为一个新兴的工业部门。短短十年时间,部分产品已经达到了应用阶段。

  在医药工业方面。1977年,美国第一次用大肠杆菌发酵生产人的生长激素——生长激素释放抑制素。1981年已经正式投放市场。1982年底,美国的基因技术公司和有名的利莱化学制品公司联合生产出人的胰岛素,今年可以供应国际市场。可望不久将供应市场的产品有乙肝炎疫苗、阿尔法型干扰素、伽马型干扰素、尿激酶等基因工程新药。这些新药给癌症、脑血栓、血友病、侏儒症等疾病患者带来了新的希望。其他用基因工程生产的免疫球蛋白、流感疫苗、小儿麻痹疫苗等也都已进入试制的最后阶段。单克隆抗体技术已经广泛应用在临床诊断、监测以及对疾病的进一步治疗上。

  在兽用药物方面。用基因工程生产猪、牛的幼畜腹泻疫苗也已经在荷兰正式投产。其他如猪、牛生长激素、牛干扰素,以及口蹄疫疫苗、狂犬病疫苗等多种疫苗已经进行试验性生产。

  在农业方面。正在研究用遗传工程的方法使小麦、水稻等农作物能够吸收空气中的氮,自行固氮。如果成功,就可以大幅度地提高单位面积产量,并且避免施用尿素等化肥所带来的环境污染和氮化物致癌等弊病。现在已经能够取出大豆上的固氮基因放到小麦、水稻根部细菌上去,但是还不能表达它的作用。这牵涉到一系列的基本理论问题,还没有突破。

  在工业方面。可以用基因工程培养出特殊的“超级细菌”。这种细菌喜爱吸收某种金属,这样不用花大力气就能够探明矿藏,并且利用它来进行采矿。据统计,全世界每年用“超级细菌”浸出的铜高达20万吨。培养某种“超级细菌”还可以吸掉石油里某种杂质,相应减低石油产品的成本。

  在食品工业方面。国外应用遗传工程的发酵法和酶法已经生产了18种氨基酸,年产量达到30万吨。苏联用生物工程方法生产的单细胞蛋白,年产量达到120万吨。

  在能源方面。目前正在研究能够再生的生物能源,如用基因工程培养特殊的细菌,把没有用的植物纤维素分解成葡萄糖,生产酒精,用来补充或替代石油。

  生物工程作为一门新兴的工业,今天还处在方兴未艾的开发阶段,仍是它越来越引起人们的高度重视,相信它在人类的生活中将日益显示出巨大的作用。我国在这个领域里有一些基础,如果急起直追,到本世纪末是可以赶上世界水平的。

  跨世纪的研究热点——大脑与人工智能

  大脑结构与人工智能

  现代神经科学的研究指出,所有行为都是脑功能的某些表现,思维、学习、智力也不例外。因此,研究智能理论与技术必须考察一下脑的结构与功能。

  脑位于颅腔内,由延髓、脑桥、中脑、小脑、间脑和大脑六大部分组成。

  由脊髓开始向上,依次是延髓、脑桥、小脑、中脑、间脑和大脑皮层半球。胼肌体是联接大脑两个半球的神经纤维组织。

  有时,把延髓、脑桥、中脑三者统称为脑干,它含有丰富的神经核。

  间脑包含丘脑和下丘脑。丘脑是大脑皮质下高级感觉中枢,来自全身的躯体浅感觉和深感觉都先在丘脑进行处理之后才到大脑皮层。下丘脑是大脑皮质下的重要内脏神经中枢,它在大脑皮质影响下可以对内脏的活动起重要的调节作用,如水平衡、心跳、血压、呼吸、消化、内分泌、糖和脂肪的代谢、体温调节等都可以改变。

  大脑由左右大脑半球组成,它笼盖在间脑、中脑和小脑的上面。左右半球之间有大脑纵裂,裂府有联接两半球的横行纤维,称为胼胝体。大脑半球表面凹凸不平,布满深浅不同的沟,沟与沟之间隆起称为大脑回。每个半球以几条主要沟为界分为不同的叶。这些叶在功能上各有分工。

  大脑半球表面被覆一层灰质,称为大脑皮质。大脑皮质由无数大小不等的神经细胞(神经元)和神经胶质细胞以及神经纤维构成。皮质的神经元和神经纤维均分层排列,神经元之间形成复杂的神经网络。由于它们联系的广泛性和复杂性。使皮质具有高度分析和综合的能力,构成了思维活动的物质基础。

  大脑皮质的组织有两个重要的特点:即交叉性和非对称性。

  交叉性指每个脑半球都处理与它对侧躯体的感觉与运动。从身体左侧进入脊髓的感觉信息在传到大脑皮质之前在脊髓和脑干区交叉到神经系统的右侧,脑半球中的控制区域也交叉控制对侧身体的运动。

  非对称性是说两个半球虽然十分相似,但它们的结构并不完全对称。功能上也不完全相同,因为功能是按区定位的。

  但功能分区定位并不是机械的一对一关系。许多功能特别是高级思维功能通常都可以分成若干子功能。这些子功能之间不仅存在串序关系,也存在并序关系。因此,对于一定特定功能的神经加工往往是在大脑的许多部位分布式进行的。正因为这个缘故,某一部位的损伤不一定会导致整个功能的完全丧失;或者即使暂时丧失了,也可能逐步得到恢复,这是因为其他组织也可以承担受损伤的那个组织的任务。事实上,皮质的各个部分都有各自的功能,每个定位区内有该功能的中枢对此功能进行整合。从纤维分布的情况可以看出,各部位的功能并不是完全独立地进行的,只是以它为主而已。

  人脑的绝对重量为 1000~2000克,男子的脑平均重为1375克,女子因一般全重较轻,故脑的平均重量只有1230克。智力发达的人,其脑重不一定较大。相反,有时傻子的脑重量能达到2850克左右,而人的智力将会显著下降。

  在脑的研究方面,目前主要侧重于思维和记忆的机制,但由于人脑的复杂性,所以人们只能从具有简单神经系统的昆虫和蠕虫着手。

  人工智能的任务,就是研究和完善等同或超过人的思维能力的人造思维系统。

  从目前研究人工智能的内容和进展情况来看,人工智能的研究工作包括计算机方法和仿生学。计算机方法是利用现有的电子计算机的硬件设备,研究计算机的软件系统,来实现计算机的图象识别、自然语言识别和机器思维等工作。这项工作,可以叫做机器智能,是人工智能的初级阶段。仿生学对人工智能的研究主要从两方面着手进行:一方面根据生理学、心理学等学科的现有成就,对人脑进行人工模拟,建立人工智能领域的大脑学说,即建立人体神经系统的各种生物模型、数学模型以及电子模型;另一方面,根据以上模型研究、设计和制造具有人体神经系统某些功能的人工智能机。按仿生学的途径来研究人工智能有两个特点:一是研究生物模型和研制人工智能机的工作相辅相成,互相促进;二是电子计算机与人工智能机的交叉和互相渗透。电子计算机是研究人工智能的重要工具。

  人工智能这一术语是 1956年在美国的达特茅斯大学召开的世界第一次人工智能会议上由麻省理工学院的JohnMecarthy提议而使用的。首次分开发表使用的是麻省理工学院的 Marvin Minsky(人称人工智能之父)。人工智能这一学科到今已有40年的历史,在国际上已确认人工智能是当代高科技的核心之一。人工智能是一个广义词,各有说法,要对人工智能准确的定义或给出一般性的定义是有困难的,因此可用基本含义描述:人工智能是用机器

  (计算机)来模仿人类的智能行为,即上面的机器智能。在这个含义中关键是如何理解人类的智能,“智能”一词源自拉丁语Legere,字面意思是采集、收集和汇集,并由此进行选择。而Intellegere意思是从中进行选择,进而理解、领悟和认识。因此人工智能是要让机器进行收集、汇集、选择、理解、领悟和认识。现在人们所指的智能,是指人类在认识和改造客观世界的活动中由思维活动和脑力劳动所体现的能力,即理解和解决问题的能力。

  由人工智能的基本含义可知,它的研究领域是广泛的,它与其他学科是相互渗透的,属交叉学科,因此边界是模糊的。如在人工智能研究领域中的定理证明与数学、自然语言理解与语言学、认知模型与心理学、推理方法与思维学、机器人与机械学、模式识别与电子学、人工神经网络与生理学等都有交叉。另外,从人工智能学科的发展历史也可知,它所包含的分支内容也在不断变化,既有分出去的,也有新增加的人工智能的核心一直是该学科发展中争论的问题之一问题争论的基本原因是因为人工智能属交叉性学科,可以从不同学科的角度研究。根据人工智能的含义可以把人类思维活动过程作为研究目标,因此Newell以为思维规律是人工智能的研究核心,该观点来自哲学家Aristotle,他认为在人的思维活动中形式逻辑是一切推理活动的核心,并且Leibnit和Boole又进一步把形式逻辑符号化和数学化,从而能实现对人的思维进行运算和逻辑演绎推理。因此,早期代表人物是Newell和Simen等人,他们研究出通用问题求解程序,主要用于数学定理证明。后来又进一步研究通过计算机来模拟人类思维普遍规律,并认为只须建立一个通用的万能符号逻辑运算体系,就能求得问题的解答。但到今这样的可能符号逻辑体系并没有研究出来,其中存在的问题是没有充分利用定义域内的专门知识,即领域专家的积累经验和启发知识,这也是促进后来研究专家系统的推动力。在这期间,Nilsson的观点则认为在符号逻辑运算体系中的逻辑演绎方法是人工智能的研究核心。

  根据人类思维规律中以形式逻辑为研究核心暴露出来的问题,心理学家则主张直接研究人类在解决问题时的实际思维活动。他们认力人类的智能行为是建立在知识基础上的,即理解和解决问题的过程是依赖于人所具有的知识行事,所谓“知识就是力量”。具有这种观点的代表人物是斯坦福大学的Feigenbanm,他认为知识是人工智能的研究核心,人类的所有智能活动,即理解和解决问题的能力,甚至学习能力都完全靠知识,并于1977年的第五届国际人工智能大会上提出知识工程这一名词,后来知识工程成为人工智能领域卓有成就的分支之一。知识工程的目标是智能信息处理系统,它开创了以知识为基础的专家系统,即具有知识获取、知识表达、知识处理、知识运用的智能信息处理系统,它是以人实施的信息处理为模型来构造的。

  以上两种观点都是从人类思维活动的思维学和心理学的特性出发,通过计算机软件进行宏观的智能功能模拟,把客观世界构成形式模型,在人工智能发展史上称为功能派或心理学派。

  另有一派是从人脑的生理结构出发,认为大脑是一个智能问题求解系统,应把大脑构成形式模型,研究模拟思维活动的机理结构,即神经细胞、神经网络和脑模型的研究结构系统,因此称它们为结构派或仿生学派。这方面初期研究成果有:神经网络模型,它是通过神经网络的几种基本逻辑元件来组成的;感知机,它是模仿视觉,通过学习功能进行模式识别的脑模型;后来又研究出联想机,它是模仿脑的联想功能 (联想记忆、联想识别以及联想推理)。当时由于电子学受其他学科领域技术限制,在70年代后期研究进展不大。因人脑是由100亿个神经细胞构成的巨大神经网络系统,它是研究智能计算机的重要依据。80年代中期以来又再度掀起神经网络的研究热潮。

  在人工智能研究进程中,不管是哪种观点、哪个派别,都表明人工智能研究是极困难的,因此,还有待研究者们付出巨大的努力。

  人工智能的研究内容主要分为以下几个方面。

  基本原理

  (1)知识获取,研究机器如何从各种知识源获取知识的问题。

  根据知识源的不同,机器获取知识的途径可有直接或间接两种方式。

  机器直接获取知识是指机器直接接受客观世界的自然信息,并进行信息处理加工、如机器感知 (机器视觉和机器听觉等)。机器视觉是机器能进行文字、图像识别和物景分析,从而获取知识;机器听觉是通过对声音识别和语言识别来获取知识。另外还有通过机器对话 (自然语言对话和机器阅读对话)来获取知识,它是在机器视觉和听觉的基础上,再经机器思维和机器行为来构成的,这样获取的知识类型可以扩展,如经验知识等。以上涉及人工智能领域的研究内容是模式识别、自然语言理解等。

  机器间接获取知识是指人机交互式的知识传递。根据知识获取自动化程度可划分为人工知识获取、半自动知识获取和自动知识获取三种。

  人工知识获取是较常用的方式,它是以通过计算机键盘与计算机进行人机交互式的知识传递。在这种方式下知识获取过程为:求解问题的确定、问题域知识概念化和建立知识基本模型、有效知识表示模式。

  半自动知识获取是以智能编辑器为知识获取辅助工具,进行人机交互式的知识传递。在人工智能系统开发中,知识获取问题是最困难和最棘手的。首先要把问题域的各种知识源传递给程序设计员掌握,因此人工智能程序员必须与问题域的专家、工程技术人员、用户之间进行知识信息交换。由于受程序员对问题理解能力因素的限制,特别是领域专家的一些直觉知识很难准确地描述,也有虽然已获得知识,但受人工智能语言限制难以充分表达,因而会影响知识的确定性、有效性、以及会出现知识之间的不一致性等。智能编辑器可免去程序员与具有问题域的知识人员之间的中间知识传递,而由问题域的知识人员直接与机器交互传递知识,自动形成知识库,提高获取知识的可靠性,减少错误。这类半自动知识获取的学习策略仍需有问题域知识的人来指导学习,故又称指导注入式。

  自动知识获取是指人工智能系统在运行过程中,能对处理过的问题实例进行探索、归纳和总结,获取新的经验和知识或启发式知识,发现新知识。其相应学习策略是示例学习、类比学习、发现式学习等,这种学习具有一定的创造性。

  上述机器间接知识获取方法在人工智能研究领域的内容为机器学习、专家系统开发工具。

  (2)知识表示是研究如何在机器中表示知识的方法学问题。

  构造任何人工智能系统,在知识获取初级阶段是根据确定的问题域,把有关问题域的各种知识源经各种传递方式汇合给人工智能程序员,然后进入概念化阶段,该阶段要进行的工作有:对求解问题进行子问题分解;研究各问题涉及的定义、概念及相互关系;各知识的层次关系、因果关系;给定的信息和数据内容:专家的经验知识、启发知识和联想知识等。知识表示阶段是在概念化阶段所建立的求解问题基本模型基础上,把所确定的知识假设空间结构和数据特征结构,变换成一定的表示形式,且必须是机器可以接受的表示形式,因此该阶段实际是知识的模型化或形式化阶段。由于不同特性的知识描述,所用的表示模式不同,而且同一个问题亦可用不同的表示方法,但它们在效能上是有差异的,因此要用一定原则专门评估知识形式化工作。在人工智能中知识表示研究也是一个最基本的内容。现已有十几种表示方法,常用的有:产生规则表示法、过程式知识表示法、特征表示法、框架结构表示法、语意网络表示法等。

  (3)问题求解即运用存贮于机器中的知识形式进行相应知识处理的问题。

  求解问题的能力是衡量智能的重要尺度。在人工智能中问题求解应与传统程序的问题求解严格化分开。传统程序的问题求解是依靠建立数学模型和相应的算法进行;而人工智能中的问题求解是由思维规律和心理学出发建立模型。因此人工智能的问题求解是运用已有知识来推出结论,故推理方式与知识表示形式有密切关系,一般用搜索原理或逻辑演绎原理,在所构造问题域的空间内进行问题求解。搜索原理策略有宽度优先搜索、深度优先搜索、启发式搜索、博弈树搜索等。

  逻辑演绎是反复运用归结原理求解。全部知识推理过程是由控制器或推理机来引导实现,其基本控制策略有正向、反向、双向混合推理。

  问题求解是人工智能研究领域的核心课题之一。有许多分支课题都与它密切相关,如自然语言理解、模式识别、数学定理证明、智能机器人、机器学习、专家系统等都涉及问题求解。

  人工智能语言

  任何人工智能系统的构成必须有相应的语言。其作用是为了表达人类的思维活动,把问题域经形式化的知识有效地传递给机器,便于对求解问题基本模型的表示。自人工智能发展以来,由于应用领域广泛,对语言的要求也有所不同,目前较广泛应用的是 LISP和PROLOG两种语言。

  人工智能的应用研究

  人工智能的应用研究是指根据人工智能原理构成的智能信息处理系统,或称智能系统,它是专家系统、神经网络、模糊控制三者的总称,是在知识获取和知识表达基础上,通过问题求解策略进行知识信息求得问题的解答,或作出决策,或作出行为反应等。由于人工智能学科本身具有广泛性的特点,因此其应用研究也已深入各个学科和领域,并取得了显著成果。随着学科的发展已形成许多新的重要分支,如专家系统、智能机器人系统、自然语言理解系统、模式识别系统、机器学习系统、智能控制系统等。

  人工神经网络

  “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未稍相互联系,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■

  -9

  (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

  5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,以著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》的著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。

  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。