为何总感觉人工智能和神经科学（神经网络）被绑在一起？
人工智能的发展主要分为三个阶段，运算智能、感知智能以及认知智能；人工智能的发展方式和人类成长是相反的，机器的优势在于超强的运算能力，但是缺乏对外界信息进行采集和分析处理的能力，人类的优势在于理解、认知以及情感。
在运算智能阶段，人工智能往往是通过大规模的晶体管或者是芯片，通过二进制的优质算法对信息进行快速处理和运算，但是在长期的实践过程中，人们发现这样的人工智能智能处理你输入给他的数据，而无法自动获取数据，无法对事情做出感知和预判，这时人们就开始研究感知智能；
感知智能阶段，这一阶段机器可以通过摄像头、红外感应、GPS定位以及各类传感器，让机器能通过模拟人类或者动物的各种感官来实现自主的信息收集和分析处理，但是这一阶段反馈出了另一个问题，机器虽然能感知会计算，但是机器无法判断对错，无法自主学习、无法实现感情认知；
认知智能阶段，人们想通过模拟人脑的运行和工作机制来分析出人类为什么能具有感情，能认知对错，能自主学习，所以神经科学就是最值得借鉴的案例，但是由于人脑、神经非常复杂，所以至今不能模拟出真正具有感情的机器人，或者说人工智能。
当然现阶段的人工智能大多是基于深度神经网络、卷积神经网络算法来模拟人类的思维模式，希望通过大量的数据积累和自主学习来实现从量变到质变的转化，但是实现的可能性行业内都不是特别乐观。
为何总感觉人工智能和神经科学（神经网络）被绑在一起？
西方科学家认为人的大脑主要靠神经元思考，它不是单个神经元，而是几万几亿神经元联系在一起。
西方科学家认为神经元的思考和互相之间的影响就类似向量叉积的方式进行。
叉积是两个向量的乘机。其中一个向量的数字序列是输入参数，另一个数字序列是类似“思考印象”（自起名）的序列。
西方科学家认为，人的思考就像很多信息输入，经过和“思考印象”相乘，然后得出一个数字作为真假的结论判断依据。注意：一个叉积运算的结果只能判断是否为真或者假，往往通过和某个值的大小判断来决定真假。人的学习和训练过程就是不断调整“思考印象”这个向量。
而人工智能就是用计算机的算力来模拟这个西方科学家认为的大脑学习过程和思考过程。
人工智能的基本过程就是先给训练程序大量输入参数，人工智能分配一个初始的“思考印象”向量。然后每组参数你都告知正确答案，由人工智能训练平台，通过遍历所有输入参数和答案来不断调整“思考印象”这组数据。
然后把这组数据部署在应用程序当中，应用程序就拿这个训练的结果作真假判断。
人工智能说得就是这个东西，至于训练平台，基本都是老外开发的。中国人做得最多的事情就是收集数量庞大的训练样本，然后开机跑好几天去训练学习，学习完成之后再把结果数据库部署在应用程序当中，或者服务器端。
人工智能只是西方科学家认为的那种方式，科学家的认知有没有问题，还有待以后继续验证。也有一些生物学家正在验证这样的事情，比如欧洲有个团队标注了某只虫子的所有神经元细胞位置，并试图跟踪虫子思考时物质传递过程。
人工智能的成熟度会随着生物学家对大脑的理解更加深入而进一步发展。先有模型是一种线性计算模型，还是原始简单的极端模型。
内容仅供参考，如果您需解决具体问题(尤其法律、医学等领域)，建议您详细咨询相关领域专业人士。
版权声明：文章内容来源于网络，版权归原作者所有，如有侵权请与我们联系，我们将及时删除。
