原因之一是希望了解我们自己的思想，这是从我们大脑中的神经处理中产生的。另一个原因是近年来通过结合大量数据集和深度学习技术实现的机器学习的进步。

什么是神经网络？

为了更好地理解整体，我们将首先讨论构成它的各个单位。神经网络可能是指一个“真实”的生物神经网络，例如你的大脑中的神经网络，或者是一个在计算机中模拟的人工神经网络。

为何开发人工神经网络？

建立人工大脑模型的可以对神经科学，大脑和神经系统的进行研究。人们认为，通过足够详细地描绘人类大脑，我们可以发现人类和动物的认知和意识的秘密。

我们有点偏离了课程的主题。事实上，构建人工神经网络的另一个主要原因与理解生物系统没有多大关系。它是以生物系统作灵感来建立更好的人工智能和机器学习技术。这个想法很自然：大脑是一个非常复杂的信息处理系统，能够处理各种各样的智能行为（偶尔还会有一些不那么聪明的行为），因此，当我们试图创建人工智能系统时，寻找它的灵感是有意义的。

自20世纪60年代以来，神经网络一直是AI的主要趋势。最后一部分，我们将会讲到人工智能历史上的曾经流行的东西。目前，神经网络再次位列榜首，因为深度学习被用来在自然语言和图像处理等许多领域取得显著的进步，而传统上这些领域都是AI的痛点。

神经网络有什么特别之处？

一般而言，神经网络作为人工智能方法的一种，其依据与基于逻辑的方法类似。人们认为为了实现人类层次的智能，我们需要模拟更高层次的思维过程，尤其是使用逻辑规则操纵代表某些具体或抽象概念的符号。

神经网络的观点是，通过在神经元和神经网络的层次上模拟低层次、亚符号（subsymbolic）的数据处理，智能就会出现。听起来很合理，但请记住，为了制造飞行器，我们不会制造那些扇动翅膀的飞机，也不会制造由骨骼、肌肉和羽毛组成的飞机。同样，在人工神经网络中，神经元的内部机制通常被忽略，人造神经元通常比自然神经元简单得多。当人工模型的目标是建立AI系统而不是模拟生物系统时，自然神经元之间的电化学信号传递机制也大多被忽略。

与计算机传统工作方式相比，神经网络具有一些特殊特征：

神经网络的关键特征1

例如，在传统的计算机中，信息在CPU中处理，处理器一次只能集中处理一件事情。CPU可以从计算机内存中检索要处理的数据，并将结果存储在内存中。因此，数据存储和处理由计算机的两个独立组件处理：内存和CPU。在神经网络中，系统由大量的神经元组成，每个神经元都可以独立处理信息，因此神经元不是一个接一个地处理每一条信息，而是同时处理大量信息。

神经网络的关键特征2

第二个区别是数据存储（内存）和处理不像传统计算机那样分离。神经元既存储和处理信息，不需要从存储器中检索数据进行处理。这些数据可以短期存储在神经元本身（可以在一定时间内使用），也可以长期存储在神经元之间的连接（也就是权重）中，我们将在下文中讨论。

由于这两个差异，神经网络和传统计算机适用于有些不同的任务。尽管在传统计算机中模拟神经网络是完全可能的，而这正是他们长期使用的方式，但只有当我们使用能够同时处理许多信息的特殊硬件时才能发挥最大能力。这被称为并行处理。顺便提一下，图形处理器（或图形处理单元，GPU）具有这种能力，它们已经成为运行大量深度学习方法的经济有效的解决方案。