mp模型，变形金刚玩具mop 和g1是什么意思

本文目录一览

1，变形金刚玩具mop 和g1是什么意思
2，几道脑科学简史的问题急急
3，什么是神经计算
4，MP是什么
5，现在人工智能有哪些学派它们的认知观是什么
6，人工神经网络的发展

1，变形金刚玩具mop 和g1是什么意思

你说的是mp吧，MP（Master Piece）是变形金刚中的大师级，是对变形金刚经典版还原最大的玩具，做工非常精细。高度在40cm左右。g1是指最初版的玩具系列

不是MOP吧，是MP——Master Piece，大师作品系列，做的超精细的玩具，除了把玩，当模型收藏也很有意义。就那么几款，擎天柱、威震天、补天士、通天晓、钢锁、红蜘蛛、惊天雷、闹翻天。G1是Generation 1的意思，指一代，最初版的玩具系列

underaustin 的解释就是正确的

underaustin 正解

underaustin 正解再看看别人怎么说的。

变形金刚玩具mop 和g1是什么意思

2，几道脑科学简史的问题急急

1公元前343年 2 1791 年意大利解剖学家加伐尼（L.Galvani）偶然发现，如果将蛙腿的肌肉置于铁板上再用铜钩钩住蛙的脊髓，当铜钩与铁板接触时肌肉就会发生收缩，他把这种现象归因于动物电。3 心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。.jpg43年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949年，心理学家提出了突触联系强度可变的设想。4根据弗洛伊德的观点，梦都是“愿望的满足”—尝试用潜意识来解决各部分的冲突（在后来的《超越快乐原则》中，弗洛伊德认为梦并不是显示愿望满足。)。不过，由于潜意识中的信息不受拘束，通常让人难堪，潜意识中的“稽察者”不允许它未经改变就进入意识。在梦中，前意识比清醒时放松了此项职责，但是仍然在关注，于是潜意识被扭曲其意义，以通过审查。同样，梦中的形象通常并非它们显现的样子，按照弗洛伊德所说，需要用潜意识的结构进行更深的解释。

期待看到有用的回答！

几道脑科学简史的问题急急

3，什么是神经计算

我也要写人工智能论文。神经计算的概念可以看教材，王万森版的。其他版的也一样，看你们用什么教材了。论文可以去中国期刊网去搜。都是免费下的，pdf格式。

40年代心理学家Mcculloch和数学家Pitts合作提出的兴奋与抑制型神经元模型和Hebb提出的神经元连接强度的修改规则，他们的研究结果至今仍是许多神经网络模型研究的基础。 50年代、60年代的代表性工作是Rosenblatt的感知机和Widrow的自适应性元件Adaline。 1969年，Minsky和Papert合作发表了颇有影响的Perceptron一书，得出了消极悲观的论点，加上数字计算机正处于全盛时期并在人工智能领域取得显著成就，70年代人工神经网络的研究处于低潮。神经计算的优势：（1）可以充分逼近任意复杂的非线性关系（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性（3）采用并行分布处理方法，使得快速进行大量运算成为可能（4）可学习和自适应不知道或不确定的系统（5）能够同时处理定量、定性知识。

神经计算科学是人工智能的重要组成部分。神经计算科学是“神经”+“计算”的科学，是在细胞的水平上模拟脑结构和脑功能的科学，是关于人工神经系统或人工神经网络的原理、结构和功能的科学。本书阐述了神经计算科学的发展历史，神经计算科学的元素以及拓扑和组织；解析了十大经典人工神经系统：mp模型、感知器、自适应线性神经元网络、误差往回传播网络、小脑算术计算模型、径向基函数网络、hopfield网络、boltzmann机、自组织特征图以及自适应谐振理论模型；在解析神经计算模型的过程中讲述神经计算实例，特别是人工神经系统在机器人系统中应用的实例，展现了人工神经系统作为人工脑在机器人系统中的发挥的智慧源泉的作用。本书可供从事人工智能和认知科学、机器人学、自动控制以及模式识别与图像处理研究的科技工业者学习或参考，并可作为大学高年级学生或研究人工智能课的教材。

什么是神经计算

4，MP是什么

MP技术(Media network Protocol)是指流媒体网络协议,以及与其相关的完整的配套技术、产品、解决方案、杀手应用和商业模式.MP是一项为大规模视频流媒体应用而量身定制的、解决当前IP网络安全问题和商业模式的下一代网络技术.它提取了电信、网络和计算机技术领域中有关流媒体传输、储存和处理的各种基本手段,经过改造,融合成一个针对流媒体信息传输、储存和处理的不可分割的完整技术体系.根据OSI模型,MP定义在第2层,面向无连接的异步分组网,是一种高度优化的以太网.在传统业务范围内,MP与IP完全兼容.MP协议从结构上保证了网络的安全性、流媒体品质和网络的可扩展性,它可支持的网络用户数是互联网的65 000倍.MP协议实现了全网交换式虚拟电路,实现了全网无缝连接.MP网络技术从结构上取消路由表,消除交换机瓶颈;实现了协议操作与内容送达分离,消除服务器瓶颈;实现了专用流媒体硬盘操作系统,消除储存器瓶颈.MP协议将商业规则植入通信协议,保证运营商的盈利模式.MP基本思想在于以资源预留的方式实现QoS保障.MP网络的用户数据包在传输中根本就不打开(EEUP),没有病毒泄漏的条件.MP接入网配备了上行数据包过滤功能(ULPF),所以MP网络是无菌的.MP网络的通信和管理都建立在底层(第2层),先管理后通信.用户使用MP网络提供的任何服务,都必须先向工作服务器提出申请,由工作服务器进行5项例行审查.MP将行之有效的商业模式移植到网络环境之中.MP网络的分层自治结构(LANS)确保在不增加复杂度的前提下可将网络规模扩展至全球范围.MP技术可解决有线电视的内容个性化问题和内容安全问题.MP的后台网络采用DWDM到社区,具备海量带宽,足以满足全城用户的个性化服务.MP网络只有经过计费认证管理后,才将内容送到用户家,不存在加密问题,配合MP精确计费能力为供应商构筑了信得过的内容送达渠道.MP网络电视除了比有线电视HFC网具有更高品质、更多功能、更大容量外,由于省去了Cable Modem和CA认证,MP机顶盒理论成本可降一半.MP技术可解决IP(包括IPv6)无法解决的端到端的QoS、延迟、下载时间、依赖大量内存(硬盘)的媒体播放技术等问题.MP网络从结构上杜绝黑客、病毒.IP与MP面向不同的市场,IP是针对桌面为中心的计算机信息市场,视频服务将永远是IP的非主流补充性业务,而MP是针对客厅为中心的电视机娱乐市场量身定制的视频服务,两者将长期互补共存.对电信网来说,MP技术是量身定做的视频流媒体网络技术,MP网络能够盘活骨干网上大量的剩余带宽资源,为电信网络业带来大量增值业务,使电子商务和电子政务更加人性化.MP网络不改变现有的电信和互联网,MP技术既保护了原有投资,更能保护现在和未来的投资.在MP技术的影响下,下一代电视网络的发展方向将是以客厅为中心的个性化家庭娱乐和通信交流的综合平台.MP技术在上海、南京、北京、香港进行了试验或演示,与德州仪器合作开发MP over DSL方案,目前正与南方一家电信宽带运营公司合作建设市内1 000个独立并发流的视频会议专网系统,与另外一家公司正在商谈建设省际视频通信专网.MP已完成4.0版,具备电信级运营能力.MP网络系统正朝多样化用户终端、提升单端口(单波长)带宽、提升DWDM波分密度方向发展.在三网融合的进程中,我们应进一步深入研究MP技术对下一代网络和有线电视网发展的影响,采用MP技术进行有线电视网的试验,学习、引进、综合运用新技术,巩固原有基础业务,开发拓展新型业务,开发可盈利、可管理的商业模式,探索可持续发展的商业模式,构建和谐、可持续发展的产业模式,打造产业生态发展链,以业务发展、技术发展、网络发展推进体制整合.

猫扑

晕！又吾讲系咩范围！！！MP有好多意思啦！猪头！my pig~~~MOBILEPHONE~~总之就有好多啦！

是MOBILEPHONE的所写，意思是移动电话

5，现在人工智能有哪些学派它们的认知观是什么

人工智能各学派简介：符号主义，连接主义，行为主义2007-06-15 02:41人工智能各学派简介目前人工智能的主要学派有下面三家： (1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。 (2)连接主义(connectionism)，又称为仿生学派(bionicsism)或生理学派(physiologism)，其主要原理为神经网络及神经网络间的连接机制与学习算法。 (3)行为主义(actionism)，又称为进化主义(evolutionism)或控制论学派(cyberneticsism)，其原理为控制论及感知-动作型控制系统。他们对人工智能发展历史具有不同的看法。 1、符号主义认为人工智能源于数理逻辑。数理逻辑从19世纪末起得以迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又再计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT逻辑理论家，证明了38条数学定理，表了可以应用计算机研究人的思维多成，模拟人类智能活动。正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法->专家系统->知识工程理论与技术，并在20世纪80年代取得很大发展。符号主义曾长期一枝独秀，为人工智能的发展作出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。这个学派的代表任务有纽厄尔(Newell)、西蒙(Simon)和尼尔逊(Nilsson)等。 2、连接主义认为人工智能源于仿生学，特别是对人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，伟神经网络计算机走向市场打下基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。 3、行为主义认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。 --------《人工智能及其应用(第3版)》

6，人工神经网络的发展

人工神经网络（ Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht—Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。” 这一定义是恰当的。人工神经网络的研究，可以追溯到 1957年Rosenblatt提出的感知器(Perceptron)模型。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络 BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。 1. 人工神经网络的特点人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注： (1)可以充分逼近任意复杂的非线性关系； (2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； (3)采用并行分布处理方法，使得快速进行大量运算成为可能； (4)可学习和自适应不知道或不确定的系统； (5)能够同时处理定量、定性知识。人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。 2.人工神经网络的主要方向神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类： 1)．利用神经生理与认知科学研究人类思维以及智能机理。 2)．利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。应用研究可分为以下两类： 1)．神经网络的软件模拟和硬件实现的研究。 2)．神经网络在各个领域中应用的研究。这些领域主要包括：模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。

人工神经网络（Artificial Neural Networks, ANN），一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。（引自《环球科学》2007年第一期《神经语言：老鼠胡须下的秘密》）概念由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：（1）非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。（2）非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。（3）非常定性人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。（4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。历史沿革 1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949年，心理学家提出了突触联系强度可变的设想。60年代，人工神经网络的到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。M.Minsky等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了《Perceptron》一书，指出感知器不能解决高阶谓词问题。他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ART网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神经网络的研究和发展奠定了基础。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。 1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构地研究，提出了并行分布处理的理论。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。在日本的“真实世界计算（RWC）”项目中，人工智能的研究成了一个重要的组成部分。基本内容人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：（1）前向网络网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。（2）反馈网络网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。根据环境的变化，对权值进行调整，改善系统的行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。当样本情况发生变化时，经学习可以修改权值以适应新的环境。使用监督学习的神经网络模型有反传网络、感知器等。非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。此时，学习规律的变化服从连接权值的演变方程。非监督学习最简单的例子是Hebb学习规则。竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型。研究神经网络的非线性动力学性质，主要采用动力学系统理论、非线性规划理论和统计理论，来分析神经网络的演化过程和吸引子的性质，探索神经网络的协同行为和集体计算功能，了解神经信息处理机制。为了探讨神经网络在整体性和模糊性方面处理信息的可能，混沌理论的概念和方法将会发挥作用。混沌是一个相当难以精确定义的数学概念。一般而言，“混沌”是指由确定性方程描述的动力学系统中表现出的非确定性行为，或称之为确定的随机性。“确定性”是因为它由内在的原因而不是外来的噪声或干扰所产生，而“随机性”是指其不规则的、不能预测的行为，只可能用统计的方法描述。混沌动力学系统的主要特征是其状态对初始条件的灵敏依赖性，混沌反映其内在的随机性。混沌理论是指描述具有混沌行为的非线性动力学系统的基本理论、概念、方法，它把动力学系统的复杂行为理解为其自身与其在同外界进行物质、能量和信息交换过程中内在的有结构的行为，而不是外来的和偶然的行为，混沌状态是一种定态。混沌动力学系统的定态包括：静止、平稳量、周期性、准同期性和混沌解。混沌轨线是整体上稳定与局部不稳定相结合的结果，称之为奇异吸引子。一个奇异吸引子有如下一些特征：（1）奇异吸引子是一个吸引子，但它既不是不动点，也不是周期解；（2）奇异吸引子是不可分割的，即不能分为两个以及两个以上的吸引子；（3）它对初始值十分敏感，不同的初始值会导致极不相同的行为。发展趋势人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。