許多人工智能計(jì)算機(jī)系統(tǒng)的核心技術(shù)是人工神經(jīng)網(wǎng)絡(luò)(ANN)，而這種網(wǎng)絡(luò)的靈感來(lái)源于人類(lèi)大腦中的生物結(jié)構(gòu)。通過(guò)使用連接的“神經(jīng)元”結(jié)構(gòu)，這些網(wǎng)絡(luò)可以通過(guò)“學(xué)習(xí)”并在沒(méi)有人類(lèi)參與的情況下處理和評(píng)估某些數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)提供了位于托管數(shù)據(jù)之上的排序和分類(lèi)級(jí)別，可基于相似度來(lái)輔助數(shù)據(jù)的聚類(lèi)和分組?？梢允褂萌斯ど窠?jīng)網(wǎng)絡(luò)(ANN)生成復(fù)雜的垃圾郵件過(guò)濾器，查找欺詐行為的算法以及可以精確了解情緒的客戶(hù)關(guān)系工具。

人工智能的主流研究方法是連接主義，通過(guò)人工構(gòu)建神經(jīng)網(wǎng)絡(luò)的方式模擬人類(lèi)智能。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，即ANN )，是20世紀(jì)80 年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。它從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象， 建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)借鑒了生物神經(jīng)網(wǎng)絡(luò)的思想，是超級(jí)簡(jiǎn)化版的生物神經(jīng)網(wǎng)絡(luò)。以工程技術(shù)手段模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，通過(guò)大量的非線性并行處理器模擬人腦中眾多的神經(jīng)元，用處理器復(fù)雜的連接關(guān)系模擬人腦中眾多神經(jīng)元之間的突觸行為。

人工智能與神經(jīng)的作用都是作為事件處理的,象人工智能實(shí)現(xiàn)自動(dòng)處理文檔,模擬生物反應(yīng),神經(jīng)對(duì)各種外界刺激作出的反應(yīng),本質(zhì)上都是對(duì)事件的處理.人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的奧秘中得到啟發(fā)，試圖用大量的處理單元(人工神經(jīng)元、處理元件、電子元件等)模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。

人工神經(jīng)網(wǎng)絡(luò)首先為神經(jīng)元之間的連接權(quán)重分配隨機(jī)值。ANN正確而準(zhǔn)確地執(zhí)行其任務(wù)的關(guān)鍵是將這些權(quán)重調(diào)整為正確的數(shù)字。但是找到合適的權(quán)重并不是一件容易的事，特別是當(dāng)您處理多層和成千上萬(wàn)的神經(jīng)元時(shí)。通過(guò)對(duì)帶有注釋示例的網(wǎng)絡(luò)進(jìn)行“培訓(xùn)”來(lái)完成此校準(zhǔn)。例如，如果您要訓(xùn)練上述圖像分類(lèi)器，則可以為其提供多張照片，每張照片均標(biāo)有其相應(yīng)的類(lèi)別(人，汽車(chē)或動(dòng)物)。當(dāng)您為它提供越來(lái)越多的訓(xùn)練示例時(shí)，神經(jīng)網(wǎng)絡(luò)會(huì)逐漸調(diào)整其權(quán)重，以將每個(gè)輸入映射到正確的輸出?；旧希?xùn)練期間發(fā)生的事情是網(wǎng)絡(luò)進(jìn)行自我調(diào)整以從數(shù)據(jù)中收集特定模式。同樣，對(duì)于圖像分類(lèi)器網(wǎng)絡(luò)，當(dāng)您使用質(zhì)量示例訓(xùn)練AI模型時(shí)，每一層都會(huì)檢測(cè)到特定的特征類(lèi)別。例如，第一層可能檢測(cè)到水平和垂直邊緣，第二層可能檢測(cè)到拐角和圓形。在網(wǎng)絡(luò)的更深處，更深的層次將開(kāi)始挑選出更高級(jí)的功能，例如面部和物體。

機(jī)器學(xué)習(xí)是人工智能的核心，是使計(jì)算機(jī)擁有智能的根本途徑。機(jī)器通過(guò)學(xué)習(xí)模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。這其中涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)是早期機(jī)器學(xué)習(xí)中的一個(gè)重要的算法，神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個(gè)神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡(luò)具有離散的層、連接和數(shù)據(jù)傳播的方向。

經(jīng)過(guò)幾十年的發(fā)展，到目前為止，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了深度學(xué)習(xí)階段，在這一階段提出了許多新的神經(jīng)網(wǎng)絡(luò)模型，比如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等等。同時(shí)，深度學(xué)習(xí)又為人工神經(jīng)網(wǎng)絡(luò)引入了新的“部件”，比如卷積層、池化層等。如今深度學(xué)習(xí)已非“人工神經(jīng)網(wǎng)絡(luò)”一詞所能完全替代，可謂是“青出于藍(lán)，而勝于藍(lán)”，它已發(fā)展出一整套復(fù)雜的知識(shí)體系，哪怕只進(jìn)行概要性地介紹也都會(huì)花費(fèi)大量的篇幅，因此這里不做重點(diǎn)討論?？v觀人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，從生物神經(jīng)元起源，再到多層感知器模型，歷經(jīng)三起兩落，終于成為機(jī)器學(xué)習(xí)算法中的佼佼者。理解人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，同時(shí)掌握各個(gè)模型的核心思想，對(duì)于后續(xù)知識(shí)的學(xué)習(xí)非常重要。