上个世纪80年代末，当人们对传统人工智能的热情开始消退时，人工神经网络的开发引起了人们的关注。神经网络不再是利用关于生活中各种概念的符号之间的联系来运算，而是根据代表问题和潜在答案的列表进行运算。这些人工神经元能根据一整套训练解决方案，学习各种关系，并最终形成“层叠”结构。于是，一个神经元系统的输出将变成了另一个系统的输入。IBM公司位于纽约州约克城高地（Yorktown Heights）沃森实验室(Watson Laboratory)的研究人员正在根据脊椎动物神经系统的生物特征进行研究和设计，构建“层叠”的神经元网络，以期使这个模型变得更加精致和复杂。

　　这项为期4年被称为“系统神经元运算”的项目具有深远的意义。IBM公司将这一项目的资助类别归到了“风险研究”类别之下。查尔斯·佩克（Charles Peck）是神经元运算研究的项目总监，他拥有神经元科学、数学和人工智能方面的背景，而研究员詹姆斯·科兹洛斯基（James Kozloski）是毕业于宾夕法尼亚大学（University of Pennsylvania）神经元科学系的博士，他在中心从事非洲淡水鱼神经系统的研究。

　　系统神经元运算旨在解决人工智能方面的一个难题：在写程序之前，就必须预先判断每项任务可能遇到的所有新问题，但要写出这样的程序，几乎是不可能完成的任务。普通的编程语言，如C语言，它的工作原理是编好指令，计算机必须根据这些指令来操作。但是当遇到一项任务，如阅读新文章时，它就无法发挥作用了—因为它没办法预先知道故事的单词将是什么，或者他们将以什么样的顺序出现，程序员自然也无法为此编写程序。“计算机科学的发展碰到了一大障碍。”佩克表示，“那些我们能把各方面因素都考虑到的东西，毕竟是少数，而我们日常所碰到的各种各样的偶然或突发的问题要多得多。这样，我们就没办法为此预先编写程序来解决这些问题。任何技术，当它要求你预先知晓未来发生的一切时，注定没有好结果。”到目前为止，研究员们已经编写了两个内部编程语言，来检测多层神经元网络如何能避开这个问题。

　　科兹洛斯基称，他和其他研究人员在今年3月公开发表了一篇论文。文章表示，他们能够识别模式，并避免一个被称为“叠加灾难” （Superposition Catastrophe）的问题。该问题是神经元网络所面临的一个重大障碍，即系统会误认为，两处不同来源的信息是来自同一个地方，或者系统会误将两个来源的信息进行折中考虑。（比如，神经元群A表达特征A，神经元群B表示特征B，当A与B重叠起来表达特征C时，A与B就消失了，这就是“叠加灾难”）。接下来将有一个论证，以数字化形式模拟人类的推理能力，比如看到虚线（Broken Line），就可以推断出完整的实线。这将是对如何建造看得见的计算机的一种先验的了解，科兹洛斯基补充说道。

标签：