1.2.2　连接主义流派

连接主义流派又称为仿生流派或生理流派，其应用的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。连接主义流派的观念是通过模拟人类神经系统的结构与功能，试图使机器拥有智能。连接主义流派的代表性成果是心理学家沃伦·麦卡洛克（Warren McCulloch）和数理逻辑学家沃尔特·皮茨（Walter Pitts）于1943年提出的MP神经元模型。MP神经元模型将生物神经系统中的神经元用数学模型描绘出来，其主要原理如下：某个神经元接收到来自其他n个神经元传递过来的输入信号，然后将这些输入信号通过带权重的连接向后进行传递（神经元接收到的总输入值需超过神经元的阈值），最后通过“激活函数”处理以获得神经元的输出。

MP神经元模型开辟了用电子装置模拟人脑结构的新途径，从而开创了人工神经网络研究的时代。然而，由于计算设备条件的限制，加上20世纪60年代，连接主义流派在与符号主义流派对项目和资金的竞争中失败，连接主义流派陷入困境，脑模型的研究也逐渐落入低潮期。直到20世纪80年代，约翰·霍普菲尔德（John Hopfield）教授提出用硬件模拟神经网络，大卫·鲁姆哈特（David Rumelhart）等人提出多层神经网络中的BP反向传播算法等，脑神经科学研究才取得重大进展，连接主义流派的研究也逐渐有了新的突破。2006年，深度学习技术的瓶颈被突破，深度网络难以收敛的问题得到解决，深度学习迅速发展，连接主义流派也得以发展和重振。