设计一种具有人脑的应变性和创造性的人工智能系统，是计算机科学的最早目标之一。不幸的是，尽管在微电子学和数字计算方面已取得突飞猛进，但它仍是没有解决。利用计算机出色地完成困难的任务，是近几年来在Al（Artificial Intelligence）人工智能领域中所取得的极大进展，这些任务包括下棋、会诊和复杂分子的化学结构推断。

虽然当今的超级计算机具有令人惊奇的计算能力以及AI系统具有复杂、有效的组织能力，但它仅能做一些非常简单的工作，要做到对一些基本事务的处理还远远不够。例如，理解并进行连续的谈话，在二维空间检测器的微噪音的协助下能进入复杂而又具有重力的三维空间体系，以及利用通常的感觉能够进行推断等。大多数人们认为完成这些任务是容易做到的，然而AI系统要处理这些事务需要人类长时间的艰苦的探索。

这种状况使得从事神经科学、心理学、数学、物理学、计算机科学以及电子工程领域的科学家们得出结论，智能生物系统，例如像人脑，和许多AI系统相比，是依靠基本的不同的神经元进行组织、思维。尽管他们所从事科学研究的背景与领域不同，但研究者有一个共同的目标，就是试图获得对智能生物系统是如何解决极其复杂问题的本质理解，并利用这些原理去设计和建立AI系统，以便解决复杂问题。

从两个不同的侧面可以看出智能生物系统所独有的特点——硬件的使用以及控制策略的使用。生物硬件最基本的要素是神经元、突触系统、树突以及在复杂网络中连接不同神经元的轴突。除此之外，还有许多控制这些单元行为的不同的生物化学反应。据推测得知，人脑有高达10¹⁰个神经元，而每个神经元通过变化的突触又大约和另外100万个神经元相联系。因此，这种系统约有10¹⁶个自变量，而在普通的计算机系统中，包括RAM和全部储存容量，仅有10¹⁰个自变量，但是由于生物系统的自变量变化比计算机系统的自变量变化慢一百万倍，因此，仅仅以自变量的数量多少并不能解释二者能力的差异。

很明显，计算智能的分布是解决问题的关键所在。在生物系统中，计算负载最终主要分布于信息和决策之间，因此在任何给定的时间内，大部分决策单元执行重要的计算。而对计算机系统，在任何给定的时间内，仅使用全部硬件的极少部分进行计算。因此，生物系统更有效地使用了可使用的计算智能。

由于生物系统决策单元具有很好的分布并且过剩，所以使之有更大程度的对部分硬件出错的容忍力——这种特点是计算机所没有的。生物系统中信息传递不仅同时发生于决策单元之间，而且也和外部世界相联系。电子的超级计算通过加快各个决策单元的计算速度以及增强它们之间的相互联系使得计算问题变成了输入/输出问题。完全有理由说，生物计算系统的超常结构决定了它有着独特的功能。

生物系统的另一重要特点是注重于自我组织和学习。数字电子系统则依靠软件进行控制和数据信号的运行。这种特点可以证明神经环路有着重要作用，因为网络结构可以从对问题的部分描述形成一完整的内部再现。这样为了解决问题完全理解它就不再必要。除此之外，以同样方式确立的学习规则可以成功地应用到同一范围内的所有其它问题中去，从对发现类似性问题之间的差别的理解而可以变换目标。

在传统的计算中，解决一个问题通常含有几个明晰的步骤，它包括确定问题，选择解决方法和计算方法，将计算方法编制成程序以及进行计算。计算由程序控制通常最能令人全神贯注。高速计算机的发展可以减轻计算负载，但没有相应的对程序的研究和对问：题的分析和确立，它自己本身并不能进行高度系统性的工作。

生物系统被认为是真正的自我组织系统，正倾向于在单一系统中把解决问题的不同步骤完全融合起来。因此，通过对已知事物的简单描述，信息、传递和决策过程，在数据和决策单元之间相互作用方面建立起总的边界条件，就可以代替那些费时并且难于理解的问题的确立以及方法/算法的选择。复杂的机器人可以通过“记忆”而运行。同样，知识的获得、再现、更新以及补偿可以作为支配着基本的神经元和突触之间相互作用规则的自然产物。

神经环路研究是一项冒险事业。人脑提供了难以克服的挑战。并且即使可以理解某_独立过程，它超越大脑功能的重要性仍是不解之谜。在这方面，神经生理学正类似心理学。如果你希望证明为什么一个特殊过程会发生，你可能会利用较少的想象力和较多的资料。不幸的是，没有已知的方法能用来可靠地证实这种类型的理论，并且在实验神经科学方面正进行着革命性的发展。所有这一切都在我们的想象之中。同样，为了解决某个特殊问题而写出的非线性的二次动力学方程就可以做到对神经系统的模拟，并不考虑它们怎样被实现，也不延缓和解决不可避免的和事实的极为不符。

由于神经科学和计算机科学在理解难以确立的问题的深度方面的缓慢发展，意识到智能生物系统和AI系统的强大作用，并对建立在计算机系统之上的神经环路进行深入研究确实是明智的典范。

[Computer Design，1987年3月]