人工智能领域中的神经网络系统

由于人工智能自上而下法的局限，在这一领域的尝试已经转而采用一种自下而上的方式，即模仿进化过程和婴儿学习的方式。例如，与超级计算机的处理方式不同，昆虫并不是通过扫描周围环境再将其压缩成数万亿个像素来进行导航的。取而代之的是，昆虫的大脑是由“神经元网络”组成的，通过投入充满敌意的世界来慢慢学会在如何在其中行走。

在麻省理工学院，能行走的机器人声名狼藉，难以通过自上而下的方式制造出来。但是，投入周围环境、从零开始学习的简单的昆虫形态的机械生物，已经能成功地在几分钟内绕着麻省理工学院的楼梯小步疾跑了。麻省理工学院著名的人工智能实验室由于其巨大、笨拙的“自上而下”的行走机器人而闻名，其负责人罗德尼•布鲁克斯在探索微型“昆虫”机器人这一概念的时候变成了“异端者”。这些“昆虫”机器人在磕磕绊绊中学习老式行走方式。他没有使用复杂的计算机程序来精确计算它们行走的时候脚的精确位置，而是以很少的计算机能力，通过测试与错误来协调它们的腿部动作。

今天，许多布鲁克斯发明的昆虫机器人的后代正在火星上为NASA（美国国家航空航天局）收集数据，依靠自己的思想小步疾跑，穿过荒凉的火星表面。布鲁克斯相信他的昆虫适合对太阳系的探索，非常理想。

布鲁克斯的项目之一是COG，目的是制造一台具有6个月大婴儿的智力的机器人。COG的外表像是一团乱糟糟的电线、电路和齿轮，只不过它有头、双眼和手臂。它没有被写入任何智能法则。取而代之的是，它的双眼注视着一位人类训练师，他试着教会它简单的技能。

虽然有模仿昆虫行为的成功案例，但当编程人员试图在机器人身上复制哺乳动物等高等动物的行为时，使用神经网络系统的机器人都表现得极差。

最先进的使用神经网络系统的机器人可以在房间里走动或者在水中游泳，但它无法像狗一样在森林里跳跃和狩猎，或者像老鼠一样在房间里四处快跑。许多大型神经网络系统机器人可能会由数十个到数百个神经元构成，然而，人类大脑拥有超过1000 万个神经元。线虫是一种简单的蠕虫，其神经系统已经被生物学家完全绘制出来。它的神经系统仅有300多个神经元，这使得它的神经系统成为自然界中发现的、或许是最为简单的神经系统之一。这些神经元之间有7000多个突触。即使像秀丽隐杆线虫这样简单的生物，其神经系统也极为复杂，以至没有人能够建立其大脑的计算机模型。（1988年，一位计算机专家预测，到目前为止，我们应该拥有具备超过1 亿个人造神经元的机器人。事实上，具备超过100个神经元的神经系统就被认为很杰出了。）

最为讽刺的是，机器能够毫不费力地完成人类认为“困难”的工作，比如将很大数字相乘或者下棋；但是机器在被要求完成对于人类而言极简单的工作时（比如走过一间房间、辨认面孔或者与朋友说长道短）却会严重出错。原因是，我们最先进的计算机在本质上仅仅是做加法的机器。可是，我们的大脑是经过进化的精心设计，以解决世俗的生存问题的，这需要一整套复杂的思维结构，如常识和模式识别。在森林中生存并不依赖于微积分或国际象棋，而是依靠躲避天敌、寻找配偶，适应不断变化的环境。

麻省理工学院的马文•明斯基，人工智能最初的奠基人之一，这样总结人工智能所存在的问题：“人工智能的历史有点儿可笑，因为最初的实际功绩都是美丽的事物，比如能够做出逻辑论证或者在微积分课题中取得好成绩的机器。但随后我们开始试图制造能够回答关于初级阅读材料中简单故事的问题的机器。目前没有机器可以做到这一点。”

综上所述，随着科技的发展，最终将会出现介于自上而下和自下而上两种途径之间的绝妙综合体，它或许将提供通向人工智能和类人机器人的道路的关键。归根结底，当一个孩子学习的时候，虽然他最初主要依赖自下而上法，投入他周围的环境，但最终他会获得来自父母、书本和学校教师的指点，用自上而下法学习。作为成年人，我们不断将这两种方式混合使用。