神经网络的回归：联结主义模型与符号模型的竞争

欢迎大家来到IT世界,在知识的湖畔探索吧!

在20世纪80年代中期，神经网络迎来了复兴，并且在现代仍然发挥着重要作用。它起源于20世纪60年代初期的反向传播学习算法，而在20世纪80年代中期，至少有4个不同的团队重新发明了这一算法。这项学习算法被称为反向传播(back-propagation)，在计算机科学和心理学等领域中广泛应用，并在1986年的《Parallel Distributed Processing》合集中产生了重要研究成果，引起了广泛轰动。

神经网络的复兴引发了一场关于不同人工智能方法之间的竞争，特别是与传统符号模型和逻辑主义方法之间的对抗。这些传统方法认为人类思维主要通过符号推理和逻辑来实现。然而，联结主义模型却持不同观点。它们认为符号描述对于人工智能可能是一种限制，类似于19世纪物理学家认为的“光以太”，而这种介质实际上并不存在。联结主义模型认为人类思维可能以一种更流畅和不精确的方式形成内部概念，更适应真实世界的复杂性。

特伦斯·迪肯在他的著作《符号化动物》中指出，人类操纵符号似乎是显而易见的，这是人类的决定性特征。然而，联结主义模型的领军人物杰弗里·辛顿将符号描述比作“人工智能的光以太”，暗示其存在着类似光以太的问题。实际上，很多我们在语言中命名的概念经过仔细检查后，并未能完全满足早期人工智能研究人员希望以公理形式描述逻辑定义的条件。

联结主义模型具备从样本中学习的能力，它们可以将预测输出值与问题的真实值进行比较，并通过修改参数来减少差异，从而使它们在未来的样本中表现更好。这种学习能力为神经网络在现实世界中的应用带来了很大的优势。

总结来说，神经网络的回归是通过反向传播学习算法在20世纪80年代中期复兴的。在与传统符号模型和逻辑主义方法的竞争中，联结主义模型提供了一种更适应真实世界的学习方式，并具备从样本中学习的能力。这使得神经网络在当今科学和技术领域中扮演着不可或缺的角色。