2016年3月，AlphaGo（阿尔法狗）横空出世，战胜了围棋世界冠军、职业九段棋手李世石，一时名声大噪，让人工智能话题再次升温。阿尔法狗当然不是一只狗，它是一款围棋人工智能程序，它的核心就是人工神经网络。
提到神经网络我们首先就会想到生物神经网络，也就是人和动物的神经系统。神经系统的基本结构和功能单位是神经细胞（也称神经元），成人的大脑中约有1000亿个神经细胞。人的大脑就是由神经细胞所组成的一个错综复杂的通信网络系统，这些神经细胞之间相互接触进行交流，快速运行，处理着人体内各种复杂的问题，控制着我们的听觉、视觉、嗅觉、触觉等，让我们感觉到高兴或痛苦，甚至还能控制我们的心跳和体温。
（图片来自网络）
人工神经网络（Artificial Neural Network，即ANN ）是20世纪80 年代以来人工智能领域兴起的研究热点，是基于对人脑神经组织结构和运行机制的认识与理解的基础上模拟其结构和行为的一种工程系统。人工神经网络是一种运算模型，由大量的节点（也称“神经元”）相互连接构成，神经元是神经网络中的基本处理单元，它一般是一个多输入-单输出的非线性器件。
如今，人工神经网络发展迅速。今天的世界早已布满了人工神经网络的身影，比如 Google 的搜索引擎、股票价格预测、机器人学习、家庭助手等。人工神经网络在各个领域中已经得到广泛的应用，近十几年来也被越来越多地应用于医学领域，比如，疾病的诊断和预后、疾病的预测和预报、医学图像的分析处理、医学信号的识别和处理、临床诊疗专家系统的建立等。人工神经网络在药学研究中也有一定的应用，如在定量药物设计、药物分析、药动学/药效学研究中都有许多成功的案例。
那么，人工神经网络和我们人体内的神经网络究竟一样吗？
先来看看人体内的神经网络是怎样工作的。在生命初期人体内的神经元并没有形成系统和网络，可能只是一些分散的神经元。然而，如果仅仅靠单个的神经元，人类是永远没有办法像今天一样完成各种任务，处理各种复杂的问题的。那我们是如何靠这些神经元来解决问题的呢？当人体受到外界刺激，感受器将信号经神经元传递到大脑，大脑经过鉴定，然后下达命令，将信息传递到相应的效应器从而做出反应（如在明亮的光线处，瞳孔会缩小），这时候神经元即开始产生连接。这样的过程需要经过反复训练后，才能做出适当的判断，并且形成记忆储存于脑细胞中。任何新的刺激，如声音、景物、身体活动等，都会使得脑中某些神经元的树突和轴突生长，与其他神经元连接，构成新的网络。
再来看看人工神经网络，人工神经网络最重要的特征就是具有像人脑一样的自我学习能力，神经元之间通过训练产生连接，形成网络。人工神经网络在训练前，其输出是凌乱的，随着训练次数的增加，连接权重被不断调整，使目标值与输出值的误差逐渐减小直至为零。人工神经网络这种学习过程，好比一个试图学习识别物品的孩子，在尝试失败后，对答案的准确性进行反馈，完善对已知刺激反应的理解，完善学习机制来调节权重，以便提高对下次刺激反应的精准度。应该说，人工神经网络在结构上与生物神经网络相类似，但目前许多人类能完成的任务，它们还不能做到。
近年来，人工神经网络的发展取得了不小的进步，但还存在许多的问题，如训练数量庞大、训练速度有待提高、精确度不高、研究领域不够宽广等。因此，我们需要进一步提升神经网络的学习能力，提高学习精度和运算速度。随着人工神经网络理论和技术的不断发展，我们相信人工神经网络必将在各领域有着良好的发展前景。
