資訊計算學派
的研究成果，
無論智慧型化計算機語言、框架理論還是專家系統，雖然都各自提出了知識的表達方式，卻不能解決乙個關鍵的問題，那就是知識如何獲取。在這一點上，神經網路學派恰好填補了空白，尤其在網際網路時代，在資訊科技積攢的海量資料面前，如何挖掘這一阿里巴巴式的洞藏寶藏，具備學習能力的人工神經網路便大顯身手了，加上其學習能力一再提公升，當深度學習橫空出世，阿爾法狗
戰勝世界圍棋冠軍
柯潔時，神經網路學派已是後來居上，成了人工智慧的主力軍。
神經網路學派著眼於對
大腦神經系統工作方式的探索和模擬
，就發展歷史來看，可以分為四個階段：啟蒙期、低潮期、復興期和興盛期。
啟蒙期：2023年代至2023年，標誌性事件有：2023年代，威廉.詹姆斯第一描述了神經細胞的工作原理，2023年，
麥卡洛克和皮特斯提出了m-p神經元模型，第一次用數學方式描述了神經元的工作原理，成為人工神經網路的起點，2023年，唐納德·
赫布**了人類的學習規則，其學習假設是重複啟用使相關鏈結權值得到加強。2023年羅森布拉特提出了感知器及其收斂定理。不久威德羅和特德·霍夫提出
widrow-hoff神經網路演算法，第一次給出了乙個具體的學習演算法lms，其實質是基於均方誤差的線性學習準則。
低潮期：2023年，明斯基出版《感知器》，指出感知器存在致命缺陷，一是只能用於線性問題的求解，二是感知器理論上還不能證明其具備多層意義。由此，人工神經網路從此陷入低潮，一直持續到80年代初期。雖然是低潮期，但這一階段並非空白，仍有科荷倫的自組織網路、格羅斯伯格的自適應共振理論和福島邦彥的新認知機相繼提出。
復興期：從2023年霍普菲爾德提出hopfield神經網路模型，2023年羅森布拉特和辛頓提出bp神經網路，到2023年國際第一屆神經網路會議在美召開，有上千人與會，標誌著人工神經網路的全面復興。
興盛期：可以把第一屆神經網路會議當做興盛期的標誌事件，但我更願意將2023年辛頓和薩拉霍蒂諾發表的關於深度學習的**作為標誌事件，因為深度學習經過阿爾法狗戰勝圍棋冠軍的推廣，已經深入人心。
這一階段人工神經網路一路高歌猛進，模型上，從hopfield神經網路、普爾茲曼機、受限
普爾茲曼機到積卷神經網路，學習演算法上，從前饋誤差反向傳播、反饋迭代演算法、梯度推進演算法、模擬退火演算法到cd學習演算法，應用上，從大資料分析、影象壓縮、影象識別、無人駕駛到棋類遊戲，神經網路和深度學習儼然成為人工智慧的代名詞。
人工神經網路的應用雖然無孔不入，但仍有侷限性。 一是
人工神經網路來自於腦神經科學，但仍然是基於有限認識上的行為模仿，其實質上是基於不同型別的有向圖上的數學優化演算法，並且不是精確的求解，而是通過一定的樣本的反覆學習訓練，形成一定的權值記憶，結合神經網路模型的收斂性，以期達到乙個近似的統計學意義上的最佳求解，雖然很管用，但更像是一種數學遊戲，鑑於腦科學認識的侷限性，仍然談不上是人類智慧型複製。
二是人工神經網路仍然不存在乙個放之四海皆準的通用模型，需要根據具體的問題，由專家運用智慧型去構造，雖然研究阿爾法狗的戴密斯·哈薩比斯目前正在致力於通用神經網路模型的
研究，但還沒有公之於眾的結果。
三是人工神經網路雖然具備多層，仍然是有限神經元的連線，仍不具備人腦億萬神經元的連線規模。
縱然如此，這有限的連線，就能製造出讓人瞠目結舌的智慧型，一旦獲得
進一步的
突破，會是怎樣的乙個局面，值得人們期待和擔憂。
人工智慧主要研究內容
從模擬人類智慧型的角度 分為感知智慧型，認知智慧型，行為智慧型，群體智慧型，類腦智慧型 具體包括 問題求解，邏輯推理和定理證明 專家系統 人工神經網路，自然計算，機器學習，自然語言處理，多智慧型體，決策支援系統，知識圖譜，知識發現與資料探勘，計算機視覺，模式識別，機械人學習，人機互動，人機融合，類腦...
人工智慧的研究，主要經歷了哪幾個階段？
從50年代開始，人工智慧的研究經歷了以下幾個階段 第一階段 50年代人工智慧的興起和冷落。人工智慧概念首次提出後，相繼出現了一批顯著的成果，如機器定理證明 跳棋程式 通用問題 求解程式 listp 表處理語言等。但由於消解法推理能力的有限以及機器翻譯等的失敗，使人工智慧走入了低谷。這一階段的特點是 ...
人工智慧在重要研究中，主要有哪些突出應用？
人工智慧是一門三向交叉學科，理論基礎包括 語言學，控制論，計算機工程，經濟學，神經科學，哲學，心理學和數學。語言學對於怎樣將知識和資訊轉化成計算機可以用於推理的形式的研究有重要意義 控制論激起了人們對於研究製造智慧型機器的熱忱，為人工智慧打下了堅實的基礎 計算機工程提供了能夠進行通用計算和程式設計的...