52位香港当代摄影家:神经网络计算机：光脑还是电脑？

张延■ 孙颖
神经网格计算机是一种新型智能信息处理工具。它建立在近年来对人工神
经网络研究的基础之上，通过模仿并简化大脑在结构上和功能上的特点，以解
决电子计算机难以完成的智能信息处理和计算任务。
人工神经网络的硬件系统既有电子的也有光学的或光电混合的，那么神经
网络计算机将是用什么技术构成的呢？要了解这个问题，还得从神经网络的由
来和发展说起。
一、电脑与人脑的区别
现代电子计算机虽有“电脑”之称，但其处理方式却与人脑有着本质的不
同。虽然它在运算速度和计算精度上都大大超过了人脑的平均水平，但是在图
像识别，自然语言理解，自适应控制，学习、推理、决策等智能方面，最先进
的超级计算机也无法与人的智能相比。例如，人的大脑通过不断学习和实践而
产生识别事物、语言和文字的能力。这种能力使人类能迅速地对外界信息做出
反应，从而保证自身的生存、安全和日常活动的顺利进行。而计算机是通过编
制程序和对外界信息进行处理和计算来识别事物的。由于事物的复杂性、随机
性和不完整性，使得智能软件很难编制；即使编写出来，由于计算量过大，也
难以在需要的时间内由计算机完成。
人们把智能计算机的研究战略建立在更快的计算速度与更完善的智能软件
相结合的基础之上。可惜一直没有取得重要的进展。而脑科学和神经网络的进
展却从另外一个角度，给智能计算机的研究带来了希望。
二、大脑的神经机制
虽然人们对大脑的机制尚不完全清楚，但从对大脑神经机制的研究已经知
道，大脑中神经细胞元的总数约有１２［，１１］个。每个神经元都有１０［
，３］～１０［，４］个突触或树突与其它神经元实现复杂的相互作用。每个
神经元的运算功能都十分简单，只有“兴奋”和“抑制”两种状态，取决于所
有其它神经元对它作用的总和，并有简单的非线性关系。值得注意的是，神经
元状态演变的速度（约１０［，－２］秒）比计算机中基本单元的翻转速度（
约１０［１０］秒）要慢得多。而大量神经元高度互连
所组成的网络，却可以产生非凡的信息存储和惊人的整体运算能力。人类大脑
的思维、运算过程正是建立在这种大规模的并行处理的基础上。这是一种群体
行为，而不是单个神经元活动的结果。
大脑神经系统与电子计算机的这种明显差异给人们一种启示：要实现智能
计算机，只靠现行计算机速度的提高及构造和算法的完善是不够的。以人脑神
经系统工作原理为基础构成的人工装置却有可能达到类似人脑的某些功能。对
智能计算机来说，大量神经元的互连要比单元速度的提高更为重要。这一认识
被称为“互连主义”（ｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎｉｓｍ）。它已被大
量的研究成果所证实，是神经网络计算机的重要基础。
三、人工神经网络的智能特点
早在４０年代，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ就已开始了以神经元作
为逻辑器件的研究。６０年代，Ｒｏｓｅｎｂｌａｔｔ提出了模拟学习和识别
功能的“感知机”模型，其构造和规则曾轰动一时，但终因此类机器严格的局
限性而很快冷落下来。到１９８２年，Ｈｏｐｆｉｅｌｄ提出了一种新的理论
模型。这一模型简明地反映了大脑神经系统的分布式记忆存储、内容寻址、联
想以及局部细胞损坏不灵敏等特性。与此同时，神经网络在解决“推销员旅行
”问题、语音识别、音乐片断的学习创作、英语智能读音系统等方面，都取得
了令人鼓舞的结果。因此人工神经网络的研究热潮在８０年代初期又重新兴起
，成为多学科共同关注的跨学科新领域。不同学科研究神经网络的方法虽不尽
相同，但目的都是为了探索大脑智能的机制和实现智能计算机。
近十年来人工神经网络研究的进展，使研制神经网络计算机的历史任务落
到了现代高科技的面前。这是社会对智能计算机的迫切需要。人类对大脑认识
的深入以及当今的科技水平已具备了这一可能，它既是一个挑战，也是一个机
会。
四、人工神经网络的实现技术
人工神经网络的主要特点是大量神经元之间的加权互连。这就是神经网络
与光学技术相结合的重要原因。
电子技术与光学技术相比，精确度高，便于程序控制，抗噪声能力强。但
是，随着计算机芯片集成度和速度的提高，计算机中的引线问题已成为一个严
重的障碍。由于电子引线不能互相短路交叉，引线靠近时会发生耦合，高速电
脉冲在引线上传播时要发生色散和延迟，以及电子器件的扇入和扇出系数较低
等问题，使得高密度的电子互连在技术上有很大困难。超大规模集成电路（Ｖ
ＬＳＩ）的引线问题造成的时钟扭曲（ｃｌｏｃｋ ｓｋｅｗ），严重限制了
诺依曼型计算机的速度。
而另一方面，光学互连是高度并行的，光线在传播时可以任意互相交叉而
不会发生串扰，光传播速度极快，其延时和色散可以忽略不计，加上光学元件
的扇入和扇出系数都很高，因此光学互连具有明显的优势。正因如此，许多科
学家早已开始研究采用光学互连来解决ＶＬＳＩ的引线问题，以及芯片之间、
插板之间的连接问题。
此外，光学运算的高度并行性和快速实现大信息量线性运算的能力，如矩
阵相乘，二维线性变换，二维卷积、积分等，也是用光学手段实现人工神经网
络的有利条件。
光学信息处理虽有高速度及大信息量并行处理和优点，但要满足模糊运算
和随机处理的要求还是远远不够的。光学信息处理性能的改进，要求在传统的
线性光学处理系统中引入非线性，而这些问题的解决与神经网络的光学实现恰
好不谋而合。光学信息处理中的许多课题，如光计算、图像变换、相关滤波、
特征提取、边缘增强、联想存储、噪声消除等，都可以用神经网络的方法来完
成。
近年来，关于光学神经网络的研究，国内外已提出许多不同的硬件系统。
例如，基于光学矢量矩阵相乘的Ｈｏｐｆｉｅｌｄ网络的外积实现，采用全息
存储和共轭反射镜（ＰＣＭ）的全光学系统，采用液晶开关阵列、液晶光阀以
及其它空间光调制器（ＳＬＭ）的内积型光学神经网络，光电混合全双极“Ｗ
ＴＡ”网络等等。光学神经网络已成为人工神经网络研究的一个重要组成部分
。
五、光学神经网络发展面临的新问题
光学神经网络虽具有上述优点，并已取得重要的进展，但仍存在许多亟待
解决的问题。如处理精确度不高，抗噪声干扰能力差，光学互连的双极性和可
编程问题以及系统的集成化和小型化问题等。这些问题直接关系到神经网络计
算机的进一步发展、性能的完善及广泛的实用化。
１．双极神经元态与双极互连问题
光学神经网络中的互连不仅数量大（Ｎ个神经无要求有Ｎ［，２］个互连
）、精度高（不是二值的，而是有一定的灰度分布），而且还有正负极性的要
求。除此之外，神经元状态也要求有双极性。但是用光学实现双极性是有困难
的。目前，已提出了多种解决双极性的方法，但都带来了其它缺点，如系统复
杂化、光能损失大及互连动态范围减小等。
２．大规模光学神经网络系统的实现
神经网络的整体性能与网络中的神经元数有密切关系。虽然光学互连的高
度并行性在原则上提供了实现大规模神经网络的可能性，但随着神经元数目的
增加，互连数将会按平方律增加。在系统尺寸一定的条件下，神经元数必然受
到空间带宽积、衍射和畸变的限制。因此大规模神经网络的实现将对光学设计
、离轴光学、衍射光学、二元光学器件、集成光学器件以及计算机制全息器件
提出更高的要求。
３．可编程和可调节光学互连的实现
一般神经网络系统中用互连模板实现的互连权重是不可调的。这就使得一
个系统只能适用于某种目的或某些特定目标，应用范围因此而受到极大限制。
而可编程和可调节光学互连的实现，将使光学神经网络由目前的专用型系统进
一步发展为通用型，并具有自组织、自学习的能力。
４．空间光调制器的研制
由于学习和迭代的需要，光学神经网络中的空间光调制器（ＳＬＭ）也是
必不可少的器件之一。随着神经网络研究的深入发展，对ＳＬＭ的空间分辨率
、响应速度、对比度、灰度级等都提出了更高的要求，因此，高质量空间光调
制器的研制迫在眉睫。
５．非线性器件
光学神经网络中的非线性操作目前仍采用电子学或计算机处理的方法。这
就违背了神经网络的并行性要求。并行光学非线性运算的实现，要求有阈值可
调、响应函数形式可调的非线性器件，这也是一个亟待解决的复杂问题。
另外，随着光学神经网络研究的不断深入，对硬件的实用性要求也在不断
提高。系统的集成化与小型化势在必行。这方面，光电混合集成芯片的研制成
功是令人鼓舞的。由此可见，对于神经网络的实现来说，光学与电子学技术都
各有其长处。充分发挥二者的优势，形成一个光电混合处理的硬件系统，将是
未来神经网络计算机发展的重要趋势。
（计算机世界报 1994年 第8期）
周报全文频道联系方式：010-68130909
【关于我们】  【广告服务】  【周报发行】  【投稿指南】  【投稿声明】  【联系方式】  【法律声明】
【媒体手册】  【编读往来】
Copyright© ccw.com.cn,All rights reserved
中国计算机世界出版服务公司版权所有