我已年近八十，近几年由于腰椎扭伤久治不愈，同时也怕误导年轻研究者，就没有再写博文。近几日在微信上看到有关清华大学类脑计算研究中心施路平教授团队研制的人工神经网络芯片及其应用，激起我对三十多年前研究人脑认识数学理论时，所建立的人脑神经元模型及其所组成知识系统的实现梦；这种梦想在当时的复杂环境下看不到任何前景。看过我的自传《学习、思考、研究的平凡人生》的同仁，都不难理解我当时的状况。这个自传除“少年时代及家庭简况”部分外，都在我的科学网博客中发表过。

      由于陕西省科委科研基金的支持，我在1998年9月出版过一本专著《信息学原理—关于认识的数学理论》，作为近二十年研究的简要总结。这本专著曾赠送给全国各著名院校、图书馆及国家科学基金委，其PDF扫描版也在我的科学网博客中逐章发表过。这本专著的第六章《信息语义及其表达和理解》，主要讨论人脑神经元模型、神经网络组织结构等问题，以破除人脑思维的神秘性；并未谈及人工神经实现的实质性问题。有不少同仁问我：你这种研究有何用途？我只是说：不得以为之而已，二十年后再说吧！我虽然对这个研究充满信心，其实我当时也不清楚其应用的前景如何，这种回答只能算是一个无法回答的敷衍而已。

       当时的研究认为：人脑神经元以“突触”连接其上、下级神经元，形成了多层次的人脑神经网络。下级神经元（或者最低层的感觉细胞、神经末梢）的兴奋输出信号，由树突输入到上一级神经元作为其兴奋的刺激信号，由神经细胞加权、叠加后经其轴突输出，成为更上一级神经元的刺激输入。由此可见：上级神经元的“树突”，也就是它所连接下级神经元的“轴突”。这个模型的缺点是无法解释神经网络的记忆及加权的机制，使研制人工神经网络时准确计算复杂、多样的加权系数将产生很大困难。由于我当时无法确切得知神经元中运行的化学电信号的性质（即直流、有无相位问题、是否经过调制等），而神经元的多个输入刺激、兴奋输出信号的电平均具有相同值，所以各输入刺激信号对神经元兴奋输出贡献各不相同的原因，只可能是各自突触使其输入信号幅值、相位产生改变所致。因此，我把突触模型化为一个概括性较大的滤波器，而没有直接把突触模型化为一个最有可能的、具有可变电阻的二极管。我当时提出的人脑神经元数学模型，是一个多输入、单输出的系统；即由多个所连接的树突输入电信号，经突触滤波器滤波、神经细胞叠加后，经由其轴突输出兴奋信号的系统。

      初看起来，这个模型不过是把困难集中到突触滤波器上。其实不然，该滤波器的特性即表明：该突触记忆了对应下级神经元所识别出的被认识对象的语义，因为所有经由该滤波器的输入所产生的兴奋贡献都是相同的。人脑突触的滤波特性、神经网络的连接方式在个体人出生时有很大的随机性、可塑性。因此，其后天的突触的滤波特性、神经网络中的知识系统及语言文字表达系统等，都是在不断认识事物、思维、学习、研究等过程中不断完善而形成的。我提出的这个人脑神经元数学模型，就是期待对人工神经网络研究能够向模拟人脑这种自学习功能方向发展，以求方便解决计算加权系数问题。这种可能性还是很大的，因为人工神经网络只需要模拟人脑的部分功能，用于控制、计算等方面的实际需求。例如控制运动体的位姿，最多也就需要6个自由度的自适应控制输出量。研制这类人工神经网络控制芯片的困难，与模拟人脑的认识、学习、思维、研究及发现等功能（尤其是发现中对新知识的重组和表达）相比，显然要容易的多。按照模式识别理论，在神经元的所以输入刺激信号中，由于其电平均相同，则出现频概率率越高的刺激信号，对该神经元兴奋输出信号贡献就越大 ；它就是该认识对象的主要识别特性。实用的人工神经网络芯片中运行的电信号与人脑中的化学电信号相比，其可知性要高的多。如果允许把突触滤波器简化为一个电阻可变的二极管，只要能研制成功一种电阻可随输入信号概率变化而改变电阻的二极管，即输入概率越高其电阻就越小，该输入通过突触时衰减就越小；自然不必再计算多样、复杂的加权系数。即可让人工神经网络像人脑那样，通过自学习来形成所需要的突触滤波器特性。由这种二级管、加法器组成的人工神经元，还具有自选被识别对象识别特征向量的功能。不管你设计了多少个输入连接，当出现概率低于阈值时该二级管的电阻不会变小，从而该输入不能通过；即自动排除了多个输入中的小概率刺激信号，留下来的输入刺激信号便是组成被识别对象识别特征向量的识别特性。

      退休伊始我拖着疲惫的身心改学祖国儒、道、兵家的名著，以求摆脱多年留下的紧张阴影。至今仍然处在吟诗唱词、玩摄影丧志求健康、游戏余生的状态；但我却十分关注二极管的研究状况。当宽禁带二极管出现时，我一阵喜悦，但得知它只是用于照明时又失望至今。我1962年考入西安交大机械系本科，在38岁时考入华中工学院机械系作研究生。在实用研究结果因经费而无法实现、研究建筑机器人成为泡影、又不愿虚度此生的情况下，不得以在不惑之年转入这个十分艰辛的理论研究方向。最后总算坚持下来，对这个“置之死地而后生”的研究也算有个交代了。我这种学问背景，虽然为研究又学习了二十多个相关学科的理论，仍然深感实在已经没有能力继续这个应用问题，只能等待；其实也不愿意再陷入应用研究的泥沼。现在我把当时的研究结果（包括已经发表的和有所保留的研究成果）全部公布于世，希望对其应用研究有些启示、帮助。若能够起到毫末作用，也就是我垂暮生活中的最大期望了。

      任何神经元的“突触”个数都是有限的，只可能接受有限个刺激信号；这也是科学中采用简化方式的物质基础。我认为：人工神经网络中神经元的突触数不宜太多，对输入、反馈信号的识别应该在神经网络的不同层次中去解决；这样可以减少研制、设计的困难。我看到的关于施路平教授团队研制的人工神经网络芯片的微信消息中称：芯片由4万个神经元、1000万个突触组成；这样每个神经元平均拥有250个突触，实在有些不解。不过我非常高兴看到该成果的问世，衷心祝贺施路平教授团队研制人工神经网络芯片的成就！相信不久祖国还会有更大的成就问世！