神经网络（即并行分布处理，又称认知的微结构探索）是SO年代后期兴起的一门边缘性交叉学科。其宗旨是：把细胞的微观水平上的知识和人类认知的宏观水平上的知识联系起来，以解释大脑的工作原理，以建立具有人脑风格的认知算法（或计算体系结构），开发智能技术。从研究现状看，实用方法和技术开发在阔步前进，理论工作则主要仍集中在学习律方面，迄今未能取得突破性进展。应用和理论的发展是不平衡的。

信息科学中的高技术之一，就是研制智能机，开发智能应用技术。但是，什么叫智能？它的本质是什么？怎样使机器具有人的智能？这些看似简单的问题，至今还难以回答清楚。过去，在人工智能、专家系统中，把人脑比喻为计算机；现在，在神经网络中，这个比喻颠倒了过来：是机器必须向人脑学习。

人脑不只是一个结构完美、功能完善的信息处理系统，而且它还能自治地产生信息。首先，脑能产生操作信息。它是自编程的。其次，脑计算的结果是由脑本身予以解释的。它的这种自我意识是作为“自我”而存在的一种意义系统。和计算机不同，这里信息都是对人而言的。因此有理由认为，信息是生命系统所特有的本质属性。一个系统能产生信息，用数理科学的语言来说，它必然是一个非线性动力学系统，所以能产生复杂性现象。

神经网络中普遍采用的一个方法，是设计某一算法，用计算机模拟人脑的某一功能。显然，这种零敲碎打的办法，是不可能从根本上解决智能问题的。反过来，如果不致力于提高网络的基础理论水平，把研究工作仅停留在目前这个档次上，网络的应用开发归根结蒂将是有限度的。换言之，照现行的办法干下去，是不可能研制出智能机来的。

信息处理任务的核心问题，是信息的表象和处理过程。在神经网络中，处理也就是学习。表象无论是局域的还是分布的，都含有某种语义性质。信息表象和处理的单元，则一律是模型神经元。这种网络实际上是一种不彻底的新还原主义，它与神经科学数据并没有直接的联系。不错，这种网络在某种程度上能模仿人的某一智能行为。但是，模仿就是模仿，它无助于解释人脑的工作原理，即使硬加上许多神经科学的术语也无济于事。就算它已“登堂”，也不可能“入室”的。

因此，要想解决神经网络提出的中心课题，加强基础理论研究就成了一项紧迫的任务。我们认为：从信息处理和产生的角度出发，立足于生物物理学基础，使用系统科学方法，来开拓生物的信息自组织理论，这可能是摆脱目前网络理论研究困境、促进信息科学发展、推动高技术革命的一条行之有效的途径。

根据这一研究路线，在《视觉初级信息加工的广义Gabor函数（EG）模型》基础上，我们开拓出一个崭新的重大课题，是关于初级视觉的计算神经动力学研究。单个神经元感受野函数满足不确定关系式。时空定域性好，频率定域性就差；反之也一样。这种“鱼和熊掌不可兼得”的情况表明：单个神经元不可能既精确地测量刺激信号的局域时空性质，同时又精确地测量其频率响应特性：局域神经线路（例如，初级视皮层的柱状功能结构）才是表象和处理基本神经事件的功能单位。因此，只要把工作重心从单细胞转向局域线路，从感受野转向投射野，就可以把握系统的结构、功能和神经活动模式这三者之间的内在联系。

神经科学数据表明，至少在一级近似下、感受野和投射野满足互易原理。EG函数是初级视觉系统的传递核函数，也是闪烁光点刺激在系统中引起的一群神经元的兴奋性活动分布，即系统的脉冲响应函数。这个响应函数类似于光学和物理学中描述波动的过程，其具体形象有些像夫琅和费衍射图样。因此，我们称这类以EG为基本子波形式的波动为神经兴奋波，简称神经波表象。显然，基本子波是一种物质波，它的主要特征就是空间定域性和时间定域性。

信息的神经波表象的基础，由不确定关系式易知，就在于神经活动状态的测量是一种群体性度量。神经科学资料也表明，视觉测量所面临的对象，是结构上有所不同、但具有几乎同样功能的局域线路这样一个整体。这个整体构成一个联结系综。因此，对一个特定的神经元，除非指明其所在的具体系统，否则就无法确定其活动状态。

根据局域线路的联结系综模型构造，我们就能计算出在初级视觉通路上所发现的各种感受野，而它们的一般形式就是EG函数。因此，传统的单细胞记录结果，是对局域线路在记录点上的测量值，也是对一个联结系综的采样值。单细胞记录结果，并不表示因刺激而异的语义学性质。对不同的刺激，测量上的差异仅在于对时空模式EG的时间、空间、频率参数的不同取值罢了。如果使用系综平均值来解释每一次具体的测量结果，那么神经波表象就是一个概率函数。

基本子波EG中的各个参数，一般是空间坐标的函数（这是神经介质的特点之一），而且（在发育和学习过程中）还是时变参量。暂不考虑可塑性；在参数可视为常数的局域空间内，对自治系统就不难得到神经波表象应满足的一类波动方程（按照正规方法，波动方程应当由系统的体系结构推导出来）。假定视皮层为结构参数呈周期性变化的二维矢量场，输入图像为二维时变信号，则初级视觉信息加工就对应于这样一个数学物理问题，即解周期场中的神经波动方程。而具体的视觉计算任务则表达为一定的初值、边界值问题。如果系统是开放的，那么在外部刺激驱动下，就会出现复杂性现象。

以上，就是我们提出的初级视觉神经动力学描述的一个初步框架。值得注意的是，最近的一些神经科学实验结果是支持这个框架的。而这些最新成果正在深刻地改变着传统神经科学及神经网络中若干最重要的观念。当前涌现出来的重要概念是：

(1) 信息是研究脑工作原理的根本出发点；

(2) 表象和处理信息的基本功能单位，是局域神经线路，而不是单个神经元；

(3) 描述神经活动时空模式的状态变量是联结系综；

(4) 视觉算法既受计算理论的自上而下的约束，又受神经硬件的自下而上的约束；

(5) 视觉系统的结构、功能、神经活动是动态过程，它们之间的内在联系是在视觉信息的自组织过程中体现出来的；

(6) 视觉的信息自组织理论是打开生物信息自组织一般理论这扇铁门的一把金钥匙。

由此可以得出结论：我们提出的初级视觉神经动力学框架，为探讨神经网络的基础理论开辟了一条新的途径，为神经网络的开发应用提供了基础。换言之，它为真正实现神经网络的宗旨创造了一定的条件。