七色之旅结局人工智能就是能够遵循思维里的逻辑规律进行思考的计算机程序，简单点说，就是与人类思考方式相似的计算机程序。这是人工智能发展早期非常流行的一种定义方式。可以理解，既然叫人工智能，那用程序来模拟人的智慧就是最直接了当的做法了。

　　但是历史经验证明，仿生学的思路在科技发展中不一定可行，一个最好的例子就是飞机的发明，在几千年的时间里，人类一直梦想着按照鸟类扑打翅膀的方式飞上天空，但是反讽的是，真正带着人类在长空翱翔，并打破了鸟类飞行速度和飞行高度记录的，却是飞行原理与鸟类差别极大的固定翼飞机。

　　这本身就是一个复杂的技术和哲学问题。要让计算机中的人工智能程序遵循逻辑学的基本规律进行运算、归纳或推演，是许多早期人工智能研究者的最大追求。

　　世界上第一个专家系统程序Dendral是一个成功地用人类专家知识和逻辑推理规则解决一个特定领域问题的例子。这是一个由斯坦福大学的研究者用Lisp语言写成的，帮助有机化学家根据物质光谱推断未知有机分子结构的程序。Dendral项目在世纪60年代中期取得了令人瞩目的成功，衍生出一大批根据物质光谱推断物质结构的智能程序。

　　Dendral的成功，也带动了专家系统在人工智能各相关领域的广泛应用，从机器翻译到语音识别，从军事决策到资源勘探。一时间，专家系统似乎就是人工智能的代名词，其热度呢，不亚于今天的深度学习。

　　但是人们很快就发现了基于人类知识库和逻辑学规则构建人工智能系统的一个局限，一个解决特定的，狭小领域问题的专家系统很难被扩展到稍微宽广一些的知识领域中，更别提扩展到基于世界知识的日常生活里了。在后起的统计模型，深度学习等技术面前，专家系统毫无优势可言，因而从20世纪90年代开始就备受冷落。

　　另一方面，从心理学和生物学出发，科学家们试图弄清楚人的大脑到底是怎么工作的，并希望按照大脑的工作原理构建计算机程序，实现真正的人工智能。而这条道路上同样非常跌宕起伏，最经典的例子，就是神经网络了。

　　生物学家和心理学家很早就开始研究人类大脑的工作方式，其中最重要的一环，就是大脑神经元对信息的处理和传播过程，早在通用电子计算机出现之前，科学家们就已经提出了有关神经元处理信息的假想模型。早期神经网络技术没有发展太久就陷入低谷。这主要有两个原因。一是当时的人工神经网络算法在处理某些特定问题时有先天缺陷，亟待理论突破；二是当时的计算机运算能力无法满足人工神经网络的需要。

　　20世纪70年代到80年代，人工神经网络的理论难题得到解决。20世纪90年代开始，随着计算机运算能力的飞速发展，神经网络在人工智能领域重新变成研究热点。但直到2010年前后，支持深度深度网络的计算机集群才开始得到广泛应用，供深度学习系统训练使用的大规模数据集也越来越多。

　　客观地说，神经网络到底在多大程度上精确反映了人类大脑的工作方式，这仍然存在争议。在仿生学的道路上，最本质的问题是，人类至今对大脑如何实现学习、记忆、归纳、推理等四位过程的机理还缺乏认知。况且我们并不知道到底要在哪个层面真实模拟人脑的运作，才能够制造出可以匹敌人类智慧的智能机器。