人工智能起源-神经网络
1.神经网络起源
1981 年的诺贝尔医学奖，颁发给了David Hubel（出生于加拿大的美国神经生物学家）和TorstenWiesel，以及Roger Sperry。

前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。

人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。

下边是人脑进行人脸识别的一个示例：
2.神经网络模型
那么我们可以很自然的想到：可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？答案是肯定的，这也是许多深度学习算法的灵感来源。

在生物神经网络中，每个神经元与其他神经元相连，某神经元的电位超过了一个阈值，那么它就会激活，即兴奋起来，通过突触会向相连的神经元的树突发送化学物质，从而改变其他神经元内的电位；
我们把这种神经元模型抽象出来，这就是M-P神经元模型：
神经元接受输入x，通过带权重w的连接进行传递，将总输入信号与神经元的阈值进行比较，最后通过激活函数处理确定是否激活。

连接是神经元中最重要的东西。

每一个连接上都有一个权重。

神经网络的训练就是让权重的值调整到最佳。

以上就是基础的AI神经网络起源,把我们现实生活中生物大脑转换建立成了数学模型,让后续使用计算机实现模拟人脑学习判断奠定了基础.。