具有模仿人的大脑判断能力和适应能力、可并行处理多种数据功能的神经网络计算机，可以判断对象的性质与状态，并能采取相应的行动，而且可同时并行处理实时变化的大量数据，并引出结论。神经电脑除有许多处理器外，还有类似神经的节点，每个节点与许多点相连。若把每一步运算分配给每台微处理器，它们同时运算，其信息处理速度和智能会大大提高。神经电子计算机的信息不是存在存储器中，而是存储在神经元之间的联络网中。若有节点断裂，电脑仍有重建资料的能力，它还具有联想记忆、视觉和声音识别能力。

许多新型的电子计算机不仅拥有高速的计算功能，而且还能模拟人脑的某些思维活动，就是说，拥有某些智能化的功能。然而，如果严格地来鉴定一下，它们离真正的人脑思维功能实在差得太远了，而且有许多本质的差异。主要表现在人脑拥有高度的自我学习和联想创造的能力，以及更为高级的寻找最优方案和各种理性的、情感的功能。

一种称之为神经网络计算机的新型电脑已经制造出来了。它能像人脑那样进行判断和预测。它不需要输入程序，可以直观地作出答案，也就是说它“看”到什么就能自行作出反应。它能同时接收几种信号并进行处理，而不像目前已有的计算机那样一次只能输入一个信号。

譬如，它能区别出一个签名的真伪。它不是凭签名的图形是否相像来判断的，而是根据本人在签名时笔尖上的压力随时间的变化以及移动速度来判断的。神经网络计算机目前主要的用途是识别各种极细微的变化和趋势，并发出信号。已经有人用它来控制热核聚变反应，监督机器的运行，甚至用来挑选苹果和预测股市行情。

具有模仿人的大脑判断能力和适应能力、可并行处理多种数据功能的神经网络计算机，可以判断对象的性质与状态，并能采取相应的行动，而且可同时并行处理实时变化的大量数据，并引出结论。以往的信息处理系统只能处理条理清晰、经络分明的数据。而人的大脑却具有能处理支离破碎、含糊不清信息的灵活性，因而第六代计算机将在较大程度上类似人脑的智慧和灵活性。人脑有140亿神经元及10亿多神经键，人脑总体运行速度相当于每秒1 000万亿次的电脑功能。用许多微处理机模仿人脑的神经元结构，采用大量的并行分布式网络就构成了神经电脑。神经电脑除有许多处理器外，还有类似神经的节点，每个节点与许多点相连。若把每一步运算分配给每台微处理器，它们同时运算，其信息处理速度和智能会大大提高。神经电子计算机的信息不是存在存储器中，而是存储在神经元之间的联络网中。若有节点断裂，电脑仍有重建资料的能力，它还具有联想记忆、视觉和声音识别能力。神经电子计算机将会广泛应用于各领域。它能识别文字、符号、图形、语言以及声纳和雷达收到的信号，判读支票，对市场进行估计，分析新产品，进行医学诊断，控制智能机器人，实现汽车自动驾驶和飞行器的自动驾驶，发现、识别军事目标，进行智能决策和智能指挥等。日本科学家开发的神经电子计算机用的大规模集成电路芯片，在1．5厘米正方的硅片上可设置400个神经元和40 000个神经键，这种芯片能实现每秒2亿次的运算速度。美国研究出由左脑和右脑两个神经块连接而成的神经电子计算机。右脑为经验功能部分，有1万多个神经元，适于图像识别；左脑为识别功能部分，含有100万个神经元，用于存储单词和语法规则。

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。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（VLSI）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。

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“WTA”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。

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。

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[2，2]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。

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。

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。

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。

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。