人類對于神經網絡模型也曾經走過不少的彎路，從最早的神經細胞模型，到神經網絡模型，到感知機的三層結構探索，最終在六十年代掀起了一波文字識別，圖像識別，聲音識別的高潮。
然而很快，由于當時模型過于簡單，導致感知機在原理和功能上都存在巨大的局限性，直到麻省理工學院的明斯基等人經過研究后指出，現有機制下的感知機，根本就不可能識別出線性不可分的模式，哪怕是簡單的疑惑問題都無法解決。
這一研究成果，直接讓感知機的研究熱大退潮。
但是在理論領域，人們對于非線性混沌態的模型分析一直沒有停止，諸如“學習矩陣”，“擬神經元”等思路和觀點不斷出現。
這一理論在八十年代終于獲得了巨大突破，諸如“全互聯型人工神經網絡”，“模擬退火”方法論，“認知過程微結構理論”，“反向傳播學習算法誤差糾正”，“自適應共振理論”等新的方法開始出現，并且成功地證明了之前困擾人們的非線性感知問題，復雜模式識別問題，自適應特性問題，非線性系統優化問題，是完全可以通過神經網絡理論加以解決。
在這些成就的基礎上，蔡少棠通過自己的研究，提出了電路理論設計和硬件實現的方法，即細胞神經網絡模型。
這是一種局部互連、雙值輸出的信號非線性模擬處理器，具有連續實時、能高速并行計算、適用于超大規模集成電路實現等特點。
與生物神經元不同，細胞神經元之間的聯系主要由權值模板控制，模板的不同體現出的非線性特征也各異，而具有記憶特性的憶阻器可被應用于神經元與神經元之間的機能連接點上，由此來模擬腦細胞神經元網絡，實現對信息處理機制的仿真簡化，實現邏輯運算和圖像處理等功能。
這項研究成果，直接推開了人類未來將人工智能應用于生物醫學、圖像處理、自動控制、模式識別、信號處理、保密通信等諸多領域的大門，而數十年后的大數據，區塊鏈等新興技術，也與之密切相關。
雖然這項技術代表著未來的發展方向，但是其實有些過于超前了，目前基本都還在進行實驗室研究，真正能夠用來解決的問題并不多。
在中國只有一處地方可以提供這樣的研究，那就是周至力排眾議在數字圖書館中采用的圖數據庫。
還有字根識別，圖形識別，甲骨綴合，混沌超搜等方面，都有運用場景可供實踐。
圖數據庫的優勢在于功能強大。
目前主流的傳統關系型數據庫在設計的時候需要進行嚴格的數據規范化，將數據分成不同的表并刪除其中的重復數據，這種規范化保證了數據的強一致性，對數據關系加以巨大限制之后，才能快速的實現逐行訪問。
可是當數據與數據之間形成復雜的關聯時，跨表的關聯查詢增加到強約束難以忍受的時候，問題就來了。
雖然可以通過將存在不同表中的不同屬性進行關聯從而實行復雜查詢，但是開銷變得以指數量級的增長方式膨脹，用程序員的話來說，就是系統被龐大的數據關聯給活活“憋死”了。
圖數據庫就不存在這個問題，它的數據關系雖然也映射到數據結構中，但是特殊的組織結構形式和網絡分析功能，使它和傳統關系型數據庫相反，對于關聯度越高越復雜，數據量越是龐大的數據集，其查詢速度反而更快，尤其適合那些面向對象的應用程序。
同時圖數據庫可以更自然的擴展到大數據應用場景，因為圖數據庫構建不受表結構的強一致性約束，能夠更加靈活，所以更加適合管理臨時或不斷變化的數據。
作為穿越而來的周至，當然知道未來的風口是什么，也知道贏在起跑線的意義。最近轉碼嚴重，讓我們更有動力，更新更快，麻煩你動動小手退出閱讀模式。謝謝</p>