的，而是一直在形成新的突触链接，每时每刻都在改变着自身的链接结构。 霍普菲尔德（John Hopfield）在二十世纪八十年代的时候曾经构造出一种数学网络模型，这种网络模型除了被编码了数值之外还被定义了一个全局能量，这个能量会直接影响网络的动力学行为。 这个被定义出来的能量也使得它和冯·诺伊曼机有着本质的区别，二者进行学习和记忆的底层逻辑是完全不同的。 时至今日全世界的计算机使用的都是冯·诺伊曼结构，这种结构的存储和运算是分开的，因此依照这种架构设计出的计算机又叫做存储程序计算机。 这种计算机在处理问题的时候要不断在存储器和中央处理器之间对信息进行调用，因此计算的速度受到所谓的“冯·诺伊曼瓶颈”限制。 而 Hopfield网络则是完全不同的，它的存储器和运算器都是网络。而需要被记忆的信息被储存在网络的局部能量最小值上。和重力系统一样，这种网络在运行时也会主动落入自身的能量最低点，就和凹凸表面上的小球会落入局部最低的洞里一样。 所以这种网络能够自然地模拟人类大脑的联想功能，因为如果我们输入的是和之前记忆过的内容有关的信息，最终网络的结构总会输出那个被局部能量最低点所储存的值，这就好像我们看到苹果的剪映就会自动想到真的苹果一样。 但是这种网络有一个致命缺陷，就是它能解决的问题十分有限，不能被作为图灵机来使用。事实上这并不是这种设计本身的问题，是我们的知识目前仍然达不到能够设计出真正的模拟人脑的动力学结构的数学模型。 不要忘了人脑有一千亿个神经元，数万亿个神经元连接，上亿个神经回路，没有任何一个人能够理解自己。 事实上，人类甚至不知道大脑的上限有没有达到可以理解整个神经回路图像的程度，我们的思维真的能够理解和自身一样复杂的客体吗？