1.7 连接主义人工智能
连接主义人工智能的基本原理是：一个良定义的函数必然可以由一个神经网络来任意逼近。
神经网络学习的一个基本假设是：学习的目标是一个良定义的函数。
一个神经网络学习过程就是通过大量的已标注实例学习一个神
经网络的参数使得该神经网络逼近未知的学习目标，它是一个良定义的函数。
连接主义人工智能就是一个神经网络模型学习。
这一学习模型已经取得重要应用成果，并正在引领着当代机器学习技术的潮流。
然而，神经网络学习有若干根本性缺陷：
1.它假设学习的目标是一个函数或分布
一个分布或随机变量实质上也是一个函数。因此，这一假设表明学习的目标是一个函数。然而，一个函数实质上是一个表，尽管在简单情况下，知识可以用一个表来表示，但是根本上来说，人学习的知识并不能用一个表或函数来表示。
数学家们喜欢函数是因为函数简单，好研究，成果多，并不是因为函数是表示人类知识的标准模型。
人工智能或者计算机科学中，把函数作为学习目标的标准模型是否正确，需要科学地来研究。
2.神经网络学习模型并没有回答学习的数学实质是什么这一基本问题
因此，神经网络学习模型并没有增加我们对“学习”这一概念的数学理解。
3.神经网络模型学习需求大量已知或已标注的实例
然而大量已标注实例在现实世界中不容易建立，关键是人并不是通过大量已标注数据来学习的。人从观察一、两个例子就能学习，而且学得很好。因此，神经网络学习不是一个像人一样学习的模型。
4.神经网络学习并没有一个可解释性
人的学习是有可解释性的，说明神经网络学习跟人学习是不一样的。而且由于没有可解释性，神经网络学习在严格科学技术标准要求下的应用是不可信的。
有人可能认为学习不需要可解释性。人学习是有可解释性的；现在的每一个学科的分支、领域都是可解释的。人和动物都在学习，学习作为一个现实世界的重大基本现象，需要科学的研究，正确、准确、精确，到点、到位地捕捉到学习这一基本概念的（数学）实质，是科学研究的必然要求和应有之意。
神经网络学习的不可解释性是这一模型的先天不足，而不是优点。如果对此没有清醒的认识，对科学和人类未来技术都有可能造成破坏 性影响。
5.神经网络的生成学习模型会去修改规则、修改数据，而且需要一个后台人员团队的控制
学习的结果自然地受到后台控制人员的主观因素影响。
从应用技术上说，对神经网络学习模型的潜在风险、危害和威胁的认知、识别与防范，应该和它带来的收益同样重视，甚至是更加重视。
综上所述，连接主义人工智能技术的新现象提出了一系列新问题：
（i） 神经网络人工智能技术的数学原理是什么？
（ii） 神经网络人工智能技术的计算原理是什么？
（iii） 神经网络人工智能技术的安全性怎么实现？
（iv） 神经网络人工智能技术是否存在可解释性的原理？
（v） 神经网络人工智能是否可以不依赖大量的标注数据？等