人类对于神经网络模型也曾经走过不少的弯路，从最早的神经细胞模型，到神经网络模型，到感知机的三层结构探索，最终在六十年代掀起了一波文字识别，图像识别，声音识别的高潮。
然而很快，由于当时模型过于简单，导致感知机在原理和功能上都存在巨大的局限性，直到麻省理工学院的明斯基等人经过研究后指出，现有机制下的感知机，根本就不可能识别出线性不可分的模式，哪怕是简单的疑惑问题都无法解决。
这一研究成果，直接让感知机的研究热大退潮。
但是在理论领域，人们对于非线性混沌态的模型分析一直没有停止，诸如“学习矩阵”，“拟神经元”等思路和观点不断出现。
这一理论在八十年代终于获得了巨大突破，诸如“全互联型人工神经网络”，“模拟退火”方法论，“认知过程微结构理论”，“反向传播学习算法误差纠正”，“自适应共振理论”等新的方法开始出现，并且成功地证明了之前困扰人们的非线性感知问题，复杂模式识别问题，自适应特性问题，非线性系统优化问题，是完全可以通过神经网络理论加以解决。
在这些成就的基础上，蔡少棠通过自己的研究，提出了电路理论设计和硬件实现的方法，即细胞神经网络模型。
这是一种局部互连、双值输出的信号非线性模拟处理器，具有连续实时、能高速并行计算、适用于超大规模集成电路实现等特点。
与生物神经元不同，细胞神经元之间的联系主要由权值模板控制，模板的不同体现出的非线性特征也各异，而具有记忆特性的忆阻器可被应用于神经元与神经元之间的机能连接点上，由此来模拟脑细胞神经元网络，实现对信息处理机制的仿真简化，实现逻辑运算和图像处理等功能。
这项研究成果，直接推开了人类未来将人工智能应用于生物医学、图像处理、自动控制、模式识别、信号处理、保密通信等诸多领域的大门，而数十年后的大数据，区块链等新兴技术，也与之密切相关。
虽然这项技术代表着未来的发展方向，但是其实有些过于超前了，目前基本都还在进行实验室研究，真正能够用来解决的问题并不多。
在中国只有一处地方可以提供这样的研究，那就是周至力排众议在数字图书馆中采用的图数据库。
还有字根识别，图形识别，甲骨缀合，混沌超搜等方面，都有运用场景可供实践。
图数据库的优势在于功能强大。
目前主流的传统关系型数据库在设计的时候需要进行严格的数据规范化，将数据分成不同的表并删除其中的重复数据，这种规范化保证了数据的强一致性，对数据关系加以巨大限制之后，才能快速的实现逐行访问。
可是当数据与数据之间形成复杂的关联时，跨表的关联查询增加到强约束难以忍受的时候，问题就来了。
虽然可以通过将存在不同表中的不同属性进行关联从而实行复杂查询，但是开销变得以指数量级的增长方式膨胀，用程序员的话来说，就是系统被庞大的数据关联给活活“憋死”了。
图数据库就不存在这个问题，它的数据关系虽然也映射到数据结构中，但是特殊的组织结构形式和网络分析功能，使它和传统关系型数据库相反，对于关联度越高越复杂，数据量越是庞大的数据集，其查询速度反而更快，尤其适合那些面向对象的应用程序。
同时图数据库可以更自然的扩展到大数据应用场景，因为图数据库构建不受表结构的强一致性约束，能够更加灵活，所以更加适合管理临时或不断变化的数据。
作为穿越而来的周至，当然知道未来的风口是什么，也知道赢在起跑线的意义。最近转码严重，让我们更有动力，更新更快，麻烦你动动小手退出阅读模式。谢谢</p>