问：
逻辑门是AI和神经网络构建模块的先驱吗？
A：逻辑门是构成计算机处理中路径生成框架的逻辑结构。 计算机中逻辑门的使用早于人工智能或神经网络的任何现代工作。 但是，逻辑门为机器学习，人工智能及其附带的一切提供了构建块。
逻辑门有助于根据计算系统中的输入选择输出。 早期，这导致了微处理器与人脑之间的比较。
几年后，随着神经网络工作的发展，一种叫做“连接主义”的哲学开始发挥作用。 在某种程度上可以追溯到1940年代的连接主义是这样的想法，即复杂的行为模式是通过单个小单元（例如，大脑，神经元）的组合工作而产生的。
所有这些导致了为更复杂的过程使用编程以及底层逻辑门的想法。 机器学习的定义之一是，计算机程序的发展超出了最初作为输入给出的范围。 换句话说，机器会随着学习而学习。 它仍然使用逻辑门来处理给定的输入和输出，但是使用逻辑门进行计算的方式却根本不同。
通过继续研究人脑以及神经元和突触的性能，科学家们越来越接近能够使用计算机系统对这种活动进行建模的能力。 在这里，逻辑门将完成人类神经元的工作。
考虑一下关于神经网络中各种逻辑门设计的一篇学术论文摘录：
“很明显，神经元对兴奋性输入执行逻辑或运算–如果脉冲的存在表示逻辑值'1'，则“或”门的行为可能由具有两个兴奋性的神经元来实现输入和输出作为抑制输入反馈。 后者确保了神经元在停止激励时返回到松弛状态，这对应于逻辑值“ 0”。 或门神经元表现出明显的“开启”和“关闭”延迟，这些延迟取决于过去和现在的输入。” – Suryateja Yellamraju等。 等人，“神经网络中各种逻辑门的设计”
从该阅读中可以明显看出，可以在OR逻辑门的性能与在二进制激励或松弛输入上工作的神经元的性能之间建立密切的关联。
考虑到这一点，人工智能工作通常包括在计算系统中使用逻辑门来对人脑中神经元表现出的行为类型进行建模。 建模成功的程度将决定强大的人工智能的未来功能-通过极其先进的建模，我们可以创造有感知力的技术，还是人类的思维是否足够复杂和精巧以限制或限制这种技术的发展。
在一篇有关Medium的文章中，VV Preetham讨论了如何通过应用逻辑门的使用向神经网络教授逻辑。 这个详细的教程展示了如何以模拟人类神经元工作的方式来表示逻辑门和代码的使用。
这样，在昨天的计算系统发展初期就具有特色的逻辑门，仍然是神经网络中非常先进的工作以及采用越来越强大的机器学习和人工智能工具的基础资源，这将极大地改变我们的交互随着未来几年的技术发展。
