一、总论
智能体系结构（Intelligent Architecture）是我大三上学期报的一门选修课。这门课的主要实验目的是搭建一个人工神经网络（可能是卷积神经网络）的加速器。在接触这门课前我对于这个名词一无所知。
现在来看，大概是这个意思，人工神经网络是一种模拟人脑神经结构的数学模型，这个数学模型需要计算机辅助实现。但是这个数学模型跟计算机原有的冯诺依曼体系有些不搭配。我们常见的计算机一般将存储和数据处理分离，但是显然我们脑子不是这样的，我们的脑子的存储和数据架构并没有分开，而且存储的形式也不是一种固态的仓库，而更像是一种数据加工过程的趋势。所以我们考虑搭建新的硬件架构，去适应人工神经网络这个数学模型，一旦适应了，就起到了“加速”的作用，这也是被称为“加速器”的原因。
二、计算机的抽象
这个思考在和香老师聊天的过程中逐渐清晰起来。香老师醉心于量子信息和量子计算，她考虑到我对于这些东西一窍不通，所以特别贴心地给我翻译成了“用量子的方式学一遍计组”，据香老师的说法，这种新的量子架构可能可以解决 NP 问题（或者 NP == P 问题，主要是我也不清楚）。我之前也接触过一些 GPU，当时感觉 GPU 的架构虽然与 CPU 有些差距，但是还是可以生搬硬套一个理论抽象出共性。现在我初步看了看这个加速器的架构，感觉很多特点已经没法用计组的那一套理论去理解了。
量子计算机，GPU，加速器，这三个东西的架构或多或少都远离了传统的计算机处理器，那么我们要不要还将其判定为计算机呢？当遇到一个难以解决的问题的时候，是不是如果软件解决不了，我们就可以从硬件上直接对其进行改造呢？如果将计算机的抽象前进一步，是不是就可以将思路更加打开呢？
抽象更进一步的同时，是对于“学科”的迷茫，我到底是学什么的？我的能力的极限在哪里？比如说如果猪肉不好吃，我应该去骂养猪的是傻逼；如果我是一个胆大妄为的人，我或许会黑掉一家银行，让我的余额变得多多的，可以买最好吃的猪肉；如果我是一个有理想的人，或许我会用我的计算机技术辅助对于猪肉基因的改造，让猪肉更加可口。无论我是怎样的人，我觉得有一个原则是不会变的，就是：我绝不会去碰任何一口活着的猪，这是农学生干的事情。
智能体系结构就是这样一个模糊的东西，我之前理解的人工智能，是用软件模拟人脑，这很计算机，因为计算机软件的一大功能就是对于客观世界的模拟，我没有任何意见。但是硬件模拟，而且似乎甚至为了这个数学模型，我们去开发新的材料，新的元器件，来做加速器。看上去就像是在搭建一个人工的神经元，实在是太震撼了。
ReRAM 对于电压敏感的特性与神经元细胞膜上离子门控通道的特性很像，CrossBar 的设计与灰质的解剖结构也很像。可以说，我们在亲手搭建一个人脑。一个硅基的人脑。那么这个硅脑，是否还是计算机的范畴呢？
三、人工神经网络 (Artificial Neural Network)
3.1 神经元 (Neural)
正如我们所见，这是一个神经元，神经元有很多个树突，用于接受其他神经元或者感觉细胞传递而来的神经递质，一般只有一个轴突，用于向其他神经元传递递质。神经元通过收集各个树突传递来的神经递质，打开不同的离子门控通道，当细胞膜电位超过阈值，就会触发动作电位，释放神经递质。我们可以利用这样的一个模型来对这个神经元建模。
其中 $I$ 是输入信号向量，$W$ 是输入信号权值向量，$b$ 是阈值，$f$ 是非线性映射关系，$o$ 是输出信号。我们用这个式子很精炼的概括了一个神经元的特征。
3.2 神经网络 (Neural Network)
很多个神经元在不同层（指信号迭代的次数）就可以构成神经网络。我们对其进行模型训练，训练可以通过影响权值的大小，来获得更加精确的结果，这个过程与人脑的记忆过程具有很高的相似性。
我们称第一层为输入层，最后一层是输出层，中间的层我们称其为隐层。
在训练中，我们一般不改变非线性映射，而只改变权重向量。
我们管比较简单的网络叫做感知机。
3.3 学科坐标
人工神经网络在学科坐标中大概是这个位置，顺带说一句“启发”的英文是 inspiration，启发式在我粗浅的理解下，似乎就是人们已经没法硬钢解决这个问题了，所以就通过模仿或者瞎猜一个算法路径去解决问题。
这幅图还没有画全，神经网络里还有一个包含是深度学习，深度学习又名“深度学习网络”。所谓的“深度“指的是神经网络的层数很多。
3.4 反向传播 (Back Propagation)
四、数学原理
开始前先放上大佬的话
年轻人，你不曾真正懂得数学，你只是习惯了而已。—冯 ⋅ 诺伊曼
Young man, in mathematics you don’t understand things. You just get used to them.—John von Neumann
4.1 卷积
认输，根本学不会。