20世纪80年代末，当人工神经网络研究在国际上处于高峰时期，从探讨微电子可能的新应用方向出发，我们也进入了这一新领域。做了大量跟踪性工作以后，发现国际上人工神经网络虽然在模式识别及优化等领域应用甚多，但其发展缓慢。国际上研究热度也很快降了下来。此时，国内外不少曾热衷于人工神经网络研究的人们，有相当一部分人纷纷退出了这一研究领域。当时我们分析了人工神经网络这一研究方向的发展情况，认为建筑在执行一条条指令基础上的现行计算机系统，在解决逻辑思维问题方面，具有极为高超的本领，但在解决形象思维问题方面的能力却很差，往往不如一个小小孩，甚至不如一只小动物。因此，从长远观点看，人工神经网络的研究方向是很重要的，有很广阔的前景和很大的实用意义。要突破神经网络发展中的障碍，必须在两个方面突破：一是要发展一种分析复杂神经网络行之有效的理论工具和思考方法；二是要创造一种能方便高效地模拟神经网络的神经计算机硬件，作为神经网络新理论、新模型、新算法的载体。从已经应用最多的神经网络模式识别的基本问题出发，我们认为现行的神经网络模式识别的基本理论出发点都是从特征空间中多类样本点的最佳划分出发的，也就是从非同类被识别对象的“差别”出发的，而人类认识事物却不是这样。设想农村中的一个孩子，能认识牛、羊、马、狗等等农村中所有的一切，但没见过汽车。如果有一辆汽车突然出现在他面前时，试问他会怎样想呢？他会把汽车与以前见过的牛、羊、马、狗等一件件比较，看与哪件最相像吗（传统模式识别正是这样的）？不，他绝不是这样想的，而是认为“我没见过这种东西”，“我不认识这种东西”。这正是人类“认识”事物与传统模式识别“区分” 事物的差别。人类侧重于“认识”,而传统模式识别则只注意“区别”，没有重视“认识”的概念。