为了在以上信息的基础上建立一个有用的中枢神经系统的模型，我们先要明确一点：中枢神经系统的活动是通过在一个给定时间步长内处于激发状态的神经元进行描述的。因为发射的脉冲具有一致性，我们可以认为每个神经元在一个时间步长内处于“开”（发射脉冲）或“关”（静默）两种状态之一。我们还可以做出如下假定进一步简化这个模型：在同一个时间步长内到达的所有脉冲，都能等效地决定神经元是否被激发。用专业术语来说就是忽略了脉冲的相位（phase）。
EMERGENCE
图5-2展示了这些简化的中枢神经系统模型和塞缪尔的模型之间的联系。如果再来看一看塞缪尔的评估函数的描述，就能非常清楚地了解这种联系：
V（s）=∑iwivi（s）
图5-2 国际跳棋程序和前馈神经网络中神经元的对比
先来看看vi（s）。对于塞缪尔来说，这是由特征确认过程提供给评估函数的输入。对于神经元来说，我们则可以认为vi（s）是神经元表面突触存在的脉冲信号。如果时间步长以神经元的处理时间为基础，那么vi（s）表示的是在突触i处是否存在一个脉冲，即vi（s）的值为1时表示存在脉冲，为0时表示不存在脉冲。如果我们使用一个较长的时间步长，则vi（s）可以被认为是这期间脉冲到达的次数。也就是说，在这个较长的时间步长中，vi（s）给出了神经元向突触i发射脉冲的频率。
无论采用哪种解释，权重wi都代表了突触i运送神经递质通过突触间隙的效率。如果到达突触的脉冲总数超过接收神经元的固定阈值，则接收神经元将被激发而发射脉冲。如果用发射频率来解释，那么接收神经元的发射频率将被认为是∑iwivi（s）-T这样一个简单的差额函数。
我们可以进一步假定只有当到达突触的脉冲数目超过某一固定的激发阈值时，每个神经元才在该时间步长结束时被激发。接下来我们将看到，这个假设并不适用于现实的神经元。但早期的一篇非常优秀的论文正是以这种简化的假设为基础。该论文的作者是沃伦·麦卡洛克和沃尔特·皮茨。美国数学家斯蒂芬·克莱尼（Stephen Kleene）曾在1951年对此做过介绍。就其对计算机发展所产生的广泛影响来说，这篇论文足以媲美图灵在1937年发表的论文(9)。两人的论文不仅为后来神经网络的研究奠定了基础，而且还在后来计算机语言（1951年由克莱尼重写）甚至自然语言［1957年由美国哲学家乔姆斯基（Chomsky）改编］的研究中起到了关键作用。在近来人工神经网络研究的复兴中，这种固定的激发阈值的简化假设也起到了非常重要的作用。
简言之，无论是塞缪尔的评估函数还是这些人工神经元，都使用了一个加权和来做出判断。尽管在这两种情况中，改变权重的算法是不一样的，但两者都是通过权重的改变来进行学习的。
