Neurons that fire together wire together — Donald O. Hebb
小时候你们应该听大人说过：“脑子不用会生锈”，教导我们要多思考多练习。后来我们真的发现需要肌肉记忆的运动如篮球、高尔夫，所谓的“球感”，正应验了赫布理论那句老话：“Neurons that fire together wire together”。我们的那些神经元似乎越是频繁地连接，越是有“存在感”。甚至在训练足够多的次数后，神经元的连接如此强烈，以至于产生了条件反射。
另一方面我们的神经元可以训练并适应不同的任务，其可塑性惊人。当今所谓的神经网络不过皮毛。
今天聊的脉冲神经网络(SNN)，只是弥补了神经网络中的一处不足。我们在之前的post提到过Hinton老爷子对未来神经网络的展望，其中一个重点就是目前神经网络的时间线（尺度）太少了 。
开始之前，先简单回顾一下神经网络的发展。
感知机（perceptron），是神经元间的直连感知：
其中白色较亮的点是被激活（更兴奋）的神经元。
对于多层感知机，只是层数变多了，依旧是直连加反向传播：
轮到现在流行的CNN, 只是比感知机多了卷积层:
到目前为止可以发现，所有连接权重的更新速度是一样的。即所有神经元的连接，在某个时间点的兴奋度低，但在下一个时间点的兴奋度可能很高！（因为反向传播才不管这么多），细想，不符合那句老话：“Neurons that fire together wire together”。此刻兴奋的神经元在下一时刻应该惯性地也比较兴奋才对。
这就引出了脉冲神经网络(SNN)的想法，神经元兴奋度不应该是一瞬间更新的，而是慢慢衰减的，衰减的过程中有机会向更深的网络激活兴奋区，最后，激活的兴奋区才是最后的预测判别结果:
事实上，David认为脉冲神经网络(SNN)更是对目前神经网络时间尺度单一的不满。一些神经科学家已经指出，
