神经网络的历史是什么？

沃伦·麦卡洛克和沃尔特·皮茨（1943）基于数学和一种称为阈值逻辑的算法创造了一种神经网络的计算模型。这种模型使得神经网络的研究分裂为两种不同研究思路。

一种主要关注大脑中的生物学过程，另一种主要关注神经网络在人工智能里的应用。一、赫布型学习二十世纪40年代后期，心理学家唐纳德·赫布根据神经可塑性的机制创造了一种对学习的假说，现在称作赫布型学习。

赫布型学习被认为是一种典型的非监督式学习规则，它后来的变种是长期增强作用的早期模型。从1948年开始，研究人员将这种计算模型的思想应用到B型图灵机上。

法利和韦斯利·A·克拉克（1954）首次使用计算机，当时称作计算器，在MIT模拟了一个赫布网络。纳撒尼尔·罗切斯特（1956）等人模拟了一台IBM704计算机上的抽象神经网络的行为。

弗兰克·罗森布拉特创造了感知机。这是一种模式识别算法，用简单的加减法实现了两层的计算机学习网络。罗森布拉特也用数学符号描述了基本感知机里没有的回路，例如异或回路。

这种回路一直无法被神经网络处理，直到保罗·韦伯斯(1975)创造了反向传播算法。在马文·明斯基和西摩尔·派普特（1969）发表了一项关于机器学习的研究以后，神经网络的研究停滞不前。

他们发现了神经网络的两个关键问题。第一是基本感知机无法处理异或回路。第二个重要的问题是电脑没有足够的能力来处理大型神经网络所需要的很长的计算时间。

直到计算机具有更强的计算能力之前，神经网络的研究进展缓慢。二、反向传播算法与复兴后来出现的一个关键的进展是保罗·韦伯斯发明的反向传播算法（Werbos1975）。

这个算法有效地解决了异或的问题，还有更普遍的训练多层神经网络的问题。在二十世纪80年代中期，分布式并行处理（当时称作联结主义）流行起来。

戴维·鲁姆哈特和詹姆斯·麦克里兰德的教材对于联结主义在计算机模拟神经活动中的应用提供了全面的论述。神经网络传统上被认为是大脑中的神经活动的简化模型，虽然这个模型和大脑的生理结构之间的关联存在争议。

人们不清楚人工神经网络能多大程度地反映大脑的功能。

支持向量机和其他更简单的方法（例如线性分类器）在机器学习领域的流行度逐渐超过了神经网络，但是在2000年代后期出现的深度学习重新激发了人们对神经网络的兴趣。

三、2006年之后的进展人们用CMOS创造了用于生物物理模拟和神经形态计算的计算设备。最新的研究显示了用于大型主成分分析和卷积神经网络的纳米设备具有良好的前景。

如果成功的话，这会创造出一种新的神经计算设备，因为它依赖于学习而不是编程，并且它从根本上就是模拟的而不是数字化的，虽然它的第一个实例可能是数字化的CMOS设备。

在2009到2012年之间，JürgenSchmidhuber在SwissAILabIDSIA的研究小组研发的循环神经网络和深前馈神经网络赢得了8项关于模式识别和机器学习的国际比赛。

例如，AlexGravesetal.的双向、多维的LSTM赢得了2009年ICDAR的3项关于连笔字识别的比赛，而且之前并不知道关于将要学习的3种语言的信息。

IDSIA的DanCiresan和同事根据这个方法编写的基于GPU的实现赢得了多项模式识别的比赛，包括IJCNN2011交通标志识别比赛等等。

他们的神经网络也是第一个在重要的基准测试中（例如IJCNN2012交通标志识别和NYU的扬·勒丘恩（YannLeCun）的MNIST手写数字问题）能达到或超过人类水平的人工模式识别器。

类似1980年KunihikoFukushima发明的neocognitron和视觉标准结构（由DavidH.Hubel和TorstenWiesel在初级视皮层中发现的那些简单而又复杂的细胞启发）那样有深度的、高度非线性的神经结构可以被多伦多大学杰弗里·辛顿实验室的非监督式学习方法所训练。

2012年，神经网络出现了快速的发展，主要原因在于计算技术的提高，使得很多复杂的运算变得成本低廉。以AlexNet为标志，大量的深度网络开始出现。

2014年出现了残差神经网络，该网络极大解放了神经网络的深度限制，出现了深度学习的概念。

构成典型的人工神经网络具有以下三个部分：1、结构（Architecture）结构指定了网络中的变量和它们的拓扑关系。

例如，神经网络中的变量可以是神经元连接的权重（weights）和神经元的激励值（activitiesoftheneurons）。

2、激励函数（ActivationRule）大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经元如何根据其他神经元的活动来改变自己的激励值。

一般激励函数依赖于网络中的权重（即该网络的参数）。3、学习规则（LearningRule）学习规则指定了网络中的权重如何随着时间推进而调整。这一般被看做是一种长时间尺度的动力学规则。

一般情况下，学习规则依赖于神经元的激励值。它也可能依赖于监督者提供的目标值和当前权重的值。例如，用于手写识别的一个神经网络，有一组输入神经元。输入神经元会被输入图像的数据所激发。

在激励值被加权并通过一个函数（由网络的设计者确定）后，这些神经元的激励值被传递到其他神经元。这个过程不断重复，直到输出神经元被激发。最后，输出神经元的激励值决定了识别出来的是哪个字母。

谷歌人工智能写作项目：神经网络伪原创

请问卷积神经网络的概念谁最早在学术界提出的?

福岛邦彦写作猫。2021年4月29日，福岛邦彦（KunihikoFukushima）获得2021年鲍尔科学成就奖。

他为深度学习做出了杰出贡献，其最有影响力的工作当属「Neocognitron」卷积神经网络架构。

其实，熟悉这位JürgenSchmidhuber人都知道，他此前一直对自己在深度学习领域的早期原创性成果未能得到业界广泛承认而耿耿于怀。

1979年，福岛博士在STRL开发了一种用于模式识别的神经网络模型：Neocognitron。很陌生对吧？

但这个Neocognitron用今天的话来说，叫卷积神经网络（CNN），是深度神经网络基本结构的最伟大发明之一，也是当前人工智能的核心技术。什么？

卷积神经网络不是一个叫YannLeCun的大佬发明的吗？怎么又换成了福岛邦彦（KunihikoFukushima）了？

严格意义上讲，LeCun是第一个使用误差反向传播训练卷积神经网络（CNN）架构的人，但他并不是第一个发明这个结构的人。

而福岛博士引入的Neocognitron，是第一个使用卷积和下采样的神经网络，也是卷积神经网络的雏形。

福岛邦彦(KunihikoFukushima)设计的具有学习能力的人工多层神经网络，可以模仿大脑的视觉网络，这种「洞察力」成为现代人工智能技术的基础。

福岛博士的工作带来了一系列实际应用，从自动驾驶汽车到面部识别，从癌症检测到洪水预测，还会有越来越多的应用。

BP神经网络和感知器有什么区别？

1、发展背景不同：感知器是FrankRosenblatt在1957年所发明的一种人工神经网络，可以被视为一种最简单形式的前馈式人工神经网络，是一种二元线性分类器。

而BP神经网络发展于20世纪80年代中期，DavidRunelhart。

GeoffreyHinton和RonaldW-llians、DavidParker等人分别独立发现了误差反向传播算法，简称BP，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导。

2、结构不同：BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。

感知器也被指为单层的人工神经网络，以区别于较复杂的多层感知器（MultilayerPerceptron）。作为一种线性分类器，（单层）感知器可说是最简单的前向人工神经网络形式。

3、算法不同：BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每层神经元的状态只影响下一层神经元的状态。

感知器使用特征向量来表示的前馈式人工神经网络，它是一种二元分类器，输入直接经过权重关系转换为输出。参考资料来源：百度百科-感知器参考资料来源：百度百科-BP神经网络。

有人可以介绍一下什么是"神经网络"吗?

由于神经网络是多学科交叉的产物，各个相关的学科领域对神经网络都有各自的看法，因此，关于神经网络的定义，在科学界存在许多不同的见解。

目前使用得最广泛的是T.Koholen的定义，即"神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。

"如果我们将人脑神经信息活动的特点与现行冯·诺依曼计算机的工作方式进行比较，就可以看出人脑具有以下鲜明特征：1.巨量并行性。

在冯·诺依曼机中，信息处理的方式是集中、串行的，即所有的程序指令都必须调到CPU中后再一条一条地执行。而人在识别一幅图像或作出一项决策时，存在于脑中的多方面的知识和经验会同时并发作用以迅速作出解答。

据研究，人脑中约有多达10^(10)～10^(11)数量级的神经元，每一个神经元具有103数量级的连接，这就提供了巨大的存储容量，在需要时能以很高的反应速度作出判断。

2.信息处理和存储单元结合在一起。在冯·诺依曼机中，存储内容和存储地址是分开的，必须先找出存储器的地址，然后才能查出所存储的内容。一旦存储器发生了硬件故障，存储器中存储的所有信息就都将受到毁坏。

而人脑神经元既有信息处理能力又有存储功能，所以它在进行回忆时不仅不用先找存储地址再调出所存内容，而且可以由一部分内容恢复全部内容。

当发生"硬件"故障（例如头部受伤）时，并不是所有存储的信息都失效，而是仅有被损坏得最严重的那部分信息丢失。3.自组织自学习功能。

冯·诺依曼机没有主动学习能力和自适应能力，它只能不折不扣地按照人们已经编制好的程序步骤来进行相应的数值计算或逻辑计算。

而人脑能够通过内部自组织、自学习的能力，不断地适应外界环境，从而可以有效地处理各种模拟的、模糊的或随机的问题。神经网络研究的主要发展过程大致可分为四个阶段：1.第一阶段是在五十年代中期之前。

西班牙解剖学家Cajal于十九世纪末创立了神经元学说，该学说认为神经元的形状呈两极，其细胞体和树突从其他神经元接受冲动，而轴索则将信号向远离细胞体的方向传递。

在他之后发明的各种染色技术和微电极技术不断提供了有关神经元的主要特征及其电学性质。

1943年，美国的心理学家W.S.McCulloch和数学家W.A.Pitts在论文《神经活动中所蕴含思想的逻辑活动》中，提出了一个非常简单的神经元模型，即M－P模型。

该模型将神经元当作一个功能逻辑器件来对待，从而开创了神经网络模型的理论研究。

1949年，心理学家D.O.Hebb写了一本题为《行为的组织》的书，在这本书中他提出了神经元之间连接强度变化的规则，即后来所谓的Hebb学习法则。

Hebb写道："当神经细胞A的轴突足够靠近细胞B并能使之兴奋时，如果A重复或持续地激发B，那么这两个细胞或其中一个细胞上必然有某种生长或代谢过程上的变化，这种变化使A激活B的效率有所增加。

"简单地说，就是如果两个神经元都处于兴奋状态，那么它们之间的突触连接强度将会得到增强。

五十年代初，生理学家Hodykin和数学家Huxley在研究神经细胞膜等效电路时，将膜上离子的迁移变化分别等效为可变的Na+电阻和K+电阻，从而建立了著名的Hodykin-Huxley方程。

这些先驱者的工作激发了许多学者从事这一领域的研究，从而为神经计算的出现打下了基础。2.第二阶段从五十年代中期到六十年代末。

1958年，F.Rosenblatt等人研制出了历史上第一个具有学习型神经网络特点的模式识别装置，即代号为MarkI的感知机（Perceptron），这一重大事件是神经网络研究进入第二阶段的标志。

对于最简单的没有中间层的感知机，Rosenblatt证明了一种学习算法的收敛性，这种学习算法通过迭代地改变连接权来使网络执行预期的计算。

稍后于Rosenblatt，B.Widrow等人创造出了一种不同类型的会学习的神经网络处理单元，即自适应线性元件Adaline，并且还为Adaline找出了一种有力的学习规则，这个规则至今仍被广泛应用。

Widrow还建立了第一家神经计算机硬件公司，并在六十年代中期实际生产商用神经计算机和神经计算机软件。

除Rosenblatt和Widrow外，在这个阶段还有许多人在神经计算的结构和实现思想方面作出了很大的贡献。例如，K.Steinbuch研究了称为学习矩阵的一种二进制联想网络结构及其硬件实现。

N.Nilsson于1965年出版的《机器学习》一书对这一时期的活动作了总结。3.第三阶段从六十年代末到八十年代初。

第三阶段开始的标志是1969年M.Minsky和S.Papert所著的《感知机》一书的出版。

该书对单层神经网络进行了深入分析，并且从数学上证明了这种网络功能有限，甚至不能解决象"异或"这样的简单逻辑运算问题。同时，他们还发现有许多模式是不能用单层网络训练的，而多层网络是否可行还很值得怀疑。

由于M.Minsky在人工智能领域中的巨大威望，他在论著中作出的悲观结论给当时神经网络沿感知机方向的研究泼了一盆冷水。

在《感知机》一书出版后，美国联邦基金有15年之久没有资助神经网络方面的研究工作，前苏联也取消了几项有前途的研究计划。

但是，即使在这个低潮期里，仍有一些研究者继续从事神经网络的研究工作，如美国波士顿大学的S.Grossberg、芬兰赫尔辛基技术大学的T.Kohonen以及日本东京大学的甘利俊一等人。

他们坚持不懈的工作为神经网络研究的复兴开辟了道路。4.第四阶段从八十年代初至今。

1982年，美国加州理工学院的生物物理学家J.J.Hopfield采用全互连型神经网络模型，利用所定义的计算能量函数，成功地求解了计算复杂度为NP完全型的旅行商问题（TravellingSalesmanProblem，简称TSP）。

这项突破性进展标志着神经网络方面的研究进入了第四阶段，也是蓬勃发展的阶段。Hopfield模型提出后，许多研究者力图扩展该模型，使之更接近人脑的功能特性。

1983年，T.Sejnowski和G.Hinton提出了"隐单元"的概念，并且研制出了Boltzmann机。

日本的福岛邦房在Rosenblatt的感知机的基础上，增加隐层单元，构造出了可以实现联想学习的"认知机"。Kohonen应用3000个阈器件构造神经网络实现了二维网络的联想式学习功能。

1986年，D.Rumelhart和J.McClelland出版了具有轰动性的著作《并行分布处理-认知微结构的探索》，该书的问世宣告神经网络的研究进入了高潮。

1987年，首届国际神经网络大会在圣地亚哥召开，国际神经网络联合会（INNS）成立。

随后INNS创办了刊物《JournalNeuralNetworks》，其他专业杂志如《NeuralComputation》，《IEEETransactionsonNeuralNetworks》，《InternationalJournalofNeuralSystems》等也纷纷问世。

世界上许多著名大学相继宣布成立神经计算研究所并制订有关教育计划，许多国家也陆续成立了神经网络学会，并召开了多种地区性、国际性会议，优秀论著、重大成果不断涌现。

今天，在经过多年的准备与探索之后，神经网络的研究工作已进入了决定性的阶段。日本、美国及西欧各国均制订了有关的研究规划。日本制订了一个"人类前沿科学计划"。

这项计划为期15－20年，仅初期投资就超过了1万亿日元。在该计划中，神经网络和脑功能的研究占有重要地位，因为所谓"人类前沿科学"首先指的就是有关人类大脑以及通过借鉴人脑而研制新一代计算机的科学领域。

在美国，神经网络的研究得到了军方的强有力的支持。美国国防部投资4亿美元，由国防部高级研究计划局（DAPRA）制订了一个8年研究计划，并成立了相应的组织和指导委员会。

同时，海军研究办公室（ONR）、空军科研办公室（AFOSR）等也纷纷投入巨额资金进行神经网络的研究。DARPA认为神经网络"看来是解决机器智能的唯一希望"，并认为"这是一项比原子弹工程更重要的技术"。

美国国家科学基金会（NSF）、国家航空航天局（NASA）等政府机构对神经网络的发展也都非常重视，它们以不同的形式支持了众多的研究课题。欧共体也制订了相应的研究计划。

在其ESPRIT计划中，就有一个项目是"神经网络在欧洲工业中的应用"，除了英、德两国的原子能机构外，还有多个欧洲大公司卷进这个研究项目，如英国航天航空公司、德国西门子公司等。

此外，西欧一些国家还有自己的研究计划，如德国从1988年就开始进行一个叫作"神经信息论"的研究计划。我国从1986年开始，先后召开了多次非正式的神经网络研讨会。

1990年12月，由中国计算机学会、电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会等八个学会联合在北京召开了"中国神经网络首届学术会议"，从而开创了我国神经网络研究的新纪元。

如何用神经网络来减少条件随机场特征

BP神经网络、离散Hopfield网络、LVQ神经网络等等都可以。

1.BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。2.Hopfiled神经网络是一种递归神经网络，由约翰·霍普菲尔德在1982年发明。

Hopfield网络是一种结合存储系统和二元系统的神经网络。它保证了向局部极小的收敛，但收敛到错误的局部极小值（localminimum），而非全局极小（globalminimum）的情况也可能发生。

Hopfiled网络也提供了模拟人类记忆的模型。

3.LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。

隐含层和输出层神经元之间的连接权值固定为1。输入层和隐含层神经元间连接的权值建立参考矢量的分量（对每个隐含神经元指定一个参考矢量）。在网络训练过程中，这些权值被修改。

隐含层神经元（又称为Kohnen神经元）和输出神经元都具有二进制输出值。

当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其它隐含层神经元都被迫产生“0”。

与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其它输出神经元均发出“0”。产生“1”的输出神经元给出输入模式的类，由此可见，每个输出神经元被用于表示不同的类。

人工神级网络最简化形式

感知器（英语：Perceptron）。是FrankRosenblatt在1957年就职于康奈尔航空实验室（CornellAeronauticalLaboratory）时所发明的一种人工神经网络。

它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器。感知机是生物神经细胞的简单抽象。神经细胞结构大致可分为：树突、突触、细胞体及轴突。

单个神经细胞可被视为一种只有两种状态的机器——激动时为‘是’，而未激动时为‘否’。神经细胞的状态取决于从其它的神经细胞收到的输入信号量，及突触的强度（抑制或加强）。

当信号量总和超过了某个阈值时，细胞体就会激动，产生电脉冲。电脉冲沿着轴突并通过突触传递到其它神经元。

为了模拟神经细胞行为，与之对应的感知机基础概念被提出，如权量（突触）、偏置（阈值）及激活函数（细胞体）。

在人工神经网络领域中，感知机也被指为单层的人工神经网络，以区别于较复杂的多层感知机（MultilayerPerceptron）。作为一种线性分类器，（单层）感知机可说是最简单的前向人工神经网络形式。

尽管结构简单，感知机能够学习并解决相当复杂的问题。感知机主要的本质缺陷是它不能处理线性不可分问题。

历史1943年，心理学家沃伦·麦卡洛克和数理逻辑学家沃尔特·皮茨在合作的《Alogicalcalculusoftheideasimmanentinnervousactivity》论文中提出并给出了人工神经网络的概念及人工神经元的数学模型，从而开创了人工神经网络研究的时代。

1949年，心理学家唐纳德·赫布在《TheOrganizationofBehavior》论文中描述了神经元学习法则——赫布型学习。人工神经网络更进一步被美国神经学家弗兰克·罗森布拉特所发展。

他提出了可以模拟人类感知能力的机器，并称之为‘感知机’。1957年，在Cornell航空实验室中，他成功在IBM704机上完成了感知机的仿真。

两年后，他又成功实现了能够识别一些英文字母、基于感知机的神经计算机——Mark1，并于1960年6月23日，展示与众。

为了‘教导’感知机识别图像，弗兰克·罗森布拉特在Hebb学习法则的基础上，发展了一种迭代、试错、类似于人类学习过程的学习算法——感知机学习。

除了能够识别出现较多次的字母，感知机也能对不同书写方式的字母图像进行概括和归纳。

但是，由于本身的局限，感知机除了那些包含在训练集里的图像以外，不能对受干扰（半遮蔽、不同大小、平移、旋转）的字母图像进行可靠的识别。

首个有关感知机的成果，由弗兰克·罗森布拉特于1958年发表在《ThePerceptron:AProbabilisticModelforInformationStorageandOrganizationintheBrain》的文章里。

1962年，他又出版了《PrinciplesofNeurodynamics:Perceptronsandthetheoryofbrainmechanisms》一书，向大众深入解释感知机的理论知识及背景假设。

此书介绍了一些重要的概念及定理证明，例如感知机收敛定理。

为什么浅层神经网络提取特征的能力不强

BP神经网络、离散Hopfield网络、LVQ神经网络等等都可以。

BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。

2.Hopfiled神经网络是一种递归神经网络，由约翰·霍普菲尔德在1982年发明。Hopfield网络是一种结合存储系统和二元系统的神经网络。

它保证了向局部极小的收敛，但收敛到错误的局部极小值（localminimum），而非全局极小（globalminimum）的情况也可能发生。Hopfiled网络也提供了模拟人类记忆的模型。

3.LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。

隐含层和输出层神经元之间的连接权值固定为1。输入层和隐含层神经元间连接的权值建立参考矢量的分量（对每个隐含神经元指定一个参考矢量）。在网络训练过程中，这些权值被修改。

隐含层神经元（又称为Kohnen神经元）和输出神经元都具有二进制输出值。

当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其它隐含层神经元都被迫产生“0”。

与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其它输出神经元均发出“0”。产生“1”的输出神经元给出输入模式的类，由此可见，每个输出神经元被用于表示不同的类。

二十一世纪新四大发明是哪些？

。

21世纪中国新四大发明（具备完全知识产权)：1，三聚氰胺冒充奶粉技术2，地沟油提炼技术3，馒头染色技术4，健美猪养殖技术21世纪最“无奈”的四大发明第一大发明是打卡机据说打卡机是IBM发明的，自从有了打卡机这玩意，需要天天上班的白领就没过上一天好日子。

有两个行为艺术家，曾做过一个著名的实验，让一位白领，一年之内什么也不要干，就是每一小时打一次卡。结果是这位白领被折磨得进了精神病院。

第二大发明是方便面民以食为天，但自有了方便面，白领的生活质量便直线下降，十个白领九个菜色。品牌的最高境界是既有知名度，又有美誉度。但方便面品牌是难得有美誉度的。

每逢看到一家老少三代在合家团圆的春节时每人手捧一碗方便面为大家贺岁的广告时，总觉得老板的脑袋真是进水了。对于白领来说，被老板勒令加班，独自吃方便面的时候，杀了老板的心都有。

第三大发明是床垫主要指可折叠的单人床垫。据说二十世纪七十年代，在美国硅谷的高科技公司里，可折叠的单人床垫曾大行其道。床是伴随人类时间最久的伴侣：人们生于斯，爱于斯，死于斯。

但自席梦思开始，床垫有了独立的法人地位。不用上床，也可以睡觉。这就给了老板要求员工通宵达旦加班以借口。

当白领看到同事从座位底下扯出床垫的时候，尤其是听说有同事因过劳而“床垫裹尸还”的时候，那心中的悲愤可想而知。

第四大发明是手机白领痛恨手机的主要原因是失去了私人时间，没有了上下班之分，尤其是老板要求24小时不许关机的工作。

虽然白领痛恨手机但又离不开手机，可谓爱恨交织，唯一的解决之道就是尽量不用公司提供的手机，白领晋级金领的一个标志就是拥有两部手机，并不是歌里所唱的“等我发了财，买俩大哥大；左手诺基亚，右手摩托罗拉”，而是一部对公手机，一部因私手机。

当然，最高的境界是不用手机，谁有李嘉诚打手机的照片可以发给我，高价征求。

中国20世纪的新四大发明：1杂交水稻：袁隆平1973年发明2汉字激光照排：王选1979年发明3人工合成牛胰岛素：钮经义为首的一大批科技人员与1964年发明4复方蒿甲醚：数百名科学家共同的结果六十年代后期发明美国20世纪的新四大发明：1原子能：奥本海默.等一大批美国科学家1942年在美国建成世界上第一座核裂变反应堆2半导体：巴丁、布莱顿和肖特莱1947年在美国贝尔实验室发明3计算机：美国宾夕法尼亚大学的毛琪利与爱克特在1946年发明4激光器：美国贝尔实验室的查尔斯.汤斯与西奥多.梅曼在1960年发明20世纪的“新四大发明”——原子能、半导体、计算机、激光器，又彻底改写了世界科技发展的历史。

原子能1911年，物理学家发现电子的中心是带正电的原子核。1913年，玻尔提出电子在不同轨道上绕原子核运动。1919年，英国物理学家卢瑟福用带正电的。粒子轰击氮和氢，发现了质。

1932年，卢瑟福的学生和助手——查德威克发现中子，进而提出原子核由质子和中子组成1938年，物理学家发现重原子核裂变。核能的威力首先被用于战争。

1942年6月，美国政府启动了代号为“曼哈顿工程”的原子武器制造计划。1945年7月16日，世界上第一颗原子弹在美国新墨西哥州的荒漠上试爆成功。

此后，前苏联于1949年、英国1952年、法国于1960年、中国于1964年10月分别研制出并成功地爆炸了原子弹。和平利用原子能，成为整个世界的呼声。

1942年，世界上第一座裂变反应堆在美国建成；1954年，莫斯科附近的奥布宁斯克原子能发电站投入运行，标志着人类和平利用原子能时代的到来。

1991年，中国的第一座核电站——秦山核电站起用，继之大亚湾核电站投产。

半导体1947年，美国电报电话公司（AT＆T）贝尔实验室的三位科学家巴丁、布莱顿和肖克利在研究半导体材料——锗和硅的物理性质时，意外地发现了锗晶体具有放大作，经过反复研究，他们用半导体材料制成了放大倍数达100量级的放大器，这便是世界上第一个固体放大器——晶体三极管。

晶体管的出现，迅速替代电子管占领了世界电子领域。随后，晶体管电路不断向微型化方向发展。

1957年，美国科学家达默提出“将电子设备制作在一个没有引线的固体半导体板块中”的大胆技术思想，这就是半导体集成电路的思想。

1958年，美国德克萨斯州仪器公司的工程师基尔比在一块半导体硅晶片上电阻、电容等分立元件放入其中，制成第一批集成电路。

1959年，美国仙童公司的诺伊斯用一种平面工艺制成半导体集成电路，“点石成金”，集成电路很快成了比黄金还诱人的产品1971年11月，英特尔（Intel）公司的霍夫将计算机的线路加以改进，把中央处理器的全部功能集成在一块芯片上，另外再加上存储器，制成世界上第一个微处理器。

随着硅片上元件集成度的增加，集成电路的发展经历了小规模集成电路、中规模集成电路、大规模集成电路和超大规模集成电路（VLSI）阶段。

1978年，研制成的超大规模集成电路，集成度达10万以上，电子技术进入微电子时代。80年代末，芯片上集成的元件数突破1000万的大关。

计算机1946年，世界上第一台电子数字积分计算机——埃尼克（ENIAC）在美国宾夕法尼亚大学莫尔学院诞生。

ENIAC犹如一个庞然大物，重达30吨、占地170平方米、内装18000个电子管，但它运算速度却比当时最好的机电式计算机快1000倍。ENMC的问世，犹如石破天惊，开辟了信息新时代。

1949年，第一台存储程序计算机——EDSAC在剑桥大学投入运行，ENIAC和EDSAC均属于第一代计算机。1954年，美国贝尔实验室制成第一台晶体管计算机——TRADIC，使计算机体积大大缩小。

1958年，美国IBM公司制成全部使用晶体管的计算机，第二代计算机诞生了。第二代计算机的运算速度比第一代计算机提高了近百倍。

60年代中期，随着集成电路的问世，第三代计算机诞生，其标志产品是1964年由美国IBM公司生产的IBM360系列机。

第四代计算机以大规模集成电路作为逻辑元件和存储器，使计算机向着微型化和巨型化方向发展。

计算机的微处理器从早期的8086，发展到80286．80386．80486．奔腾（Pentium）、奔腾二代（PentiumⅡ）和奔腾三代（PentiumⅢ）。

当前，第五代计算机——智能计算机的研究正渐入佳境。

智能计算机的主要特征是具备人工智能，能像人一样思维，并且运算速度极快，它不仅具有一种能够支持高度并行和推理的硬件系统，还具有能够处理知识信息的软件系统。

世纪之交，计算机科技的前沿领域包括：神经网络计算机。超导计算机、生物计算机和光计算机等。激光器1958年，贝尔实验室的汤斯和肖洛发表了关于激光器的经典论文，奠定了激光发展的基础。

1960年，美国人梅曼发明了世界上第一台红宝石激光器。1965年，第一台可产生大功率激光的器件——二氧化碳激光器诞生。1967年，第一台X射线激光器研制成功。

1997年，美国麻省理工学院的研究人员研制出第一台原子激光器。

激光器的出现，大大改变了人类的生产与生活：在通信技术领域，光通信依赖的基础器件便是激光器，用于存储信息的CD－ROM光盘，可存储数百兆比特的信息；越洋光通信已进入1万亿比特／8的开发阶段；光计算机的研究也正日益深入。

在能源领域，激光可用于工业、军事上的能量源，大功率激光器被用于受控核聚变研究。

在医学领域，激光治疗已在外科、内科、妇科、牙科、五官科、肿瘤科得到应用，可治疗数百种疾病；激光针灸可以无痛，无菌地穿透皮肤，达到治疗的目的。

此外，激光在军事、生物工程等领域也崭露头角，应用范围日益拓宽。由此，激光被人们誉为20世纪的“世纪之光”。