神经网络作为人工智能的核心技术，正经历从理论争议到应用落地的多维推进。近期，CogSci 学者 Gary Marcus 再次公开质疑神经网络与生物神经元的本质差异，认为两者“差距巨大”，引发对当前 AI 基础架构可持续性的讨论（Gary Marcus：AI“神经网络”与真实神经元差距巨大）。学术前沿则聚焦于内部表征的可解释性：一项针对稀疏自编码器的研究发现，许多提取的特征并不稳定，但它们的浮动方向却指向稳定子空间，这为理解神经网络“黑箱”提供了新视角（稀疏自编码器特征稳定性研究：不稳定特征反映可复现子空间）。同时，理论层面发现数据对称性并不能必然转化为网络中的守恒律，打破了一些直觉假设（神经网络数据对称性不必然导致守恒律）。
在工程应用方面，神经网络向传统行业渗透加速：中国科学家在玻璃内部构建可编程3D光子神经网络，实现了全光计算硬件的新突破（中国科学家在玻璃内构建可编程3D光子神经网络）；AI 算法基于卷积神经网络辨识海洋走私物品，准确率达92%（AI 算法识别海洋走私物，准确率达 92%）；将 MCTS 与神经网络结合的 AlphaTransit 系统能自动设计城市公交网络，优化资源配置（AlphaTransit：用MCTS+神经网络设计城市公交网络）；此外，有团队利用神经网络负二项回归实现了每周地震概率预测与尾部风险评估（EarthquakeNet：神经网络负二项回归实现每周地震预测与尾部风险评估）。
当前焦点在于：神经网络究竟是“高级统计曲线拟合”还是逐渐逼近真正智能？Andrej Karpathy 甚至提出“神经计算机”愿景，认为未来软件界面将消失，神经网络直接成为计算主机（Karpathy 设想神经计算机：软件界面将消失，神经网络成为主机）。观察点包括：光子神经网络等新型硬件的成熟度、解释性工具（如稀疏自编码器）能否真正揭示推理机制，以及神经网络在风险敏感场景（如地震预测）中的可靠性。