2022新機器智能教材

22新機器智能PAGEPAGE100第1章人工智能與人類智能1979年6月，當我從康奈爾大學電氣工程專業(yè)畢業(yè)時，對自己的生活沒有任何規(guī)劃。我開始在美國俄勒岡州波特蘭市新成立的英特爾公司擔任工程師。當時，微型計算機行業(yè)剛剛起步，而英特爾公司則是行業(yè)翹楚。我的工作是分析和解決我們公司的主要產(chǎn)品，即單板機在使用過程中出現(xiàn)的問題。由于英特爾公司發(fā)明了微處理器，從而使整臺計算機可以放在一塊電路板上。我印發(fā)了一份新聞簡報，去了一些地方旅行，并拜訪了一些客戶。盡管那時我很年輕，很想念在俄亥俄州辛辛那提工作的好友，但說實話日子過得不錯。幾個月后發(fā)生的一件事改變了我的人生方向。我閱讀了新出版的《科學美國人》9月刊。那一期的內(nèi)容全部與大腦有關(guān)，它重新點燃了我童年時對大腦的興趣。這期雜志很吸引人，從中我了解到大腦的組織結(jié)構(gòu)、發(fā)育情況和化學成分，視覺、運動和其他特殊功能的神經(jīng)機制，以及精神障礙的生物學基礎(chǔ)。我覺得這是《科學美國人》有史以來最好的一期。與我交談過的幾位神經(jīng)科學家告訴我，這期雜志對他們的職業(yè)選擇起到的作用，就像它對我產(chǎn)生的影響一樣重要。該期雜志中，最后一篇文章《思考大腦》是弗朗西斯·克里克寫的，他是DNA克認為，盡管關(guān)于大腦的詳細知識在不斷積累，但大腦的工作原理仍然是一個難解之謎?？茖W家通常不寫他們不知道的東西，但克里克不在乎。他就像那個指出皇帝沒穿衣服的男孩。根據(jù)克里克的說法，神經(jīng)科學只有大量的數(shù)據(jù)，沒有一種理論。他的原話是：“目前明顯缺乏的是一個普適的思想框架。”對我來說，這位英國紳士的言外之意是：我們對大腦的工作原理毫無頭緒。在當時，情況的確如此；而到了今天，情況依然如此。克里克的話對我來說有一種號召力。它喚醒了我渴望了解大腦和制造智能機器的畢生愿望。雖然我當時剛剛大學畢業(yè)，但我決定改變職業(yè)方向。我要研究大腦，不僅要了解它是如何工作的，而且要以這些知識作為新技術(shù)的基礎(chǔ)，制造智能機器。但是，要將這個計劃付諸行動，我還需要一些時間。1980年春天，我被調(diào)到英特爾公司的波士頓辦事處，與我未來的妻子團聚，那時她剛剛開始讀研。我當時的工作是教導客戶和員工如何設(shè)計基于微處理器的系統(tǒng)。但一個不同的目標吸引了我：我想弄清楚如何設(shè)計基于大腦理論的系統(tǒng)。我心中的工程師角色意識到，只要了解了大腦是如何工作的，就可以制造它們，而制造人工大腦的自然方法是用硅芯片。而我當時就在一家發(fā)明了硅存儲芯片和微處理器的公司工作，因此我想，說不定我可以勸說英特爾公司高層，讓我能花部分時間思考智能以及如何設(shè)計類似大腦的存儲芯片的問題。我給英特爾公司時任董事長戈登·摩爾（GordonMoore）寫了一封信。這封信的主要內(nèi)容如下：親愛的摩爾博士：意。杰夫·霍金斯摩爾幫我與英特爾公司的首席科學家特德·霍夫（TedHoff）聯(lián)系。我飛到加利福尼亞去見他，并提出了研究大腦的建議?；舴蛞騼杉露劽旱谝患率撬谠O(shè)計第一個微處理器過程中的貢獻，我知道這件事。第二件事是他在早期神經(jīng)網(wǎng)絡(luò)理論方面的成就，當時我還不知道?；舴?qū)θ斯ど窠?jīng)元及其應(yīng)用經(jīng)驗豐富。而彼時的我在這方面還沒有太多經(jīng)驗。聽完我的建議后，他說他不相信在可預(yù)見的未來人們有可能弄清楚大腦是如何工作的，因此對于英特爾公司來說，支持我沒有意義。霍夫是正確的，現(xiàn)在幾十年過去了，我們才剛開始在理解大腦方面取得重大進展。在商業(yè)界，時機就是一切。不過，當時我還是很不服氣。后，我開始尋找下一個最好的辦法。我決定申請麻省理工學院的研究培訓，我有一個制造智能機器的愿望，這些都沒問題。我想先研究大腦，看看它們是如何工作的……的科學家看來，是不可能實現(xiàn)的。的事情，計算機都能做到，就算是大腦做不到的事情，計算機也能做到，所以為什么要被“自然界計算機”——大腦那與生俱來的混亂狀況限制思維呢？研究大腦會限制思維。他們認為，最好是研究計算的極限，然后在數(shù)字計算機中完美地表達出來。他們的終極目標是寫出最初與人類能力相匹配，然后超越人類能力的計算機程序。他們采取了一種以目的證明手段的方法，卻對真正的大腦如何工作不感興趣，一些人甚至以忽視神經(jīng)生物學為榮。這讓我很震驚，因為我覺得這種解決問題的方式完全錯誤。直覺告訴我，人工智能的方法不僅無法創(chuàng)造出能產(chǎn)生人類行為的程序，而且也無法使我們理解什么是智能。計算機和大腦秉承兩種完全不同的原則。一個是編程，一個是自學；一個必須性能完好才能工作，一個自然靈活且能兼容失誤；計算機具備中央處理器（CPU），大腦則沒有中央控制機制。個中差異不勝枚舉。我了解計算機的工作原理，無論是上層的操作系統(tǒng)，還是底層的物理實現(xiàn)，這些知識讓我有一種強烈的直覺，即大腦和計算機在本質(zhì)上是不同的。我無法證明這一點，但我就是知道這一點，就像一個人可以憑直覺知曉事物一樣。真正的智能機器。之前沒辦法做到。他們不相信需要研究真正的大腦才能了解智能和制造智能機器。1981年，麻省理工學院拒絕了我的入學申請。能力有限的人工智能今天許多人還會這樣認為，人工智能依舊是一個前景光明的方向，只是在等待足夠的算力來兌現(xiàn)它的許多承諾。持這種想法的人認為，當計算機擁有足夠大的內(nèi)存和足夠強的處理能力時，人工智能研究人員將能夠制造智能機器。我不同意這種觀點。人工智能有一個根本缺陷，那就是它未能充分理解什么是智能，或未能理解某個事物意味著什么。簡單回顧一下人工智能的歷史和它秉承的原則，就能解釋這一研究方向是如何走偏的。域發(fā)展的一個關(guān)鍵人物是英國數(shù)學家艾倫·圖靈（AlanTuring），他是通用計算機概念的提出者之一。他的壯舉是正式證明了通用計算的概情況都是如此。作為驗證的一部分，他構(gòu)想了這樣一臺機器——名的1和0靈就想到用紙帶存儲信息。這個盒子，也就是我們今天所說的CPU，會遵循一套固定的規(guī)則來讀取和編輯紙帶上的信息。圖靈用數(shù)學方法證明，如果你為CPU選擇了一套正確的規(guī)則，并給它一個無限長的紙帶，無論你要處理的問題是計算平方根、計算彈道軌跡、玩游戲、編輯圖片，還是核對銀行交易信息，它們本質(zhì)上都是一串由0和1息處理。所有數(shù)字計算機在邏輯上都是等價的。不重要，只要它能產(chǎn)生類似于人類的行為即可。人工智能的支持者看到了計算和思考之間的相似之處。他們說：“生了什么？人類使用心理符號表征各枚棋子的位置和彼此間的恰當聯(lián)還可以用大腦的神經(jīng)元網(wǎng)絡(luò)，不管怎樣，只要你的工具能夠?qū)崿F(xiàn)通用圖靈機的等效功能即可?！?943年，神經(jīng)生理學家沃倫·麥庫洛克（WarrenMcCulloch）和數(shù)學家沃爾特·皮茨（WalterPitts）發(fā)表的一篇科學論文支持了這一假設(shè)。這篇論文頗具影響力，其中描述了神經(jīng)元怎樣執(zhí)行數(shù)字功能，也就是說，他們想到了神經(jīng)細胞怎樣復(fù)制計算機的核心形式邏輯。他們的想法是，神經(jīng)元可以像工程師所說的邏輯門那樣執(zhí)行操作。邏輯門實現(xiàn)了簡單的邏輯運算，如與運算、或運算和非運算，對應(yīng)的邏輯運算符分別為AND、OR和NOT。計算機芯片由數(shù)以百萬計的邏輯門組成，它們被連接成精確而復(fù)雜的電路。一個CPU只是一個邏輯門的集合。將大腦想象成是由“與門”“或門”和其他邏輯元素組成的，這些邏輯元素有可能是這樣。從邏輯上講，這樣看待神經(jīng)元也能說得通。從理論上大腦只是另一種計算機。另外要注意的是，人工智能哲學還得到了20世紀上半葉心理學主流趨勢，即行為主義的支持。行為主義者認為我們不可能知道大腦內(nèi)部發(fā)生了什么。他們把大腦稱作一個黑盒子，認為人們不知道里面正在發(fā)生什么。但人們可以觀察和測量動物的環(huán)境和行為，即它的感覺和行為，它的輸入和輸出。他們承認，大腦含有反射機制，可以通過獎勵和懲罰來調(diào)節(jié)動物的新行為。但除此之外，人們不需要研究大腦，尤其是混亂的主觀感受，如饑餓、恐懼，或不需要理解某種事物的含義。行為主義最終在20世紀下半葉衰落了，但人工智能將長期持續(xù)存在。到第二次世界大戰(zhàn)結(jié)束后，電子數(shù)字計算機得到了更廣泛的應(yīng)用，研究人工智能的先驅(qū)們摩拳擦掌，開始編程。語言翻譯？簡單！就是一種破譯代碼的方式，我們只需要將系統(tǒng)A中的每個符號映射到系統(tǒng)B中的對應(yīng)物上即可。視覺？也很容易。我們已經(jīng)知道處理旋轉(zhuǎn)、比例和位移的幾何理論，而且可以很容易地將它們編碼為計算機算法，所以我們已經(jīng)成功了一半。人工智能專家提出了大膽的設(shè)想，即計算機智能將首先與人類智能相當，然后超越人類智能。具有諷刺意味的是，幾乎可以通過圖靈測試的計算機程序是一個名為伊麗莎（Eliza）的程序。它扮演的是精神分析師的角色，它采用的策略是將你的問題重新表述給你聽。例如，如果一個人輸入“我男朋友不再和我說話了”，伊麗莎可能會說：“告訴我更多關(guān)于你男朋友的事?！被蛘邥枺骸澳銥槭裁凑J為你的男朋友和你不再說話了？”這個程序只是隨隨便便設(shè)計出來的，盡管功能非常簡單且微不足道，但它還是騙過了一些人。開發(fā)人員做過一些更認真的嘗試，比如編寫程序“積木世界”（BlocksWorld）。它是一個模擬房間，里面有不同顏色和形狀的積木。你可以向“積木世界”提出問題，如：“紅色大方塊上面有一個綠色金字塔嗎？”或者提出要求“把藍色方塊移到紅色小方塊上面”。程序會回答你的問題或嘗試做你要求它做的事情。所有這些都是虛擬的，而它確實能按你的要求行事。但它的這些操作都僅限于它那高度人工化的積木世界，超出這個范圍就行不通了。因此程序員無法將其泛化推廣，從而做一些有用的事情。與此同時，公眾也被源源不斷且看似成功的人工智能技術(shù)和新聞報道所打動。有一個能解決數(shù)學定理的程序最初令人們興奮不已。自柏拉圖以來，多步驟推理一直被視作人類智能的巔峰，所以一開始人工智能似乎大獲成功。但是，就像“積木世界”一樣，人們最終發(fā)現(xiàn)這個程序是受限的。它只能發(fā)現(xiàn)非常簡單的定理，而這些定理都是已知的。然后，“專家系統(tǒng)”引起了巨大轟動，這類系統(tǒng)是包含大量知識與經(jīng)驗的數(shù)據(jù)人類用戶給出的癥狀清單診斷病人所患疾病。但它們的能力同樣有達到專業(yè)人類棋手的水平，IBM開發(fā)的國際象棋計算機“深藍”擊敗了國際象棋世界冠軍加里·卡斯帕羅夫。但這些成功并非真正意義上的成功：“深藍”不是因為比人類聰明而獲勝，而是因為它的計算速度是人類計算速度的數(shù)百萬倍。“深藍”沒有直覺。一個專業(yè)的人類棋手看著棋盤算機對什么是重要的沒有與生俱來的感知，因此必須探索更多的選擇?！吧钏{”會下棋卻不了解國際象棋，就像計算器會算術(shù)卻不了解數(shù)學一樣。在所有情況下，成功的人工智能程序都只擅長做專門為它們設(shè)計的那件特定的事情。它們沒有普適性，也沒有顯示出靈活性，就連它們的創(chuàng)造者都承認它們不會像人類那樣思考。起初，人們認為某些人工智能問題很容易解決，但后來沒有取得任何進展。即便在今天，也沒有一臺計算機能夠像3歲孩童那樣理解語言，或者像小老鼠那樣看東西。失色。該領(lǐng)域的科學家轉(zhuǎn)向了其他研究領(lǐng)域。人工智能創(chuàng)業(yè)公司失敗解決，但大多數(shù)科學家認為整個努力的過程都存在缺陷。我們不應(yīng)該責怪人工智能先驅(qū)的失敗。圖靈非常聰明。他們都能看出，通用圖靈機將改變世界，而且它確實改變了世界，但不是通過人工智能改變的。不具備智能的計算機我對人工智能論斷的質(zhì)疑形成于我申請進入麻省理工學院學習那段時間。加州大學伯克利分校頗具影響力的哲學教授約翰·塞爾（JohnSearle）說，計算機不是也不可能是智能的。為了證明這一點，他在1980年設(shè)計了一個叫作“中文屋”（ChineseRoom）的思想實驗。這個實驗是這樣的：假設(shè)你有一個房間，房間的一面墻上有一條窄縫，房間里面有一個只會說英語的人坐在桌子旁邊。他手里有一本厚厚的說明書，以及數(shù)量足夠多的鉛筆和草稿紙。這本說明書上用英語寫明了操作、分類和比較漢字的方法。請注意，說明書中沒有介紹漢字的含義，只介紹了如何復(fù)制、擦除、重新排序、抄錄漢字等。但他拿起紙，按照說明書開始工作。他機械地按照說明書上的指令行去。他照做了，并想知道這乏味的一整套操作到底有什么含義。故事是關(guān)于什么的。理解這個故事的也不是那本說明書，那只是一本筆在紙上劃來劃去的動作而已?，F(xiàn)在將這個場景套用到人工智能身上：“中文屋”和數(shù)字計算機簡直一模一樣。人是CPU，無意識地執(zhí)行指令，書是向CPU提供指令的軟件程序，而在紙上劃來劃去相當于將信息存入存儲器。因此，無論計算機設(shè)計得多么巧妙，哪怕能夠通過產(chǎn)生與人相同的行為來模擬智能，它都沒有理解力，也沒有智能。塞爾明確表示他不知道什么是智能，他只是說不管智能是什么，計算機顯然并不具備這一能力。這一觀點在哲學家和人工智能專家之間引起了軒然大波，催生了數(shù)以百計的文章，并招來了很多謾罵。人工智能的捍衛(wèi)者擺出了幾十條理由反駁塞爾的這一觀點，比如說，盡管房間里的所有部件都不懂中文，但整個房間懂，或者房間里的人在執(zhí)行操作時理解了中文，只是他自己沒有意識到而已。我則認為塞爾的觀點是正確的。當我思考有關(guān)“中文屋”的爭論，以及計算機如何工作時，我沒有看到理解發(fā)生在任何地方。我確信我們需要理解什么是“理解”，需要一種定義它的方式，這樣我們才能清楚一個系統(tǒng)什么時候是智能的，什么時候不是，什么時候理解中文，什么時候不理解中文。而它的行為并沒有告訴我們這些。人不需要通過“做”什么來理解一個故事。我可以安靜地讀一個故它反而是大腦記憶事物并利用這些記憶進行預(yù)測的內(nèi)部衡量標準。“中文屋”“深藍”和大多數(shù)計算機程序都沒有類似的衡量標準。它們不明白或行為進行判斷。以模擬整個大腦。計算機可以模擬所有神經(jīng)元及其連接，如果它做到了，就沒有什么可以區(qū)分大腦的“智能”和計算機模擬的“智能”了。雖然方式，就無法模擬它。從生物學入手研究智能在計算機領(lǐng)域。我對于留在波士頓感到很滿足，但在1982想搬到加利福尼亞，所以我們就搬家了（這同樣是一條最簡單易行的路）。我在硅谷一家名叫GRID系統(tǒng)的創(chuàng)業(yè)公司找到了一份工作。該公終發(fā)明了一種名為GridTask的高級編程語言。我和我發(fā)明的這種編程語言在GRID系統(tǒng)公司取得成功過程中，發(fā)揮了越來越重要的作用，因此，我的事業(yè)也得以順利發(fā)展。項目錄取，成為全日制研究生。我欣喜若狂。我認為自己終于可以認真地開始研究大腦理論了。我辭去了在GRID系統(tǒng)公司的工作，并不打算再涉足計算機行業(yè)。當然，這意味著我沒了收入。我的妻子在想“是時候買房成家了”，而我則高興地成為一個不用養(yǎng)家糊口的人。這絕對不是一條最簡單易行的路，但這是我最好的選擇，我妻子也尊重我的決定。GRID系統(tǒng)公司的創(chuàng)始人約翰·埃倫比（JohnEllenby）在我離開之前把我拉到他的辦公室，對我說：“我知道你不打算再回GRID系統(tǒng)公司或計算機行業(yè)了，但你永遠不知道會發(fā)生什么。為什么要徹底離開而不選擇請假呢？這樣的話，如果在一兩年內(nèi)你真的回來了，你還能重新獲得你離開時的工資、職位和股票期權(quán)?！彼膽B(tài)度很誠懇。我接受了，但我知道，我已經(jīng)永遠離開了計算機行業(yè)。第2章神經(jīng)網(wǎng)絡(luò)1986年1月，當我進入加州大學伯克利分校工作時，做的第一件事是梳理智能和大腦功能方面相關(guān)理論的發(fā)展歷史。我閱讀了由解剖學描述既不一致也不完整。語言學家用諸如“句法”和“語義”之類的術(shù)語談的是2D、2.5D和3D草圖，因為在他們看來，大腦和智能都與視覺模式且令人沮喪。且頗有前景。自20世紀60系?！爸剡_800磅的大猩猩”(1)人工智能明顯比神經(jīng)網(wǎng)絡(luò)研究更受人們的追捧。神經(jīng)網(wǎng)絡(luò)研究人員被列入黑名單，長達數(shù)年無法獲得資助。不過，仍有少數(shù)人在繼續(xù)思考這一方向，直到20世紀80種。神經(jīng)網(wǎng)絡(luò)是對人工智能方法的真正改進，因為神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)基于真實的神經(jīng)系統(tǒng)，不過非常松散。神經(jīng)網(wǎng)絡(luò)研究人員，也被稱為連接主義者，他們并不熱衷于計算機編程，而是渴望研究神經(jīng)元相互連接后形成的整體所展現(xiàn)的行為。大腦由神經(jīng)元構(gòu)成，因而大腦就是一個神經(jīng)網(wǎng)絡(luò)。連接主義者希望通過研究神經(jīng)元之間的相互作用，清楚地了解智能難以捉摸的特性，并通過復(fù)制神經(jīng)元群之間的正確連接來解決人工智能無法解決的一些問題。神經(jīng)網(wǎng)絡(luò)與計算機的不同之處在于，它沒有CPU，也不會將信息存儲在集中式存儲器中。神經(jīng)網(wǎng)絡(luò)的知識和記憶分布在整個連接中，就像真正的大腦一樣。從表面上看，神經(jīng)網(wǎng)絡(luò)似乎與我的興趣非常契合，但我很快對這個領(lǐng)域的研究感到失望。當時我認為，對于理解大腦而言，有必不可少的三大準則。夠處理快速變化的龐大信息流，而這種通過大腦的信息流完全是動態(tài)的。第二準則是反饋的重要性。神經(jīng)解剖學家早已發(fā)現(xiàn)，大腦內(nèi)部充滿了反饋連接。比方說，在新皮質(zhì)和在大腦中位置比較靠下的丘腦之間的連接回路中，反向連接（即通向輸入）的數(shù)量幾乎經(jīng)常是正向連接數(shù)量的10倍！這就意味著，每有一根向前傳遞信息進入新皮質(zhì)的神經(jīng)纖維，就會有10根從新皮質(zhì)反向?qū)⑿畔鬟f回感官的神經(jīng)纖維。同時，反饋也控制著整個新皮質(zhì)的大多數(shù)連接。雖然反饋的確切用途還不為人所知，但從已發(fā)表的研究成果來看，它確實廣泛存在。綜上所述，我認為反饋是至關(guān)重要的。第三準則是，任何一個關(guān)于大腦的理論或模型都應(yīng)該能夠解釋大腦的物理結(jié)構(gòu)。就像后文中提到的那樣，新皮質(zhì)不是一個簡單的結(jié)構(gòu)，而是由一個不斷重復(fù)的層次結(jié)構(gòu)組成的。任何一個沒有體現(xiàn)這種結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，肯定不會像大腦那樣工作。很可惜，雖然神經(jīng)網(wǎng)絡(luò)研究呈爆炸式增長，但大多數(shù)研究都止步于一些極其簡化的模型，而這些模型都無法滿足上述三大準則。大多數(shù)神經(jīng)網(wǎng)絡(luò)主要是由少量神經(jīng)元組成的三層網(wǎng)絡(luò)。第一層神經(jīng)元被用來表示輸入模式；然后，這些輸入神經(jīng)元會被連到第二層神經(jīng)元，即隱藏層神經(jīng)元；隨后，隱藏層神經(jīng)元被連到了第三層的輸出層神經(jīng)元。神經(jīng)元之間的連接具有不同強度。根據(jù)連接強度的不同，一個神經(jīng)元的激活會促進另一個神經(jīng)元的激活，但可能會抑制第三個神經(jīng)元的激活。因此通過改變這些連接強度，神經(jīng)網(wǎng)絡(luò)可以學會將輸入模式映射到輸出模式。結(jié)構(gòu)上也完全不像人腦中的神經(jīng)網(wǎng)絡(luò)。有一種最常見的神經(jīng)網(wǎng)絡(luò)叫“反向傳播”網(wǎng)絡(luò)。這種網(wǎng)絡(luò)通過將錯誤信號從輸出層反向傳播回輸入層來學習。你可能認為這應(yīng)該算一種反饋，但其實不是。首先，雖然“反向傳播”網(wǎng)絡(luò)在學習時，會發(fā)生錯誤信息的反向傳播，但是當網(wǎng)絡(luò)經(jīng)過訓練能夠正常工作時，信息傳播就只有一個方向了，即從輸入層到輸出怕是剛發(fā)生不久的事情。最后，與大腦中那些復(fù)雜的層次結(jié)構(gòu)相比，這些神經(jīng)網(wǎng)絡(luò)的架構(gòu)還是顯得微不足道。我以為該領(lǐng)域內(nèi)的研究會很快轉(zhuǎn)向更為真實的網(wǎng)絡(luò)，但這種情況并沒有發(fā)生。由于這些簡單的神經(jīng)網(wǎng)絡(luò)的應(yīng)用場景已經(jīng)有很多，整體研究反而停滯了很多年，并未取得進展。隨著這樣一種全新又有趣的工具的誕生，一夜之間，成千上萬的科學家、工程師和學生可以據(jù)此申請研究經(jīng)費，獲得博士學位，出版關(guān)于神經(jīng)網(wǎng)絡(luò)的書籍。人們忙于創(chuàng)辦各種公司，利用神經(jīng)網(wǎng)絡(luò)來預(yù)測股市、處理貸款申請、核實簽名，以及監(jiān)測其他上百種關(guān)于模式分類的應(yīng)用。也許神經(jīng)網(wǎng)絡(luò)的創(chuàng)造者懷有更宏偉的目標，但是這個領(lǐng)域被另一批人主宰了，而這些人對于理解大腦工作原理及智能并沒有興趣。大眾媒體并不太了解這種區(qū)別。報紙、雜志和電視科學節(jié)目將神經(jīng)網(wǎng)絡(luò)描述為“類腦”，或者將其稱為“按照與大腦相同的原理”工作。與必須對所有程序進行編程的人工智能不同，神經(jīng)網(wǎng)絡(luò)通過樣例學習，在某種程度上似乎更智能。NetTalk就是一個經(jīng)典案例，它學會了將字母序列映射到語音中。用印刷文本訓練神經(jīng)網(wǎng)絡(luò)，聽起來就像是計算機在朗讀單詞。不難想象，假以時日，神經(jīng)網(wǎng)絡(luò)就能與人類對話。各大官方媒體報道都錯誤地將NetTalk稱為一種學習如何朗讀的機器。NetTalk是一個很棒的案例，但它的實際功能微不足道。它無法閱讀，也不能理解，幾乎沒有實用價值。它只是將字母組合與預(yù)定義的聲音模式匹配起來。式連接。因此，有一天我們決定只連接少數(shù)晶體管，想看看會發(fā)生什么。我們沒有想到，雖然只有3根晶體管，但以某種形式連接時，它們雖然都由神經(jīng)元構(gòu)成，但它們也毫無共同點。1987年夏天，有件事情進一步澆滅了我對神經(jīng)網(wǎng)絡(luò)的熱情。我參加了一次神經(jīng)網(wǎng)絡(luò)會議，聽了一家名叫Nestor的公司相關(guān)人員的演講。該公司試圖出售一種神經(jīng)網(wǎng)絡(luò)應(yīng)用程序，用于識別便箋簿上的筆跡。他們公司給該程序定價100萬美元。這引起了我的注意。盡管Nestor公司宣傳他們的神經(jīng)網(wǎng)絡(luò)算法有多么高超，將它視為又一項重大突破，但我認為可以用更簡單傳統(tǒng)的方式識別筆跡。那晚回家后，我開始思考這個問題。兩天后，我就設(shè)計出一款筆跡識別器，它識別速度很快，尺寸小巧，功能靈活。我的方案沒有使用神經(jīng)網(wǎng)絡(luò)，也沒有像大腦那樣工作。盡管受那次會議的啟發(fā)，我打算設(shè)計一種帶手寫功能的計算機，并最終在10年后產(chǎn)生了PalmPilot，但它也使我確信：神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)方法，并無多大改進。我創(chuàng)建的筆跡識別器最終成為涂鴉（Graffiti）文本輸入系統(tǒng)的基礎(chǔ)，這套系統(tǒng)用于首批Palm產(chǎn)品。我覺得Nestor公司離倒閉不遠了。對簡單神經(jīng)網(wǎng)絡(luò)的介紹就到這里。它們的大多數(shù)功能都可以通過其他方法輕松處理，最終媒體也不再報道了。至少，神經(jīng)網(wǎng)絡(luò)研究人員并沒有聲稱他們的模型是智能的。畢竟，它們就是非常簡單的網(wǎng)絡(luò)，無法媲美人工智能程序。人員一直在研究不同類型的神經(jīng)網(wǎng)絡(luò)。如今，“神經(jīng)網(wǎng)絡(luò)”一詞用于描述些則不盡然，但幾乎沒有人嘗試了解新皮質(zhì)的整體功能或結(jié)構(gòu)。有的特征。兩者都因為過于關(guān)注行為而承受著不可衡量的損失。無論將這些行為稱為“答案”、“模式”還是“輸出”，人工智能和神經(jīng)網(wǎng)絡(luò)都是在假定智能就是程序或神經(jīng)網(wǎng)絡(luò)在處理給定輸入后產(chǎn)生的行出。受圖靈啟發(fā)，神經(jīng)網(wǎng)絡(luò)的研究人員認為智能就等于行為。但不是智能的核心特征或基本定義。只要稍加思考，你便能明白這一點：你足夠智能，可以躺在黑暗中思考和理解。忽略大腦中發(fā)生的事大障礙。自聯(lián)想記憶該研究在描述大腦如何工作方面與大腦的實際情況非常接近。但問題是，很少有人意識到這項研究的重要性。當神經(jīng)網(wǎng)絡(luò)大出風頭時，有一小部分神經(jīng)網(wǎng)絡(luò)理論家創(chuàng)造了一些并不關(guān)注行為的網(wǎng)絡(luò)，并稱之為自聯(lián)想記憶（auto-associativememory）。這些網(wǎng)絡(luò)也由簡單的神經(jīng)元構(gòu)成。神經(jīng)元之間互相連接，并在達到一定閾值時被激活。不同的是，這些連接包括了許多反饋。比起反向傳播網(wǎng)絡(luò)只是把信息向前傳遞，自聯(lián)想記憶會把每一個神經(jīng)元的輸出反饋給輸入，就好像自己給自己打電話一樣。這樣的反饋回路導致出現(xiàn)了一些有趣的特性。當一種行為模式應(yīng)用于這些人工神經(jīng)元時，它們會對這種模式形成記憶，同時，網(wǎng)絡(luò)會把模式與這些記憶自動關(guān)聯(lián)。這也是他們被稱作“自聯(lián)想記憶”的原因。這樣一種連接方式可能第一眼看起來特別荒唐。為了從記憶里檢索一種模式，你必須提供你想要檢索的模式。這就好像你去水果店買一串香蕉，店主問你如何支付時，你說用香蕉支付。你可能會問，這樣做有什么意義呢？但是自聯(lián)想記憶確實存在幾項重要特性，而這些特性也存在于真實的大腦中。是一個被弄得一團糟的模式，自聯(lián)想網(wǎng)絡(luò)也可以用它檢索出正確的模張無法辨認的殘幣，然后收銀員對你說：“這看起來是一張破損的100元紙幣。把它給我，我給你換張新的?！钡诙€重要特性是，與其他神經(jīng)網(wǎng)絡(luò)不同，自聯(lián)想記憶可以用來記憶一個模式序列，或者是時間模式（temporalpattern）。這個功能可以通過在反饋上加入時間延遲來實現(xiàn)。通過這個延遲，你可以給自聯(lián)想記憶呈現(xiàn)一個模式的序列，它可以記住這個序列。以一段旋律為例，我先輸入“一閃一閃亮晶晶”的前幾個音符，然后自聯(lián)想記憶就可以返回整首歌。即使只輸入一部分序列，自聯(lián)想記憶也可以找回剩余部分。我們之后也會看到，這就是人類學習所有事物的方式。我認為大腦也使用了類似自聯(lián)想記憶的連接方式來實現(xiàn)這點。自聯(lián)想記憶暗示了反饋和時變輸入的潛在重要性，但大多數(shù)研究人工智能、神經(jīng)網(wǎng)絡(luò)以及認知行為的科學家都忽視了它們。就整體而言，神經(jīng)科學家并沒有做得更好。他們也很了解反饋，因為他們就是發(fā)現(xiàn)反饋的人，但大多數(shù)人沒有形成或發(fā)展相關(guān)理論，來解釋為什么大腦需要這么多反饋，只是在模糊地談?wù)摗半A段”和“調(diào)制”。在他們提出的關(guān)于大腦整體功能的多數(shù)想法中，并沒有考慮時間的作用或考慮得不夠充分。他們傾向于根據(jù)事情發(fā)生的地點來繪制大腦圖表，而不看隨著時間的推移，神經(jīng)激發(fā)模式何時會相互影響，以及以何種方式相互影響。當然，這種偏見部分源自當前實驗技術(shù)的局限性。20世紀90年代又被稱為“腦研究的黃金十年”，功能成像技術(shù)是當時是心理照片。結(jié)果，科學家掌握了大量數(shù)據(jù)，弄清了在執(zhí)行某些任務(wù)秀的技術(shù)手段。因此，許多主流的認知神經(jīng)科學家繼續(xù)相信“從輸入到輸出”的謬論。固定一種輸入，然后看會得到何種輸出。新皮質(zhì)的連接區(qū)域，再將指令下達給肌肉。先感知，后行動。我并非想暗示每個人都忽略了時間和反饋。這個領(lǐng)域如此廣闊，幾乎每個理論都有它的擁護者。近年來，人們越來越相信反饋、時間和預(yù)測的重要性。但多年來，人工智能和經(jīng)典神經(jīng)網(wǎng)絡(luò)所受到的熱烈追捧，使得其他方法都被抑制和低估了。行為決定了智能嗎無論是智能領(lǐng)域外行還是專家，都認為行為決定了智能。這一點并不難理解。至少幾個世紀以來，人們一直將大腦的能力比作發(fā)條，接著又將其比作泵和管道，然后是蒸汽機，后來又比作計算機。從艾薩克·阿西莫夫（IsaacAsimov）提出的機器人學三定律，到《星球大戰(zhàn)》（StarWars）系列影片中的機器人C-3PO，幾十年來，科幻小說中充斥觀察人類同胞，我們也會關(guān)注他們的行為，而不是探究他們潛藏的想法。因此，從直覺上看，智能行為似乎應(yīng)該是智能系統(tǒng)的度量標準。日心說之前，當時的天文學家錯誤地認為地球處于宇宙中心，靜止不動。因為從感覺上講，情況就是這樣的。從直覺上說，這是顯而易見設(shè)地球像陀螺一樣自轉(zhuǎn)，自轉(zhuǎn)的平均角速度為7.292×10-5弧度／秒，并框架。有些簡單易懂的事情，我們憑直覺認為它們并不正確。在達爾文提出進化論之前，很明顯，物種的類別就是固定的。鱷魚不與蜂鳥交配，它們是不同物種，無法融合。物種進化的理念不僅違背了宗教教義，也違背了常識。承認進化論，意味著你與這個星球上的每種生物都有一個共同的祖先，包括蠕蟲和廚房里的開花植物。我們現(xiàn)在知道這是真的，而直覺卻不然。之所以要提到這些著名的例子，是因為我相信對智能機器的追求也會受到阻礙我們進步的直覺假設(shè)的負面影響。當你問自己“智能系統(tǒng)有什么用”時，你會憑直覺從行為的角度進行思考。人類通過言語、寫作和行動來展示智慧，對嗎？對，但不完全對。智能是發(fā)生在你頭腦中的事情，行為在這里是一種可有可無的成分。雖然從直覺上說，這并不是顯而易見的，但也不難理解。用簡單的框架理解大腦1986年春天，我日復(fù)一日地坐在辦公桌前閱讀科學文章，努力梳理智能的歷史，并密切關(guān)注人工智能和神經(jīng)網(wǎng)絡(luò)的研究進展，我發(fā)現(xiàn)自己陷入了細節(jié)中。的確，有無窮無盡的知識值得研究和閱讀，但我對整個大腦到底是怎樣工作的，甚至它有什么作用，都沒有任何清晰的了解。這是因為之前的神經(jīng)科學領(lǐng)域本身關(guān)注的全是細節(jié)，現(xiàn)在仍然如此。每年該領(lǐng)域都會有數(shù)以千計的研究報告發(fā)表，但這些研究報告內(nèi)容大同小異，都是對現(xiàn)有研究成果的堆砌，而非內(nèi)容的整合。至今仍然沒有全面的理論或框架解釋大腦的運作過程和機制。我開始想象這個問題的解決方案會是什么樣子的，是否會因為大腦的復(fù)雜而變得極其復(fù)雜？是否需要100頁密密麻麻的數(shù)學運算來描述大腦的工作原理？我們是否需要繪制成百上千個獨立電路，才能理解真正有用的發(fā)現(xiàn)？我認為情況并非如此。歷史表明，科學問題的最佳解決方案往往是簡單而優(yōu)雅的。雖然細節(jié)可能令人生畏，通往最終理論的道路可能異常艱辛，但最終的概念框架通常很簡單。夢。但是經(jīng)過仔細檢查，我們發(fā)現(xiàn)大腦并不是一個隨機堆疊起來的東腦。神經(jīng)科學領(lǐng)域之所以沒有取得太多成果，不是因為沒有足夠的數(shù)明白我的意思了。想象一下，幾千年后，人類已經(jīng)滅絕，來自外星的探險家登陸地星和實地勘測，對所有東西進行歸類。他們應(yīng)該是一絲不茍的考古學看起來幾乎是偶然形成的；在某些地方，它們形成了一種很規(guī)則的網(wǎng)困擾了他們很長一段時間。最終，其中一位探險家說：“我明白了！……這些生物無法像我們動平臺?！庇蛇@個基本的觀點出發(fā)，許多細節(jié)就說得通了。小而曲折的劃分方式，以及商業(yè)需求和交通基礎(chǔ)設(shè)施之間可能的關(guān)系等。事實證但不再令人費解。我們可以確信，同樣類型的突破也將使我們了解大腦的所有細節(jié)。從大腦內(nèi)部提取智能很可惜，并不是每個人都相信人類可以理解大腦是如何工作的。許多人，包括一些神經(jīng)科學家，都相信大腦和智能在某種程度上是無法解釋的。有些人認為，即使我們能理解它們，也不可能制造出以同樣的方式工作的機器，這種智能需要人體、神經(jīng)元，也許還有一些新的、深不可測的物理定律。每當我聽到這些爭論時，我不禁想起過去的知識分子反對研究天空或反對解剖尸體，阻礙人們了解人體的運行機制。“別費心研究那個，它不會帶來任何好處，即使你能理解它是如何工作的，我們也無法用這些知識做任何事情。”諸如此類的觀點將我們引向了一個叫作功能主義的哲學分支，這是人類在思維方面形成的簡短歷史中的最后一站。根據(jù)功能主義的理論，智能或“有思想”純粹是組織的一種屬性，與你是由什么構(gòu)成的沒有本質(zhì)上的關(guān)系。心智可存在于任何系統(tǒng)中，只要其組成部分之間具有正確的因果關(guān)系即可，這些部分可以是神經(jīng)元、硅芯片或其他東西。顯然，這種觀點對于任何潛在的智能機器制造商來說就是標準的問題。想一想：如果用鹽瓶代替丟失的國際象棋騎士棋子下棋，會不會不那么真實？顯然不是。鹽瓶在功能上等同于騎士，因為鹽瓶在棋盤上移動并與其他棋子相互作用，因此你的游戲還是真正的國際象棋游戲，而不僅僅是一場模擬游戲。再想一想，如果我用光標刪除每個字符然后重新輸入，這句話會不會一樣？或者再想想：每隔幾年，你的身體就會替換掉構(gòu)成你的大部分原子，盡管如此，你在所有重要的方面依然如故。如果一個原子在你的分子構(gòu)成中發(fā)揮相同的功能，那么它們就是等同的。同樣的邏輯也適用于大腦：如果一個瘋狂的科學家用一個功能等效的微型機器復(fù)制品替換了你的每個神經(jīng)元，那么手術(shù)結(jié)束后，你依然能夠感受到真實的自我，與手術(shù)前無異。根據(jù)這個原則，一個使用與人腦相同功能架構(gòu)的人工系統(tǒng)應(yīng)該同樣具有智能，它不僅是人造的，而且實際上是真正智能的。人工智能的支持者、連接主義者和我都是功能主義者，因為我們都相信大腦沒有什么內(nèi)在的特殊或神奇之處可以讓它變得智能。我們都相信有一天人類將能夠以某種方式制造智能機器。但是人們對功能主義有著不同的解釋。雖然我已經(jīng)說明了我認為人工智能和連接主義范式之所以失敗，關(guān)鍵在于輸入-輸出謬誤，但關(guān)于為何人類仍未能設(shè)計出智能機器，還有一個關(guān)鍵點。雖然人工智能的支持者采取了我認為是弄巧成拙的強硬路線，但在我看來，連接主義者的主要問題是太膽怯了。人工智能研究人員會問：“為什么人類工程師要被進化過程中偶然發(fā)現(xiàn)的解決方案所束縛呢？”原則上，他們的這種質(zhì)疑是有道理的。眾所周知，生物系統(tǒng)，如大腦和基因組，并非具有優(yōu)雅的結(jié)構(gòu)。魯布·戈德堡機械（RubeGoldbergmachine）就是人們常用的比喻，它以大蕭條時期的漫畫家魯布·戈德堡（RubeGoldberg）的名字命名。他的漫畫中而設(shè)計的。軟件設(shè)計師也有一個相關(guān)的術(shù)語kludge，它指的是編寫程序糟，是一個有著數(shù)億年歷史的雜亂無章的東西，充滿了低效率和進化的“遺留代碼”。如果是這樣，他們想知道，為什么不摒棄整個令人遺憾的混亂架構(gòu)并另辟蹊徑呢？許多哲學家和認知心理學家都認同這種觀點。他們喜歡將思維比喻為由大腦運行的軟件，是計算機硬件的有機模擬物。在計算機中，硬件級別和軟件級別彼此不同。相同的軟件程序可以在任意通用圖靈機上運行。例如，你可以在普通個人計算機、蘋果計算機或由克雷公司（Cray）研發(fā)的超級計算機上運行WordPerfectOffice辦公套件，即使這三個系統(tǒng)具有不同的硬件配置。如果你正在嘗試學習WordPerfectOffice辦公套件，那么硬件的選擇對學習沒有任何影響。我們由此推斷，思維也是這樣，大腦沒有教人類關(guān)于思想的任何東西。人工智能的捍衛(wèi)者還喜歡指出工程解決方案與自然版本完全不同的歷史實例。例如，人類成功地制造出飛行器，可這是通過模仿有翼動物的拍打動作實現(xiàn)的嗎？不，人類用固定翼和螺旋槳就做到了，后來用的是噴氣發(fā)動機。這可能不是大自然的造物方式，但人類創(chuàng)造的方法確實有效，而且比拍打翅膀的方法高效很多。同樣，人類制造了一種速度和行程可以超越獵豹的在陸地上行駛的車輛，但不是通過制造類似獵豹的四足跑步機，而是通過發(fā)明輪子來實現(xiàn)的。輪子能夠在平地上高效地移動，這說明即便進化從未產(chǎn)生過這種特定策略，也并不代表它不是一種好的策略。一些研究心智的哲學家已經(jīng)注意到“認知輪”（cognitivewheel）的比喻，即人工智能解決某些問題的方法，盡管與大腦的工作方式完全不同，但同樣優(yōu)秀。換句話說，一個程序假如以某種狹隘但有用的方式，產(chǎn)生類似或超越人類表現(xiàn)的輸出，那么它的確與人類大腦做這件事的方式一樣好。我相信這種對功能主義“以目的證明手段”的解釋，會導致人工智能研究人員誤入歧途。正如約翰·塞爾在表達“中文屋”這個觀點時所展示的那樣，行為對等是不夠的。由于智能是大腦的內(nèi)部屬性，我們必須深入探究大腦才能了解什么是智能。在對大腦尤其是新皮質(zhì)的研究中，我們需要小心地找出哪些細節(jié)只是進化過程中多余的“被凍結(jié)的偶發(fā)事件”。毫無疑問，許多魯布·戈德堡式流程中都混入了重要的特征，但是最好的計算機可以比擬的，它等待我們將其從這些神經(jīng)回路中提取出來。前仍有許多人這樣做，但很少有人研究新皮質(zhì)中實實在在的網(wǎng)絡(luò)。就是新皮質(zhì)。人類必須從大腦內(nèi)部提取智能，沒有其他路可以走。第3章人類大腦的層次結(jié)構(gòu)大的差異呢？大腦的設(shè)計有什么不尋常之處，這種設(shè)計為什么至關(guān)重別。我會從整個器官開始介紹。想象一下，桌子上有一個大腦，我們正一起解剖它。你會注意到的第一件事是大腦的外表面看起來非常均勻。它呈粉灰色，類似于光滑的花椰菜，有許多“脊”“谷”，分別被稱為“腦回”和“腦溝”，摸起來柔軟而黏糊。這就是新皮質(zhì)，一層薄薄的神經(jīng)組織，包裹著舊腦的大部分。我們將重點關(guān)注新皮質(zhì)。幾乎所有我們認為的智能形式，如感知、語言、想象力、數(shù)學、藝術(shù)、音樂和規(guī)劃，基本上都發(fā)生在這里。你的新皮質(zhì)正在閱讀這本書。現(xiàn)在，我不得不承認我是一個新皮質(zhì)沙文主義(2)者。究群體的反對。深感冒犯的他們會這樣說：“如果你不了解腦區(qū)，就不可能理解新皮質(zhì)，因為這兩者高度相關(guān)，不同腦區(qū)有不同的功能。”我外。如果你出生時沒有小腦或小腦受損，你也可以過上頗為正常的生數(shù)腦區(qū)功能正常才能保障人類的基本生活能力或感知能力。我給出的反駁理由是，我對制造人類不感興趣。我想要做的是了解智能并制造智能機器。制造人類與制造智能機器是兩回事。智能機器不需要有性沖動、饑餓感、脈搏、肌肉、情緒或類似人的身體。人類不僅僅是一臺智能機器。人類這種生物，擁有所有必要的，有時甚至是不需要的包袱，而這些包袱來自漫長的進化過程。如果你想制造具有類似于人類行為的智能機器，也就是說，它們能在所有方面通過圖靈測試，那么你可能需要重新創(chuàng)造許多只有人類才具備的東西。但是你將在后文中看到，假如目標是要制造具有智能但與人類不完全相同的機器，我們就可以將注意力轉(zhuǎn)向大腦中與智能密切相關(guān)的部分。由于我只關(guān)注新皮質(zhì)，很多人感覺遭到了冒犯。我想說的是，我也認可其他大腦結(jié)構(gòu)，例如腦干、基底神經(jīng)節(jié)和杏仁核，它們能夠確保人類新皮質(zhì)功能正常，這些都毋庸置疑。但我傾向于讓你相信，智能基本上就產(chǎn)生于新皮質(zhì)，在此過程中，另外兩個腦區(qū)也扮演著重要的角色：丘腦和海馬，我們將在本書后面討論。從長遠來看，我們需要了解所有腦區(qū)的功能。但我相信，如果我們從理論上能全面而深入地理解新皮質(zhì)的功能，那么這些問題會得到最好的解決。這是我對于這件事的看法。下面來認識一下新皮質(zhì)吧。拿出6張名片或6張撲克牌，然后將它們疊放在一起。你現(xiàn)在正拿著一個新皮質(zhì)的模型。這6張名片大約每張有2毫米厚，應(yīng)該能讓你感覺到新皮質(zhì)有多薄。就像你的那疊名片一樣，新皮質(zhì)中的每一層大約有2毫米厚，共有6層，每一層的厚度都近似于一張名片。拉平展開后，你會發(fā)現(xiàn)人類大腦的新皮質(zhì)大約有一張大餐巾那么大多都有6層，就像你手里的這6為人類的新皮質(zhì)更厚或包含一些特殊的“智能”細胞。人類的新皮質(zhì)很蘭地酒杯中一樣。新皮質(zhì)中充滿了神經(jīng)細胞，也叫神經(jīng)元。這些細胞密密麻麻，所以沒有人能夠確定其數(shù)量。如果你在一疊名片上畫一個邊長為一毫米的小方塊，就相當于你在大約10萬個神經(jīng)元中標記了這個位置。想象一下在這么小的空間里數(shù)出確切的數(shù)字，幾乎是不可能的。盡管如此，一些解剖學家已經(jīng)估計出典型的人類新皮質(zhì)包含大約300億個神經(jīng)細胞，但就算這個數(shù)字比300億大很多或小很多，應(yīng)該也不會有人感到驚訝。那300億個細胞就是你。它們幾乎包含了你所有的記憶、知識、技能和積累的生活經(jīng)驗。經(jīng)過幾十年對大腦的思考，我仍然覺得這個事實令人震驚。憑借這一層薄薄的細胞，我們可以看到并感受世界，并且形成世界觀，這簡直太不可思議了。夏日的溫暖和我們對更美好世界的向往，從某種程度上說，都是這些細胞的產(chǎn)物。在《科學美國人》上發(fā)表那篇文章多年后，弗朗西斯·克里克寫了一本關(guān)于大腦的書，名為《驚人的假設(shè)》（TheAstonishingHypothesis）。這個驚人的假設(shè)簡單來說就是，思想是由大腦中的細胞創(chuàng)造的。沒有其他東西，沒有魔法，沒有特殊的調(diào)料，只有神經(jīng)元和信息之舞。我希望你能體會到這種實現(xiàn)方式是多么不可思議。一系列細胞和人類的意識體驗之間似乎存在著巨大的哲學鴻溝，但思想和大腦是一體的?？死锟朔Q這是一個假設(shè)，他的這種做法顯然是政治正確的。大腦中的細胞創(chuàng)造了思想，這是一個事實，不是一種假設(shè)。我們需要了解這300億個細胞的功能以及它們是如何實現(xiàn)這一功能的。幸好，新皮質(zhì)不僅僅是一團不規(guī)則的細胞，我們可以更深入地研究它的結(jié)構(gòu)，從而了解它是如何產(chǎn)生人類思想的。新皮質(zhì)的功能區(qū)讓我們重回解剖臺，再來看看大腦。肉眼看來，新皮質(zhì)似乎沒有明顯的特征。但實際上，還是有一些明顯特征的，例如分隔兩個大腦半球的巨大裂隙，以及分隔后部和前部腦區(qū)的突出溝壑。但在幾乎所有你能看到的地方，從左到右、從后到前，新皮質(zhì)錯綜復(fù)雜的表面看起來幾乎一樣。沒有明顯的邊界線或顏色變化劃分出專門處理不同感覺信息或不同類型思想的區(qū)域。不過，人們早就知道這里面有界限。甚至在神經(jīng)科學家能夠分辨有關(guān)新皮質(zhì)回路的有用信息之前，他們就知道某些大腦功能只由特定的腦區(qū)負責。如果病人的右側(cè)頂葉由于中風而遭到破壞，他可能將對左側(cè)身體或左側(cè)空間中的任何東西失去感知能力，甚至想象不出它們的存在。左側(cè)額區(qū)被稱作布羅卡區(qū)（Broca’sarea），如果這個區(qū)域由于中風而遭到破壞，那么人使用語法規(guī)則的能力就會受到影響，盡管他的詞匯量和理解單詞含義的能力沒有改變。梭狀回發(fā)生中風會導致面孔識別能力喪失，病人無法在照片中認出自己的母親、孩子，甚至自己。這些不可思議的疾病一度令早期的神經(jīng)科學家認為，新皮質(zhì)由許多功能區(qū)組成。在過去的一個多世紀里，我們對功能區(qū)有了更多了解，但還有很多疑問。這些功能區(qū)都是半獨立的，似乎專門用于負責感知或思維的某些方面。在形態(tài)上看，它們就像排列在一個形狀不規(guī)則的拼布被子上，每個人的情況只有些許不同。很少有功能區(qū)的邊界能被清晰地劃分出來。從功能上看，它們按分支層次結(jié)構(gòu)排列。一個具有層次結(jié)構(gòu)的系統(tǒng)中，從抽象意義上說，某些元素的層次一定會“高于”或“低于”其他元素。例如，在企業(yè)層次結(jié)構(gòu)中，中層經(jīng)理的層達的也是這個意思。功能區(qū)的層次高低與它們在大腦中的位置排列無位中層經(jīng)理與他在美國另一個州的分理處的同行交流?？茖W家丹尼爾·費勒曼（DanielFelleman）和戴維·范·埃森（DavidvanEssen）曾繪制了構(gòu)連接在一起，我們可以假設(shè)人類的新皮質(zhì)也具有相似的層次結(jié)構(gòu)。最底層的功能區(qū)，即初級感覺區(qū)，是感覺信息首先到達新皮質(zhì)的地方。這些功能區(qū)以最原始、最基本的方法處理信息。例如，視覺信息通過初級視覺區(qū)（V1）進入新皮質(zhì)。V1關(guān)注的是低水平的視覺特征，如微小的邊緣部分、小尺度運動分量、雙眼視差（針對立體視覺），以及基本的顏色和對比度信息。V1將信息反饋給其他功能區(qū)，如次級視覺區(qū)（V2）、第四級視覺區(qū)（V4）和下顳葉（IT；我第6章會詳細介紹它們），以及其他一些功能區(qū)。這些功能區(qū)中的每一部分都負責處理信息的更具體或更抽象方面。例如，V4中的細胞會對中等復(fù)雜度的物體做出反應(yīng)，如紅色或藍色等不同顏色的星星形狀。另一個叫作中顳區(qū)（MT）的功能區(qū)專門處理與物體的運動相關(guān)的信息。在視覺皮質(zhì)的較高層次，有一些功能區(qū)代表著你對各種物體的視覺記憶，如對人臉、動物、工具、身體部位等的視覺記憶。你的其他感覺區(qū)也有類似的層次結(jié)構(gòu)。新皮質(zhì)有一個名為Al的初級聽覺區(qū)，上面有一個聽覺區(qū)的層次結(jié)構(gòu)。新皮質(zhì)還有一個名為S1的初級體感區(qū)，上面有一個體感區(qū)的層次結(jié)構(gòu)。最終，感覺信息進入聯(lián)合區(qū)，這也是接收一種以上感覺輸入的皮質(zhì)區(qū)有時使用的名稱。例如，有一些皮質(zhì)區(qū)會同時接收視覺和觸覺輸入。正是由于聯(lián)合區(qū)的存在，你才能看到蒼蠅在你手臂上爬，與此同時，你會感覺到手臂發(fā)癢。這些功能區(qū)大多接收經(jīng)過幾種感覺區(qū)高度處理的輸入，但這些功能區(qū)的功能仍不清楚。我在后文會詳細介紹皮質(zhì)層次結(jié)構(gòu)。在大腦額葉中還有另一組功能區(qū)，用于創(chuàng)造運動輸出。新皮質(zhì)的運動系統(tǒng)也是分層次的。層次最低的初級運動區(qū)（M1）會向脊髓發(fā)送信號，建立連接并直接驅(qū)動肌肉。層次更高的功能區(qū)將復(fù)雜的運動指令反饋給Ml。運動區(qū)的層次結(jié)構(gòu)和感覺區(qū)的層次結(jié)構(gòu)看起來非常相似。它們似乎以相同的方式組合在一起。在運動區(qū)，我們認為信息順著層次結(jié)構(gòu)向下流向M1以驅(qū)動肌肉。而在感覺區(qū)，我們認為信息會順著層次結(jié)構(gòu)向上流動，遠離感覺區(qū)。實際上信息是雙向流動的。感覺區(qū)的反饋是運動區(qū)的輸出，反之亦然。層次結(jié)構(gòu)。也就是說，輸入（視覺、聽覺、觸覺）視覺信息確實從V1進入，流向聯(lián)合區(qū)，到達額葉運動皮質(zhì)，最后驅(qū)動事情不止如此，并沒有這么簡單。我提醒你注意過于簡化的觀點是因傳遞，但不要因此就認為信息流都是單向的。回到解剖臺前，假設(shè)我們設(shè)置了一臺功能強大的顯微鏡，從新皮質(zhì)上切下一個薄片，對一些細胞進行染色，然后通過顯微鏡進行觀察。如果我們對切片中的所有細胞進行染色，就會看到一團黑色固體，因為這些細胞非常緊密地交錯排列在一起。但是如果我們用一種染色劑來標記一小部分細胞，就可以看到我之前提到的六層結(jié)構(gòu)。這些結(jié)構(gòu)是因為細胞體、細胞類型及其連接的密度變化而形成的。接。突觸是一個細胞的神經(jīng)脈沖會對另一個細胞的行為施加影響的地方。到達突觸的神經(jīng)信號（也被稱作電脈沖、動作電位或脈沖尖峰可以使接收細胞更有可能發(fā)射脈沖尖峰。有些突觸則會產(chǎn)生相反的效們之間的連接強度會增加。稍后我將詳細介紹這一過程，即所謂的“赫布學習規(guī)則”（HebbianLearningRule）。除了改變突觸的強度之外，還度的，可以肯定的是，突觸的形成和加強正是記憶得以儲存的原因。雖然新皮質(zhì)中有許多類型的神經(jīng)元，但其中有一類神經(jīng)元占比巨大，每10個細胞中有8個這樣的神經(jīng)元。這些是錐體神經(jīng)元，之所以這的新皮質(zhì)在頂層有數(shù)米長的軸突外（但細胞數(shù)量很少），伸到丘腦等位置比較靠下的大腦結(jié)構(gòu)。一個典型的錐體神經(jīng)元有幾千個突觸。同樣，由于它們的密度極每個錐體神經(jīng)元有1000個突觸，實際數(shù)字可能接近5000個或1么人類的新皮質(zhì)將有大約30我們的想象。顯然，它足以儲存你一生中能學到的所有東西。新皮質(zhì)使用相同的計算工具工作傳聞愛因斯坦曾經(jīng)說過，構(gòu)思狹義相對論很簡單，沒費什么力氣。它是從一個觀察結(jié)果中自然而然地產(chǎn)生的：對所有觀察者來說，光速都是恒定的，即使觀察者以不同的速度運動，情況依舊如此。這一點是反直覺的。這就好比拋出的球的速度總是一樣的，而不管它被拋出時的力度有多大，也不管拋球和觀察球的人的移動速度有多快。每個人都會看到，球在任何情況下都以相對于他們的相同速度移動。這似乎不太可能是真的。但事實證明，對光來說的確如此。愛因斯坦想知道，這個奇怪的事實會產(chǎn)生什么后果。他有條不紊地思考了光速恒定的所有含義，并因此對狹義相對論做出了更離奇的預(yù)測，比如你的移動速度越快，時間流逝得就越慢，而能量和質(zhì)量從根本上說是一回事。他在相對論書籍中介紹的那些例子來源于他的日常生活，他通過火車、子彈、手電筒等日常生活中的例子來闡述推理思路。這個理論并不難，但它肯定是反直覺的。人來將它展示給世人。這個人就是約翰斯·霍普金斯大學的神經(jīng)科學家弗農(nóng)·芒卡斯爾（VernonMountcastle）。1978年，他發(fā)表了論文《大腦功能的組織原則：單元模塊和分布式系統(tǒng)》（AnOrganizingPrincipleforCerebralFunction:TheUnitModuleandtheDistributedSystem）。在中處理聽覺輸入的區(qū)域、處理觸覺的區(qū)域、控制肌肉的區(qū)域、布羅卡皮質(zhì)使用相同的計算工具來實現(xiàn)所有功能。該存在差異。如果仔細觀察，你會發(fā)現(xiàn)差異。新皮質(zhì)的各個區(qū)域在厚域之一，即V1，實際上在其中一層有一些額外的分區(qū)。這種研究方向錯誤的情況也曾發(fā)生在19找物種之間的細微差異上。他們成功發(fā)現(xiàn)了兩種看起來幾乎相同的小線，不斷地研究軟體動物。最終，達爾文的慧眼最終發(fā)現(xiàn)了其中的奧秘，他因此發(fā)問：“所有這些物種怎么會如此相似？”它們的這種相似性遠比其差異性更令人驚訝，更令人想一探究竟。芒卡斯爾也提出了類似的看法。針對解剖學家尋找皮質(zhì)區(qū)微小差異的領(lǐng)域，芒卡斯爾指出，盡管新皮質(zhì)的不同區(qū)域存在差異，但從整體上看它非常統(tǒng)一。各個區(qū)域的層數(shù)、細胞類型和連接完全相同。新皮質(zhì)就像隨處可見的6張名片疊在一起的樣子。這些差異往往非常微妙，以至于訓練有素的解剖學家都無法認同。因此，芒卡斯爾認為，新皮質(zhì)的所有區(qū)域都在執(zhí)行同樣的操作。而視覺區(qū)之所以成為視覺區(qū)、運動區(qū)之所以成為運動區(qū)，是因為新皮質(zhì)的各個區(qū)域相互連接的方式，以及它們與中樞神經(jīng)系統(tǒng)的其他部分連接的方式不同。事實上，芒卡斯爾認為，一個皮質(zhì)區(qū)與另一個皮質(zhì)區(qū)看起來略有不同，是因為它們連接的東西不同，而不是因為它們的基本功能不同。他的結(jié)論是，新皮質(zhì)的所有區(qū)域都有一個共同的功能，使用一種通用的算法。視覺與聽覺無異，與運動輸出也無異。他認為，人類的基因指定了新皮質(zhì)不同區(qū)域的連接方式，這種連接方式會因具體功能和物種的不同而不同，但新皮質(zhì)組織本身在任何地方都在做同樣的事情。非常不同。它們具有根本不同的特性。視覺涉及不同顏色、質(zhì)地、形樣的。他還表示，運動控制的工作原理也是如此?？茖W家和人工智能工程師大多對芒卡斯爾的觀點一無所知，或者選擇忽視它。為了嘗試理解視覺或制造出可以“看到”的計算機，他們設(shè)計了專門針對視覺的詞匯和技術(shù)。他們談?wù)摰氖沁吘墶①|(zhì)地和三維表現(xiàn)。如果想理解口語，他們則會根據(jù)語法、句法和語義規(guī)則構(gòu)建算法。但如果芒卡斯爾是正確的，那么這種對不同感覺采用不同算法的方法并不是大腦在處理各類感覺時采用的方法，因此很可能會失敗。如果芒卡斯爾是正確的，那么皮質(zhì)算法的表達必定是與具體的功能或意義無關(guān)的。大腦使用同樣的過程來看和聽。新皮質(zhì)所做的事情具有普遍性，適用于任何類型的感覺或運動系統(tǒng)。我第一次讀到芒卡斯爾的論文時，驚訝得差點從椅子上摔下去。這就是神經(jīng)科學的羅塞塔石碑(3)，它僅憑一篇論文和一個想法，就將人類頭腦中所有千差萬別、奇妙的能力都結(jié)合了起來。它用一種算法就將它們統(tǒng)一起來。它只用了一步就表明，以前所有將人類行為作為不同能力來理解和設(shè)計的嘗試，是完全錯誤的。我希望你能體會到芒卡斯爾的觀點是多么不同凡響和美妙優(yōu)雅。在科學領(lǐng)域，最好的想法總是簡單、優(yōu)信的是，大多數(shù)科學家和人工智能工程師要么拒絕相信，要么選擇忽視，要么完全不知道它的存在。新皮質(zhì)的可塑性能力是何時以及如何產(chǎn)生的。例如，我們通過現(xiàn)在流行的新聞報道可知，許多神經(jīng)科學都認同這樣的觀點：大腦是高度專業(yè)化的模塊的集合。功能成像技術(shù)，如功能性磁共振成像（fMRI）和正電子發(fā)射型計算機斷層顯像（PET），幾乎只關(guān)注腦圖和前面提到的功能區(qū)。通常在同的面孔、給圖片命名、想象某事、記憶清單上的內(nèi)容、做財務(wù)決策制一幅成人大腦的典型圖像，標明各個功能發(fā)揮作用的位置。這樣一來，人們可以很容易地說出：“這是面部識別區(qū)，這是數(shù)學區(qū)，這是音樂區(qū)。”由于我們不知道大腦是如何完成這些任務(wù)的，因此自然會假設(shè)大腦是以不同的方式執(zhí)行各類活動的。事物，人類的基因無法為它進化出一個特定的機制。因此，在童年時劃分時依靠的純粹是經(jīng)驗。人類的大腦具有令人難以置信的學習和適應(yīng)能力，哪怕這些環(huán)境直到最近才出現(xiàn)。這證明了大腦是一個極其靈活的系統(tǒng)，而不是一個針對一千個問題有一千個解決方案的系統(tǒng)。神經(jīng)科學家還發(fā)現(xiàn)，新皮質(zhì)的布線方式具有驚人的“可塑性”，這意味著它可以根據(jù)流入其中的輸入類型而改變布線方式，并重新布線。例如，新生雪貂的大腦可以通過外科手術(shù)重新布線，以便它的眼睛可以將接收的信號發(fā)送到新皮質(zhì)中通常用于發(fā)展聽覺的區(qū)域。結(jié)果，雪貂竟然在其大腦的聽覺部分發(fā)展出了正常的視覺通路。換句話說，它用通常會聽到聲音的大腦組織看東西。研究人員已經(jīng)對其他感覺區(qū)和腦區(qū)完成了類似的實驗。例如，可以在老鼠出生時，將它的幾片視覺皮質(zhì)移植到通常表征觸覺的區(qū)域。隨著老鼠的成熟，移植的組織會處理觸覺信息而不是視覺信息。細胞并非天生就專門負責處理視覺、觸覺或聽覺信息。人類的新皮質(zhì)同樣具有可塑性。先天性失聰?shù)某赡耆嗽谕ǔ?yīng)該成為聽覺區(qū)的地方處理視覺信息。而先天性失明的成年人使用他們的新皮質(zhì)的最靠后區(qū)域閱讀盲文，該部分通常專門用于處理視覺信息。由于盲文需要觸摸，你可能會認為它主要會激活觸摸區(qū)，但顯然，沒有哪個區(qū)域的新皮質(zhì)會滿足于什么都不表征。視覺皮質(zhì)沒有像它“應(yīng)該做”的那樣從眼部接收信息，而是四處尋找其他輸入模式篩選信息，也就是對其他皮質(zhì)區(qū)中的信息進行篩選。所有這些證據(jù)都表明，腦區(qū)主要會根據(jù)其成長過程中流入信息的種類形成專門的功能。與地球表面注定要根據(jù)國界線劃分成不同的國家不同，新皮質(zhì)并不是經(jīng)過嚴格設(shè)計，使用不同的算法執(zhí)行不同功能的。新皮質(zhì)的組織，就像全球的政治地理一樣，由于早期環(huán)境不同，可能會出現(xiàn)不同的結(jié)果?；驔Q定了新皮質(zhì)的整體結(jié)構(gòu)，包括哪些區(qū)域連接在一起這類具體細節(jié)，但在這個結(jié)構(gòu)中，該系統(tǒng)是高度靈活的。質(zhì)算法可以以新穎的方式部署在機械化的新皮質(zhì)中，表現(xiàn)出新穎的感覺。由此，真正靈活的智能就會在生物大腦之外出現(xiàn)。新皮質(zhì)并不直接感知世界我們繼續(xù)討論一個與芒卡斯爾觀點有關(guān)的話題，它同樣令人驚訝。你的新皮質(zhì)的輸入基本上都是一樣的。同樣，你可能認為你的感官是完全獨立的實體。畢竟，聲音是以壓縮波的形式在空氣中傳播的，視覺是以光的形式傳播的，而觸摸是以皮膚上的壓力的形式傳播的。聲音似乎是時間性的，視覺似乎主要是圖像性的，而觸摸似乎基本是空間性的。還有什么能比山羊“咩咩”的叫聲、蘋果的樣子和棒球摸起來的感覺更不同的呢？但我們來仔細看看。來自外部世界的視覺信息通過視神經(jīng)中的100萬根纖維發(fā)送到大腦。經(jīng)過丘腦的短暫轉(zhuǎn)運后，它們到V1。聲音是通過你的聽覺神經(jīng)的3萬根聽覺纖維傳入的。它們穿過你大腦的一些較舊的部分，然后到達A1。你的脊髓通過另外100萬根纖維將有關(guān)觸覺和內(nèi)是大腦的主要輸入過程。你就是通過這樣的方式感知這個世界的。這樣，但這些纖維被稱作軸突，它們攜帶著被稱作“動作電位”或“脈沖”的神經(jīng)信號，這些信號部分是化學信號，部分是電信號。提供這些信號的感覺器官是不同的，而一旦這些感覺器官變成了受大腦限制的動作電位，它們都是一樣的，都只是模式而已。動作電位。無論這些瞬時脈沖最初是什么原因引起的，它們都是相同的。大腦只識別模式。你對世界的感知和知識是由這些模式建立的。你的大腦里沒有光，里面是黑暗的，也沒有聲音進入，里面很安靜。事實上，大腦是你身體中唯一自身沒有感覺的部分。外科醫(yī)生可以把手指伸進你的大腦，而你感覺不到它。所有進入你大腦的信息都是以軸突上的空間模式和時間模式出現(xiàn)的。我所說的空間模式和時間模式到底是什么意思？我們依次來看看人體的主要感覺。視覺同時攜帶空間信息和時間信息?？臻g模式是在時間模式上同步發(fā)生的模式，它們是在同一感覺器官的多個受體同時受到刺激時產(chǎn)生的。視覺的感覺器官是你的視網(wǎng)膜。圖像進入你的瞳孔，經(jīng)晶狀體投射后，在視網(wǎng)膜上形成一個顛倒的圖像，并形成一個空間模式。這個模式被傳遞給你的大腦。人們往往認為，有一個上下顛倒的、外部世界的小圖片進入你的視覺區(qū)，視覺因此而產(chǎn)生，但這不是視覺產(chǎn)生的機制。實際上，根本沒有圖片，它已不再是一個圖像了。從根本上說，它只是以不同模式進行的電活動。當你的新皮質(zhì)處理該信息，在不同的區(qū)域之間上下傳遞模式的組成部分、篩選信息、過濾信息時，它類似于圖像的特質(zhì)會迅速消失。么明顯。你的眼睛每秒鐘大約會快速轉(zhuǎn)動3次，即掃視。它們盯著一個自然視覺是由進入大腦的一系列模式構(gòu)成的，它就像河流一樣不停流動，視覺更像一首歌，而不是一幅畫。許多視覺研究者忽視了掃視和快速變化的視覺模式。他們利用麻醉的動物做實驗，來研究當無意識的動物注視一個點時，視覺是如何產(chǎn)生的。這樣做時，他們就去掉了時間維度這一變量。這種方法在原則上沒有錯。消除變量是科學方法的一個核心要素，但他們消除了視覺的一個核心組成部分，即它實際包含的內(nèi)容。在用神經(jīng)科學解釋視覺的形成機制時，時間是非常重要的影響因素。對于聽覺，我們習慣于思考聲音的時間性。聲音、口語和音樂隨著時間的推移而變化，這對我們來說是顯而易見的。你不可能瞬間聽完一首歌，就像你不可能瞬間聽到一句話一樣。只有經(jīng)過一段時間，一首歌曲才能完整存在。因此，我們通常認為聲音并不是一種空間模式。從某種程度上說，聽覺的情況與視覺的情況相反：聲音的時間性是顯而易見的，而其空間性卻不那么明顯。聽也有空間成分。每只耳朵中都有名為耳蝸的螺旋管狀器官，它們將聲音轉(zhuǎn)換成動作電位。耳蝸微小、不透明、呈螺旋管狀，嵌在人體最堅硬的骨頭——顳骨中。半個多世紀前，美籍匈牙利裔物理學家蓋歐爾格·馮·貝凱希（GeorgvonBékséy）破譯了耳蝸的秘密。貝凱希建立了內(nèi)耳模型，發(fā)現(xiàn)人聽到的每一種聲音成分都會導致耳蝸的不同部分振動：低頻音會引起耳蝸外部較軟和較寬部分的振動；中頻音使耳蝸中間部分振動；高頻音會引起耳蝸硬底的振動。耳蝸上的每個部位都布滿了神經(jīng)元，當震動發(fā)生時，它們就會被激活。在日常生活中，耳蝸無時無刻不在被大量的同步頻率振動著。因此，每時每刻都有一個新的空間模式的刺激沿著每個耳蝸的長度流向聽覺神經(jīng)。我們再一次看到，這種感覺信息可歸結(jié)為“空間-時間”模式。人們通常認為觸摸不是一種時間現(xiàn)象，但它是基于時間的，也是基于空間的。你可以做個實驗，自己看看。請一位朋友握住他的手，掌心朝上，閉上眼睛。將一個普通的小物件放到他的手掌中，戒指、橡皮，什么都行。你讓他在不移動手的任何部位的情況下識別它，除了重量和可能的尺寸之外，他不會有任何線索。然后告訴他閉上眼睛，讓手指在物體上移動。他很可能立刻就能認出這個物件。允許手指移動，就已經(jīng)為觸摸的感官感知增加了時間要素。視網(wǎng)膜中心的中央凹和人的指尖之間有一個非常明顯的相似性，它們都有很高的敏銳度。因此，觸摸也像一首歌。人們利用觸覺執(zhí)行復(fù)雜操作的能力，如在黑暗中扣上襯衫紐扣或打開前門的能力，取決于連續(xù)的隨時間變化的觸覺模式。我們通常認為，人類有5種感覺，即視覺、聽覺、觸覺、嗅覺和味覺。實際上人類還有更多感覺。視覺更像是3種感覺——運動、顏色和亮度（黑白對比）庭系統(tǒng)，它產(chǎn)生了平衡感。其中一些感覺比其他感覺包含的元素更豐式進入大腦，在軸突上流動。你的新皮質(zhì)并未真正或直接感知這個世界。新皮質(zhì)唯一知道的是進入輸入軸突的模式流。你對世界的感知是由這些模式創(chuàng)造的，包括你的自我意識。事實上，你的大腦無法直接知道你的身體末端在哪里，世界的起點在哪里。研究身體形象的神經(jīng)科學家發(fā)現(xiàn)，人類對自身的感覺遠比想象中靈活。例如，如果我給你一個小耙子，讓你用它來抓取東西，而不是用手抓取，你很快就會覺得它已經(jīng)成為你身體的一部分。你的大腦會改變它的預(yù)期，以適應(yīng)新的觸覺輸入模式。耙子已經(jīng)實實在在地融入了你的身體。感覺替代例子。第一個例子中的內(nèi)容你可以在家里完成。你只需要找來一個朋假手。當你盯著假手時，你的朋友要同時撫摸兩只手的相同部位。例的區(qū)域，也就是我在本章前面提到的那些聯(lián)合區(qū)，會變得混亂。實際上，你會感覺到施加在假手上的感覺，就好像它是自己的手一樣。這種“模式對等”的另一個引人注目的例子叫作感覺替代。對于在童年時期失明的人來說，感覺替代可能會徹底改變他們的生活，而且有朝一日，可能會給先天性失明的人帶來福音。它還可能催生新的腦機接口技術(shù)。威斯康星大學麥迪遜分校生物醫(yī)學工程教授保羅·巴赫·利塔（PaulBach-y-Rita）意識到，大腦完全是通過模式產(chǎn)生感覺的，因此開發(fā)了一種能在人類的舌頭上顯示視覺模式的方法。戴上這種顯示設(shè)備，盲人也能夠通過舌頭上的感覺來學習“看”。下面介紹該設(shè)備的工作原理。研究人員將一個小攝像頭戴在被試的前額上，將一塊芯片放在被試的舌頭上。視覺會被逐個像素地轉(zhuǎn)化為舌頭上的壓力點。一個可以在分辨率較低的電視屏幕上顯示為數(shù)百個像素的視覺場景，可以轉(zhuǎn)化為由舌頭上的數(shù)百個微小壓力點構(gòu)成的模式。大腦很快就能學會正確解釋這些圖案。埃里克·韋恩邁耶（ErikWeihenmayer）是首批佩戴這種安裝在舌頭上的設(shè)備的人。他是一名世界級的運動員，13歲時不幸失明，他四處演講，稱不會讓失明影響自己的雄心壯志。2001年，韋恩邁耶登頂珠穆朗瑪峰，成為有史以來第一個不僅挑戰(zhàn)了而且實現(xiàn)了這一目標的盲人。2003年，韋恩邁耶試戴了這個舌頭裝置，自失明以來第一次能看到東西。他能夠看見一個球在地板上朝他滾來，伸手去拿桌子上的飲料，并玩起了“石頭剪刀布”游戲。后來他穿過走廊，看到了門口，檢查了一扇門和門框，并注意到門上有一個標志。最初通過舌頭上的感覺進行體驗的圖像，很快就被作為空間中的圖像進行體驗了。連接，大腦就能識別它們。新皮質(zhì)建立了世界模型如果你認為模式是大腦所知道的一切，那么你對上述所有例子都不應(yīng)該感覺太驚訝。大腦是模式的機器。用聽覺或視覺表征大腦的功能并無不妥，但在最基本的層面上，模式才是根本。無論各個皮質(zhì)區(qū)的活動看起來多么不同，它們使用的都是相同的基本皮質(zhì)算法。新皮質(zhì)并不關(guān)心這些模式是源于視覺、聽覺，還是其他感覺。它不關(guān)心它的輸入是來自1個感覺器官還是來自4個感覺器官。如果你碰巧用聲吶、雷達或磁場來感知世界，或者如果你有觸角而不是手，就算你生活在一個四維而不是三維的世界里，它也不會在意。這意味著你不需要任何一種感覺或任何特定的感覺組合來使你變得聰明。海倫·凱勒既看不見也聽不見，但她學會了語言，并成為作家，寫作水平超過大多數(shù)視力和聽力正常的人。她非常聰明，雖然缺失兩種主要的感覺，但大腦令人難以置信的靈活性仍然使她能夠像五感齊全的人那樣感知和理解世界。人類頭腦所具備的非凡的靈活性讓我對我們將創(chuàng)造的大腦啟發(fā)技術(shù)寄予厚望。當我想到制造智能機器時，我想為什么要堅持讓它具備我們熟悉的感覺？只要我們能夠破譯新皮質(zhì)的算法并提出模式科學，就可以將其應(yīng)用于制造智能系統(tǒng)。受新皮質(zhì)啟發(fā)而制作的電路，有一個非常了不起的特點，那就是我們不需要費盡心思地對它進行編程。正如聽覺皮質(zhì)在重新布線的雪貂中變成“視覺”皮質(zhì)，就像視覺皮質(zhì)孩子身上所做的那樣自然。此外，模式是智能的基礎(chǔ)貨幣這一想法引發(fā)了一些有趣的哲學問與我過去經(jīng)歷過的模式一致。這些模式對應(yīng)于我認識的人、他們的面釋它們的方式。不存在直接感知這種東西。我們沒有一個“人”傳感器。模式是我們要依據(jù)的東西。這場討論強調(diào)了幻覺和現(xiàn)實之間有時會受到質(zhì)疑的關(guān)系。如果你能產(chǎn)生橡膠手錯覺，并且可以通過舌頭的觸摸刺激“看到”，那么當用手觸摸或用眼睛看到時，你是否同樣被“愚弄”了？我們能相信自己看到的世界是真實的嗎？可以。世界確實以一種非常接近我們感知它的形式而存在，然而，大腦無法直接了解這個絕對的世界。大腦通過一系列感覺了解世界，這些感覺只能檢測到絕對世界的一部分。感覺創(chuàng)造的模式被送到新皮質(zhì)，并由同一個皮質(zhì)算法處理，創(chuàng)造出一個世界的模型。這樣一來，盡管口頭語言和書面語言在感覺層面上完全不同，但大腦理解它們的方式非常相似。同樣，海倫·凱勒的世界模型與你我的世界模型非常接近，盡管她的感覺比你我要少很多。通過這些模式，新皮質(zhì)建立了一個接近真實事物的世界模型，然后值得注意的是，它將其保存在記憶中。我將在第4章中討論記憶，看看這些模式進入新皮質(zhì)后發(fā)生了什么。第4章從記憶中檢索答案的大腦如果你正走在擁擠的街道上，或是在聽交響樂，或是安慰哭泣的孩子，或就在閱讀本書，那么來自你所有感官的空間和時間模式充斥著你的頭腦。世界由大量不斷變化的模式組成，它們無時無刻不在拍打和撞擊著你的大腦。你如何理解這些模式的意義？模式流入，穿過舊腦的各個部分，最終到達新皮質(zhì)。但是，當它們進入新皮質(zhì)后會發(fā)生什么？里沒有齒輪，但這是他們能想到的最佳比喻。信息以某種方式進入大第1章中所看到的那樣，人工智能研究人員一直堅持這一觀點，他們堅持認為相關(guān)研究之所以沒有取得太多進展，只是因為計算機與人腦相人類一樣的智能。這種大腦與計算機的類比存在一個很大程度上被忽視的問題。與計算機中的晶體管相比，神經(jīng)元的運行速度相當慢。一個神經(jīng)元收集來自其突觸的輸入，并將這些輸入組合在一起，以決定何時向其他神經(jīng)元輸出一個脈沖信號。一個典型的神經(jīng)元可以做到這一點，并在大約5毫秒內(nèi)重置自己，或者說每秒大約有200次這樣的行為。這可能看起來很快，但一臺現(xiàn)代基于硅芯片技術(shù)的計算機可以在一秒鐘內(nèi)完成10億次操作。這意味著，基本的計算機操作與你大腦中的基本操作相比，前者的速度是后者的500萬倍！這是一個巨大的差異。那么，大腦怎么可能比最快的數(shù)字計算機更快、更強大呢？“沒問題，”將大腦比作計算機的人會這樣說，“大腦這種‘計算機’是并行運算的，數(shù)十億個細胞同時計算。這種并行性極大地增加了生物大腦的處理能力?！蔽乙恢庇X得這種說法是謬論，只需簡單想象一下就能明白它的荒謬之處。這就是所謂的“百步法則”。一個人可以在不到一秒鐘的時間內(nèi)完成重要的任務(wù)。例如，我可以給你看一張照片，并讓你判斷圖像中是否有貓。如果有貓，你就按下按鈕；如果你看到的是熊、疣豬或蕪菁，就不要按。對今天的計算機來說，這項任務(wù)很難，或者說不可能完成，但人類可以在半秒或更短時間內(nèi)可靠地完成它。神經(jīng)元很慢，所以在這半秒鐘內(nèi)，進入你大腦的信息只能穿越一條包含100個神經(jīng)元的鏈條。也就是說，大腦以100步或更少的步數(shù)即可“計算出”此類問題的解決方案，而不管這個過程一共可能會涉及多少神經(jīng)元。從光線進入你的眼睛，到你按下按鈕，涉及的神經(jīng)元鏈條中只有不到100解決同樣問題的數(shù)字計算機將需要數(shù)十億步。100計算機的顯示屏上移動一個字符，而對于其他一些更為有趣的事情，這些指令則力有不逮。但是，如果有好幾百萬個神經(jīng)元一起工作，這不就像一臺并行計算機嗎？實際情況并非如此。雖然大腦與并行計算機都是并行運行的，但這是它們唯一的共同點。并行計算機結(jié)合了許多快速計算機來處理大型問題，如預(yù)測明天的天氣。如果要預(yù)測天氣，就必須計算地球上許多地理位置的物理條件。盡管每臺計算機可以同時在不同的地點工作，但即使有數(shù)百甚至數(shù)千臺計算機并行工作，單臺計算機仍然需要執(zhí)行數(shù)十億或數(shù)萬億個步驟來完成任務(wù)。并行計算機在100步內(nèi)不可能完成任何有意義的任務(wù)，無論這臺計算機的體型有多大，運行速度有多快。關(guān)于這一點，可以打個比方。假設(shè)我要你搬運100塊石塊穿越沙漠，一次只能搬一塊石頭，穿越沙漠需要100的時間才能完成，所以你招募了100務(wù)的速度變成了之前的100倍，但仍然需要至少100萬步才能穿越沙漠。雇用更多的工人，即使是1000名工人，也不會帶來任何額外的收益。無論你雇用多少工人，都無法在比走100萬步更短的時間內(nèi)解決這個問題。并行計算機也是如此?？缭侥骋稽c之后，增加更多的處理器并不會產(chǎn)生什么影響。一臺計算機，無論它有多少個處理器，運行得多快，都無法在100步內(nèi)計算出難題的答案。那么，為何大腦能在100步中完成困難的任務(wù)，而可以想象到的最大的并行計算機卻不能在100萬個或10億個步驟中解決？答案是：大腦不會“計算”問題的答案，它只是從記憶中檢索答案。從本質(zhì)上講，答案在很久以前就儲存在記憶中了。從記憶中檢索一些東西只需要幾步。速度緩慢的神經(jīng)元不僅可以做到這一點，而且它們本身就構(gòu)成了記憶。整個新皮質(zhì)結(jié)構(gòu)是一個記憶系統(tǒng)，它根本就不是一臺計算機。用記憶解決問題說明。比方說接球吧，有人把球扔給你，你看到它向你飛來，不到一個機械臂做同樣的事情，問題就很麻煩了，許多研究生都發(fā)現(xiàn)這幾乎是不可能做到的事。當工程師或計算機科學家解決這個問題時，他們首先會嘗試計算球的飛行軌跡，以確定它到達手臂時的位置，這需要解一組你在高中物理中學過的方程。接下來，機械臂的所有關(guān)節(jié)都必須協(xié)同調(diào)整，以便將手移到適當?shù)奈恢?，這就需要解另一組方程，而這一組比第一組更難。最終，整套操作必須重復(fù)多次，因為隨著球的靠近，機械臂會更好地了解球的位置和軌跡。如果機械臂等到確切知道球的位置才開始移動，那就來不及抓住它了。當機械臂對球的位置知之甚少時，它就必須開始移動，并且隨著球的靠近不斷調(diào)整手臂的姿態(tài)。一臺計算機需要數(shù)百萬步求解無數(shù)的數(shù)學方程，才能讓機械臂接住一個球。盡管通過編程計算機可能會成功地解決這個問題，但百步法則表明，大腦的處理方式截然不同，它使用的是記憶。你如何利用記憶接球呢？你的大腦中儲存著接球所需的肌肉指令的記憶，以及許多其他學習行為。當球被拋出時，會發(fā)生三件事。首先，你看到球會自動調(diào)用適當?shù)挠洃?。其次，該記憶實際上調(diào)用了肌肉指令的時間序列。最后，大腦檢索到的記憶會在被調(diào)用時進行調(diào)整，以適應(yīng)當時的具體情況，如球的實際路徑和你身體的位置。如何接球的記憶并沒有編入你的大腦，它是通過多年重復(fù)練習而學會的，它儲存在你的神經(jīng)元中，而不是計算出來的。你可能在想：“稍等。每次接球都略有不同。你剛才說