人類大腦與計算機有何不同

雷·庫茲韋爾

人交流電的發(fā)明者尼古拉·特斯拉（1856—1943）曾說：“我認為任何一種對人類心靈的沖擊都比不過一個發(fā)明家親眼見證人造大腦變?yōu)楝F(xiàn)實?！边@一暢想基于這樣的思想：我們有能力理解自身的智能（通過訪問我們自身的源代碼），并且對其進行改良和拓展。

今天，我們把對人造大腦的想象理解為計算機人工智能?？▋?nèi)基梅隆大學(xué)的機器人學(xué)家漢斯·莫拉維茨在其文章“When Will Computer Hardware Match The HumanBrain”（《計算機硬件何時能與人腦相匹配》）中指出：“當(dāng)計算機經(jīng)過半個世紀的發(fā)展，其智力僅達到與昆蟲相當(dāng)?shù)乃綍r，期望它在未來的幾十年里完全成為智能機器，似乎是很草率的。事實上，我們有充分的理由相信，很多事情在未來50年的發(fā)展速度會遠遠超過過去的50年。”

那么，我們是否可能打破身體和大腦的限制，充分理解自身的智能？是否能使人工智能達到乃至超越人類大腦的計算水平？要回答這些問題，需要我們對人類大腦和計算機之間的差異有更多認識。

大腦的電路非常緩慢，但它可以大規(guī)模并行

大腦的神經(jīng)元以極其緩慢的速度（通常是200次/ 秒）執(zhí)行計算——基礎(chǔ)神經(jīng)元的處理速度，只有同等的人造電子電路處理速度的數(shù)百萬分之一。研究顯示，在人腦中，簡單的語義判斷似乎是在單個神經(jīng)元放電周期（小于20毫秒）內(nèi)完成的，物體識別需要7～8個周期（約150毫秒），陷入思考需要的周期數(shù)最多也只是以數(shù)百或數(shù)千衡量，而不是像一臺標(biāo)準的計算機那樣，數(shù)量級以數(shù)十億計算。

但是，另一方面，大腦相當(dāng)于100萬億神經(jīng)元間的相互連接，它們都可能在同時處理信息，也就意味著多達100萬億次的計算可以在人腦中同步進行。

較長的神經(jīng)元放電周期和大規(guī)模并行，形成了大腦一定程度上的計算能力。今天，我們最大的超級計算機正在接近這個范圍，最先進的超級計算機（包括那些用于最流行的搜索引擎的計算機）已經(jīng)擁有了從神經(jīng)元水平上模擬人類大腦所需要的運算能力。不過，計算機沒有必要采用和大腦相同的并行化處理的粒度（即并行任務(wù)的實際工作量），而只要配合整體對運算速度和存儲容量的需要就可以，否則就需要計算機去模擬大腦的大規(guī)模并行結(jié)構(gòu)了。

大腦是模擬和數(shù)字的結(jié)合體，還能實現(xiàn)自身線路重鋪

今天，大多數(shù)計算機使用二進制代碼運行，都是數(shù)字的，每次都以極高的速度執(zhí)行一條或幾條指令集。人類的大腦則與之不同，結(jié)合使用數(shù)字和模擬兩種方式。

大腦連接的拓撲結(jié)構(gòu)本質(zhì)上是數(shù)字的——無論連接存在還是不存在;大腦神經(jīng)元中軸突的放電不全是數(shù)字的，但接近于數(shù)字過程。大腦中大部分的功能又都是模擬的，會在模擬（連續(xù)）區(qū)域通過使用神經(jīng)遞質(zhì)和相關(guān)機制來執(zhí)行大部分計算，充滿非線性（在產(chǎn)出方面是突然變化的，而非平穩(wěn)變化），隨時都有可能在計算中出現(xiàn)神經(jīng)元連接線路的重鋪。

非線性實際上非常復(fù)雜。然而，詳細的非線性神經(jīng)元動力學(xué)和神經(jīng)元的組成（樹突、棘、通道和軸突）可以通過非線性系統(tǒng)的數(shù)學(xué)模型來模擬。這些數(shù)學(xué)模型能夠在電子計算機上模擬到任何所需的準確程度。如果我們使用晶體管以本地模擬的方式來模擬大腦的神經(jīng)區(qū)域，而不是通過數(shù)字計算，就可以使計算機的能力提高3～4個數(shù)量級。

大腦在運行時，樹突不斷掃描新的棘和突觸，而樹突和突觸的拓撲結(jié)構(gòu)和傳導(dǎo)性還會不斷調(diào)整?？梢?，神經(jīng)系統(tǒng)在其組織的各個層次上都是自組織的。在計算機化的模式識別系統(tǒng)中，我們應(yīng)用的數(shù)學(xué)方法比大腦系統(tǒng)所應(yīng)用的簡單，而我們在自組織模式上又有大量工程經(jīng)驗。在這一優(yōu)勢下，當(dāng)代計算機就可以在硬件中有效地模擬這個軟件過程，在軟件中實施自組織，為程序員提供更多靈活性。

大腦中的大部分細節(jié)都是隨機的，具有涌現(xiàn)特性

雖然在大腦的每個方面都有許多隨機（在嚴格控制下的隨機）過程，但我們在計算機中沒有必要模仿每個軸突表面的所有“漣漪”，至多需要在了解了計算機操作原理的情況下，模仿每個晶體管表面的所有微小差異。但某些細節(jié)對解碼大腦操作的原則是很關(guān)鍵的，這迫使我們必須將它們和那些隨機“噪音”或混亂細節(jié)加以區(qū)分。神經(jīng)功能中混亂（隨機和難以預(yù)料的）的部分可以通過利用復(fù)雜性理論和混沌理論的數(shù)學(xué)方法進行建模。

智能行為是大腦混亂和復(fù)雜活動的突顯特征。對比白蟻和螞蟻巢穴的智能化設(shè)計，想象一下它們精心構(gòu)建的互聯(lián)隧道和通風(fēng)系統(tǒng)。盡管這些看上去都是無比靈巧、復(fù)雜的設(shè)計，但螞蟻和白蟻群里并沒有建筑專家。這些建筑其實都是由所有巢穴成員不可預(yù)測的互動建造起來的，每個成員所依照執(zhí)行的不過是一些相對簡單的規(guī)則。這種組織就如同人類大腦一樣，具有涌現(xiàn)（整體大于其各部分之和）特性。

大腦選擇了不完美和矛盾性

這是復(fù)雜自適應(yīng)系統(tǒng)的本性，其決策所表現(xiàn)的智能是“次最佳”的。也就是說，與其要素的優(yōu)化配置所表現(xiàn)的智能相比，它反映了較低級別的智能。它只需要足夠好，這對我們?nèi)祟惗跃鸵馕吨呀?jīng)有充足的智力水平，使我們能夠騙過在生態(tài)中與我們相似的對手。例如，靈長類動物也有認知功能，但其大腦沒有人類那樣發(fā)達，它們的手也沒有人類的那么靈活。由于認識到各種各樣的思想和方法（包括那些相沖突的）并存或相融合，最終能造就卓越成果，我們的大腦通過進化，已經(jīng)完全能夠包容矛盾的觀點。事實上，我們正是依靠內(nèi)部的多樣性而獲得蓬勃發(fā)展。

大腦的認知能夠進化，形成重要的模式識別功能

大腦使用的基本的學(xué)習(xí)模式是漸進式的。一個新生兒的大腦包含的大多是隨機的神經(jīng)元連接，在未來的生活實踐中，理解世界最成功、對認知和決策做出最大貢獻的神經(jīng)元連接會幸存下來，逐漸形成他大腦的認知模式。

在這些混亂的自組織方法中，某些細節(jié)至關(guān)重要——它們以模式約束（確定初始條件規(guī)則和自組織方式）的形式顯示出來，而在最初的約束條件中，許多細節(jié)都是任意設(shè)置的，系統(tǒng)在自組織過程中逐步篩選和表現(xiàn)出那些不變的特征信息，而所有這些產(chǎn)生的信息在這一網(wǎng)絡(luò)特定的節(jié)點或連接中都無法找到。由此可見，這是一個分布式系統(tǒng)（操作軟件高于硬件的網(wǎng)絡(luò)）的模式。

而模式識別正是人類思維的支柱之一。相比計算機排布縝密的電子元件，哺乳動物的神經(jīng)元顯得有些混亂（有許多明顯隨機的相互作用），但如果神經(jīng)網(wǎng)絡(luò)在動物個體的成長過程中得到很好的訓(xùn)練，那么一個反映網(wǎng)絡(luò)決策的穩(wěn)定格局就會出現(xiàn)。當(dāng)前，計算機的并行設(shè)計還比較有限。但并沒有理由說明，與生物神經(jīng)網(wǎng)絡(luò)功能相當(dāng)?shù)娜嗽炀W(wǎng)絡(luò)無法使用這些決策原則。的確，全世界數(shù)十次的努力已經(jīng)成功完成了這些事。

在模式識別技術(shù)領(lǐng)域所涉及的工程項目中，一直使用這種類似人腦的具有可訓(xùn)練性和不確定性的計算方式，計算機已經(jīng)可以有效地模擬出很多大腦特有的組織方法。相信復(fù)制自然的設(shè)計范式將成為未來計算的主要趨勢。

筆者認為，未來的文明將遠勝于現(xiàn)在的文明，盡管很難預(yù)測未來的文明程度，但是我們有能力在頭腦中創(chuàng)建現(xiàn)實世界的發(fā)展模式，該模式可以讓我們洞察到這樣一種暗示：生物智能必將與我們正在創(chuàng)造的非生物智能緊密結(jié)合。

正如漢斯·莫拉維茨所言：“人工智能還處在萬物復(fù)蘇的春天，等待著它生機勃勃的夏天的來臨?！?/p>