人類大腦與計算機有何不同

雷·庫茲韋爾

人交流電的發明者尼古拉·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明家親眼見證人造大腦變為現實。”這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。卡內基梅隆大學的機器人學家漢斯·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：“當計算機經過半個世紀的發展，其智力僅達到與昆蟲相當的水平時，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，但它可以大規模并行

大腦的神經元以極其緩慢的速度（通常是200次/ 秒）執行計算——基礎神經元的處理速度，只有同等的人造電子電路處理速度的數百萬分之一。研究顯示，在人腦中，簡單的語義判斷似乎是在單個神經元放電周期（小于20毫秒）內完成的，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最多也只是以數百或數千衡量，而不是像一臺標準的計算機那樣，數量級以數十億計算。

但是，另一方面，大腦相當于100萬億神經元間的相互連接，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。

較長的神經元放電周期和大規模并行，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）已經擁有了從神經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模并行結構了。

大腦是模擬和數字的結合體，還能實現自身線路重鋪

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

大腦連接的拓撲結構本質上是數字的——無論連接存在還是不存在;大腦神經元中軸突的放電不全是數字的，但接近于數字過程。大腦中大部分的功能又都是模擬的，會在模擬（連續）區域通過使用神經遞質和相關機制來執行大部分計算，充滿非線性（在產出方面是突然變化的，而非平穩變化），隨時都有可能在計算中出現神經元連接線路的重鋪。

非線性實際上非常復雜。然而，詳細的非線性神經元動力學和神經元的組成（樹突、棘、通道和軸突）可以通過非線性系統的數學模型來模擬。這些數學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區域，而不是通過數字計算，就可以使計算機的能力提高3～4個數量級。

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構和傳導性還會不斷調整。可見，神經系統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中，我們應用的數學方法比大腦系統所應用的簡單，而我們在自組織模式上又有大量工程經驗。在這一優勢下，當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都是隨機的，具有涌現特性

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。但某些細節對解碼大腦操作的原則是很關鍵的，這迫使我們必須將它們和那些隨機“噪音”或混亂細節加以區分。神經功能中混亂（隨機和難以預料的）的部分可以通過利用復雜性理論和混沌理論的數學方法進行建模。

智能行為是大腦混亂和復雜活動的突顯特征。對比白蟻和螞蟻巢穴的智能化設計，想象一下它們精心構建的互聯隧道和通風系統。盡管這些看上去都是無比靈巧、復雜的設計，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測的互動建造起來的，每個成員所依照執行的不過是一些相對簡單的規則。這種組織就如同人類大腦一樣，具有涌現（整體大于其各部分之和）特性。

大腦選擇了不完美和矛盾性

這是復雜自適應系統的本性，其決策所表現的智能是“次最佳”的。也就是說，與其要素的優化配置所表現的智能相比，它反映了較低級別的智能。它只需要足夠好，這對我們人類而言就意味著已經有充足的智力水平，使我們能夠騙過在生態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，已經完全能夠包容矛盾的觀點。事實上，我們正是依靠內部的多樣性而獲得蓬勃發展。

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習模式是漸進式的。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，某些細節至關重要——它們以模式約束（確定初始條件規則和自組織方式）的形式顯示出來，而在最初的約束條件中，許多細節都是任意設置的，系統在自組織過程中逐步篩選和表現出那些不變的特征信息，而所有這些產生的信息在這一網絡特定的節點或連接中都無法找到。由此可見，這是一個分布式系統（操作軟件高于硬件的網絡）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，哺乳動物的神經元顯得有些混亂（有許多明顯隨機的相互作用），但如果神經網絡在動物個體的成長過程中得到很好的訓練，那么一個反映網絡決策的穩定格局就會出現。當前，計算機的并行設計還比較有限。但并沒有理由說明，與生物神經網絡功能相當的人造網絡無法使用這些決策原則。的確，全世界數十次的努力已經成功完成了這些事。

在模式識別技術領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練性和不確定性的計算方式，計算機已經可以有效地模擬出很多大腦特有的組織方法。相信復制自然的設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在的文明，盡管很難預測未來的文明程度，但是我們有能力在頭腦中創建現實世界的發展模式，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造的非生物智能緊密結合。

正如漢斯·莫拉維茨所言：“人工智能還處在萬物復蘇的春天，等待著它生機勃勃的夏天的來臨。”