人的大脑是数字计算机吗？

人的大脑是数字计算机吗？

一个基本的问题是,就像数学家现在认识到的,他们在50年前犯了一 个重大的错误，认为大脑类似于大型数字计算机。但是现在人们痛苦地认 识到，显然不是这样的。大脑没有芯片，没有操作系 统,没有应用软件,没有CPU,没有程序设计,没有子程序，而这些都是现代 数字计算机的代表。事实上，数字计算机的结构与大脑截然不同。大脑是 某种类型的学习机器，是一个神经细胞（即神经元）

的集合,每当它学会一 个任务后就会自己不断地重新接线。（然而,计算机根本不学习，你的计算 机昨天是个哑巴,今天仍然是个哑巴。)

因此至少有两种方法模拟大脑。第一个,从上到下的方法，它是将机器 人处理成数字计算机，从一开始就编制所有的智能规则。一个计算机可以 依次拆解成某些叫做图灵机(Turing machine)的东西,这是由伟大的英国数 学家阿兰•图灵（Alan Turing)提出的假想的设备。一个图灵机由三个基本

构件组成:输入，中央处理器消化输人的数据，输出。所有的数字计算机都 是根据这个简单的模式。这个方法的目标是有一张光盘，上面编制了所有 的智能规则。插人光盘，计算机突然就变活了，有智能了。因此，这个神秘 的光盘含有所有创建智能机器所需的所有软件。

然而，我们的大脑根本没有程序或软件。我们的大脑更像一个“神经 网络”（neural network)，一个复杂的、一堆杂乱的、不断自己重新连接的神 经元（即神经细胞）。

神经网络遵循赫布规则，每当做出一个正确的决定，这些 神经通路就得到增强。它是在每次成功完成一个任务后，通过简单地改变 神经元之间的某钱电的连接强度实现这个功能。（赫布规则可以用一个古 老的问题来表示:一个音乐家如何到达卡内基大厅？

同答是:练习、练习、练 习。对于一个神经网络，练习使其完善。赫布规则也能够解释为什么坏习 惯如此难改，因为坏习惯的神经路径是根深蒂固的。)

神经网络是基于从下到上的方法。不是用勺子喂养的方式输入所有的 智能规则，神经网络是按照婴儿学习的方式进行学习的,靠硫疏碰碰接触事 物和靠经验学习。神经网络不是应用编程，而是按古老的方式，通过“学校 艰苦的灌输”进行学习。

神经网络与数字计算机的结构完全不同。如果你去掉数字计算机中央 处理器的一个晶体管,计算机就会瘫痪。然而，如果你去掉一大块人的大 脑，它仍然能够工作，其他的部分将取代丢失的部分。此外，可以精确地找 出数字计算机是在哪里思考:是在它的中央处理器。然而,大脑扫描淸楚表 明，思考是散布在大部分的大脑上。不同的部分按精确的顺序激活,思想就 好像乒乓球一样到处跳来跳去^

数字计算机能够以几乎是光的速度进行计算。相反，人的大脑是难以 置信的慢。神经脉冲传播的速度相当慢，大约每小时200英里(322公里）。 但是大脑可以弥补这一点，因为它是大童平行运算的，有1 000亿个神经细 胞在同时运作，每一个神经细胞进行一小点计算，每一个神经细胞连接 10 000个其他神经细胞。在一次比赛中，一个超快的单个处理器不如超慢 的平行处理器。（这就回到一个古老的谜:如果一只猫一分钟吃掉一只老 鼠，100万只猫需要多少时间吃掉100万只老鼠呢？）

此外,大脑不是数字的。晶体管是一个门，可以打开或关闭，代表1或

0。神经元也是数字的（可以激发或不激发），但它们也可以是模拟的，可以 传递连续信号,也可以传递离散信号。

机器人的两个问题

由于与人脑相比计算机有明显的局限性，人们才能认识到为什么计算 机不能完成人们轻而易举就能完成的两个关键任务:模式识别和常识。这 两个问题使得过去半个世纪找不到解决方案。这就是为什么我们不能有机器人女仆、男管家和秘书的主要原因。

第一个问题是模式识别。机器人比人还看得清楚，但它们不懂看到的 是什么。当一个机器人在房间内走动时，它把看到的图像转换成一大堆小 点。通过处理这些小点，它能够识别线、圆形、正方形和矩形。然后，机器人 试图将这一大堆点，一个一个地与它存储器中存储的物体比较,即便是对于 计算机来说这也是一个特别繁重的任务。经过很多小时的计算，机器人才 能将这些线与椅子、桌子和人匹配。与之相反，当我们走进房间，只需几分 之一秒，我们就能识别椅子、桌子、书桌和人。的确，我们的大脑主要是一个 模式识别机。

第二，机器人没有常识。尽管机器人比人的听力还要好，它们不理解听 到的是什么。例如,考虑一下下面的陈述：

•孩子喜欢糖但不喜欢惩罚

•绳子可以拉但不能推

•棍子能够推但不能拉

•动物不能说话和不懂得人类语言

•旋转让人感到眩晕

对于我们来说，这些陈述只是常识。但是对于机器人来说却不是这样。 没有逻辑或程序证明绳子可以拉但不能推。我们是通过经验知道这些“明 显”的陈述是对的，而不是因为在我们的记忆中有编制的程序。

自上而下的方法的问题在于，需要很多行的代码才能模拟人的常识。 例如，需要几亿行的代码才能描述一个6岁孩子所知道的常识的规律。位 于卡内基梅隆的人工智能实验室前主任汉斯•莫拉维克（Hans Moravec)悲 哀地说:“到今天为止，人工智能程序没有显示一点常识的判断力，例如,一 个医疗诊断程序面对一辆破自行车，它可能开出一个抗生素的处方，因为它 没有人、疾病或自行车的模型。”

然而,有些科学家坚持相信掌握常识的判断力的唯一障碍是没有理性 的力。他们感到，一个新的曼哈顿项目，像建造原子弹那样的计划将肯定会 解决常识的判断力问题。一个未能实现的要建立“思想百科全书” (encyclopedia of thought)的计划叫做CYC,开始于1984年。它想要成为人 工智能的最髙的成就，这个项目要把所有常识的判断力的秘密解码编制成 简单的程序。然而，经过几十年艰苦的工作，CYC项目未能实现它自己的 目标。

‍