大脑如此复杂, ta 有大约 100 亿个神经元, 有大约 100 万亿个链接.
我们经常拿人脑和电脑做类比, 也许因为电脑也是一个具有巨大解决问题能力的复杂系统. 大脑和电脑都有大量的基本单元, 例如大脑的神经元和电脑的晶体管, 它们皆是连接到复杂的电路 (circuit) 中, 以处理由电信号传送的重要信息. 在宏观角度来看, 大脑和电脑的架构有相似的地方, 它们是由输入, 输出, 中央处理和内存等大部分独立的电路组成.
那么, 哪种解决问题的能力更强呢? 大脑还是电脑?
鉴于过去几十年计算机技术的迅速蓬勃发展, 你或许会认为计算机更有优势, 更高效. 的确, 电脑已经可以在很多方面和很多复杂的游戏中轻轻松松地打败人类了(还不是人类设计的). 例如, 上世纪 90 年代的国际象棋和最近的 Go, 以及百科知识竞赛, 等等. 但是, 不可否认的是, 人类在许多任务的执行上仍然胜出电脑一筹, 例如在拥挤的城市街道上识别自行车或特定行人, 将一杯茶平稳顺利地放在嘴边, 更不要说概念化和创造力了.
为什么电脑擅长某些任务, 而大脑在其他方面更好呢?
比较人脑和电脑的时候无论对计算机工程师还是神经学家都很有启发. 我们不妨参考一本小巧而深奥的书, 由 John von Neumann 书写的 "计算机与大脑".Neumann 在 20 世纪 40 年代率先设计了计算机体系结构, 这种体系仍然是众多现代计算机的基础.
电脑的优势
通过上表我们可以看出, 电脑在基本操作速度方面, 和人脑相比, 有巨大的优势. 目前来说, 个人电脑就可以以每秒 100 亿次操作的速度执行基本算术运算. 而人脑中, 神经元放电的频率最高为每秒约 1,000 次.
神经元 "激发" 动作电位 - 在神经元细胞体附近引发的电信号的瞬时提高(spikes), 这些 spikes 沿着轴突传送到下游与其匹配连接的神经元. 信息根据这些 spikes 的频率和时间进行编码. 这是电传送.
另一个例子是, 神经元主要通过在突触的轴突终端的释放特定化学神经递质, 来将信息传递给与其相匹配的神经元, 而匹配的神经元在突触传递的过程中将神经递质的结合转换回电信号. 最快的突触传输大约需要 1 毫秒. 这是化学传送.
因此无论是电传送还是神经递质的化学传送方面, 大脑每秒最多可执行大约 1000 次基本操作, 或比计算机慢 1000 万次.
除此之外, 电脑在基本操作的精确度方面也大大的优于人脑. 计算机可以根据二进制分配的信息 (只由 0 和 1 组成) 便可以表示任何精准的数量. 例如, 一个 32 位的数字, 在 232 或者 42 亿的精准度都为 1. 相比之下, 根据研究证据, 人脑的神经系统中的大部分 "量", 如神经元的发射频率, 比计算机相差数百万倍.
人脑的优势
但是! 大脑的运算不缓慢, 也不是不准确.
例如, 职业网球运动员可以追踪一个高达每小时 160 英里的网球的轨迹, 移动到球场的最佳位置, 放好 ta 的手臂, 并将球拍摆动到球的位置, 把球还给在对方球场的对方球员, 这一切都在几百毫秒内完成.
此外, 大脑在控制躯体的情况下, 可以完成所有以上陈述的任务或行为, 但消耗的功率比电脑低大约是被.
大脑是如何做到的呢?
人脑和电脑其中一个重要的区别就是它们在每个系统内处理信息的模式.
电脑和人脑都懂得以连续 (serial) 步骤执行任务. 由计算机工程师通过创建顺序指令来实现, 电脑内连续的操作, 每个步骤都需要高精准度. 大脑也使用连续步骤进行信息处理. 例如上述网球的例子, 信息从眼睛到大脑, 然后到脊髓, 以控制腿部, 躯干, 手臂和手腕的肌肉收缩.
但是, 大脑也采用大规模的平行 (parallel) 处理模式, 利用大量神经元以及它们之间大量的联结.
例如, 移动网球激活视网膜中的许多细胞(光感受器), 可将光转换为电信号. 这些信号然后被并行地传送到视网膜中的许多不同类型的神经元. 当源自感光细胞的信号通过视网膜中的两个至三个突触连接, 球的位置, 方向和速度的信息就可以通过平行神经网络传输到大脑.
同样的, 运动皮层 (负责意志运动控制的大脑皮层的一部分) 平行的发送命令来控制腿部, 躯干, 手臂和手腕的肌肉收缩, 从而使身体和手臂同时运动做好准备, 接收传入的球.
这种大规模的平行测量之所以可行, 因为每个神经元可以从许多其他的神经元中收集信息, 并将信息发送给许多其他神经元. 例如哺乳动物神经元的输入和输出平均数量级为 1,000, 而相比之下, 每个晶体管只有三个节点用于输入和输出. 与此同时, 处理相同信息的神经元们可以把信息集中输入到一个下游神经元(下游神经元对于提高信息处理的精准度非常有用). 例如, 单个神经元携带的信息是 noisy 的, 嘈杂的(例如精准度为 100), 但是通过 100 个携带相同信息的神经元信息的叠合, 下游神经元收集到的信息精准度可以达到约 1000.
在基本单元的传令模式中, 电脑和人脑有相似也有不同之处.
电脑中, 晶体管采用数字信号 (digital), 它使用离散值(0 和 1) 来表示信息.
人脑中, 神经元轴突中的峰值 (spikes) 也是一种数字信号, 因为神经元的 spikes 是 all-or-none, 0/1, 在一定时间内, spikes 发射或者不发射. 而当发射的时候, spikes 的大小和形状大致相同, 有助于稳定的长距离的峰值传播(spike propagation).
然而, 神经元也利用模拟信号 (analog), 模拟信号通过连续的值来表示信息. 一些神经元(例如我们视网膜中的大多数神经元) 是不会产生 spikes 的, 它们的信息输出是通过分级的电信号. 与 spikes 不同, 分级的电信号的大小可以不断变化, 而且可传输更多的信息. 树突也使用模拟信号来集成数以千计的输入, 从而够执行复杂的计算.
最最最重要的是, 正如之前网球的例子, 大脑的神经元之间的连接强度是可以根据我们的活动和经验而调整修改的, 这也是大家熟悉的学习和记忆的过程和方式 (neurons that fire together wire together). 重复的训练使得我们的神经元 "电路" 更好的执行任务, 提高速度和精度.
总结
在过去的几十年里, 计算机工程师们从人脑中摄取灵感来不断改进电脑. 现在, 平行处理以及可根据使用而增加的连接强度都被纳入了现代计算机.
例如, 在电脑中使用多个处理器 (多核) 来源于人脑平行处理的灵感.
又例如, 机器学习和人工智能领域的 "深度学习" 近年来的巨大成功, 在物体是被, 语音识别等方面取得迅速进展, 得益于我们对哺乳动物视觉系统的认识. 和哺乳动物的视觉系统一样, 深度学习采取来多层来表示越加抽象的特性, 以及不同层之间的权重可以通过学习来调整. 这些进展已经开拓了电脑能够执行的任务和执行能力.
尽管如此, 我们必须承认人脑比电脑仍有更高的灵活性, 普遍性和学习能力. 随着神经学家对大脑的理解加深, 发现更多有关大脑的秘密, 电脑工程师可以继续从中获得灵感, 进一步改善提高大脑的架构和性能. 无论谁是赢家, 跨学科的合作和研究一定会推动神经解学和计算机的发展.
来源: http://www.tuicool.com/articles/go/7RB7bma