精品秘无码一区二区三区老师-精品秘一区二三区免费雷安-精品蜜桃秘一区二区三区-精品蜜桃秘一区二区三区粉嫩-精品蜜桃一区二区三区-精品蜜臀国产aⅴ一区二区三区

那誰處理問題的能力更強？人腦還是計算機？

考慮到過去幾十年計算機技術(shù)發(fā)展之快，你可能會覺得答案是計算機。的確，通過適當(dāng)?shù)慕M裝構(gòu)建和編程，計算機已經(jīng)能在復(fù)雜游戲中打敗人類頂尖高手了：上世紀(jì)90年代它打敗了國際象棋世界冠軍，最近Alpha Go打敗了圍棋頂尖高手，還有百科知識競賽電視節(jié)目《危險邊緣》（Jeopardy！）中機器人也獲得了勝利。

然而，在我落筆之際，人類仍然能在眾多日常任務(wù)中更勝一籌，例如在擁擠的城市街道上認(rèn)出一輛自行車或一個特定的人，例如舉起茶杯將它平穩(wěn)地移到嘴邊 ，更不用說大腦還有概念化能力和創(chuàng)造力。

圖片來源: Youtube/Fast Solution

那為什么計算機擅長完成某類任務(wù)，而人腦在其他方面更為優(yōu)秀？

我們先來看計算機和人腦的一些對比數(shù)據(jù)。計算機工程師和神經(jīng)科學(xué)家都曾從計算機和人腦的對比分析中得到過啟示。這種對比最早可以追溯到現(xiàn)代計算機時代早期一本簡短卻影響深遠(yuǎn)的書：《計算機與人類大腦》（The Computer and the Brain），作者、博學(xué)家約翰·馮·諾伊曼（John von Neumann）在20世紀(jì)40年代開創(chuàng)的計算機系統(tǒng)結(jié)構(gòu)至今仍是大多數(shù)現(xiàn)代計算機的基礎(chǔ)。[2]

我們來看看數(shù)字上的比較（表1）。

表1中數(shù)據(jù)，參考文末來源2，3。關(guān)于計算機信息，a) 基于2008年的電腦數(shù)據(jù)；b) 晶體管數(shù)量依據(jù)摩爾定律（每個集成電路的晶體管的數(shù)量每18-24個月就會翻一番），近些年由于能量消耗和熱散逸，晶體管的數(shù)量增長有所放緩。

速度和精度方面，計算機勝!

從表格對比中可看出：計算機在基本運算速度方面有著人腦難以企及的巨大優(yōu)勢[3]。

現(xiàn)在的個人計算機可以以每秒100億次的速度執(zhí)行基本的算術(shù)運算，比如加法。 

那人腦呢？我們可以根據(jù)神經(jīng)元傳遞信息的基本過程和的通訊速度來估計大腦中基本運算的速度。舉個例子，神經(jīng)元“激起”動作電位（action potential）被稱為“放電”，也就是在神經(jīng)元細(xì)胞胞體附近引發(fā)電信號的尖峰（spike），尖峰電位沿著稱為軸突（axon）的細(xì)胞突起傳遞，軸突末端又與下游神經(jīng)元相連。信息以這些尖峰的出現(xiàn)時間和出現(xiàn)頻率編碼。神經(jīng)元放電的頻率最高大約每秒1,000次。 

“放電”示意圖。圖片來源: gfycat.com/action potential

再舉個例子，神經(jīng)元主要通過在軸突終端特定結(jié)構(gòu)，突觸（synapse）上釋放化學(xué)神經(jīng)遞質(zhì)來將信息傳遞給下游神經(jīng)元，后者將其重新轉(zhuǎn)換為電信號，這個過程我們稱之為突觸傳遞。突觸傳輸最快大約需要1毫秒。因此無論是尖峰還是突觸傳遞，大腦每秒最多可執(zhí)行大約1000次基本運算，比計算機慢1000萬倍。[4]

t突觸傳遞。圖片來源：sciencenewsforstudents.org

計算機在基本運算的精確度方面也占有巨大優(yōu)勢。計算機可以根據(jù)分配給每個數(shù)字的位（Binary digit，比特，二進(jìn)制數(shù)位，0和1）以期望的任何精度表示數(shù)量（數(shù)字）。比如，一個32位數(shù)字的精度可達(dá)2^32分之一，也就是40多億分之一。

而人腦，由于生物噪聲，神經(jīng)系統(tǒng)中的大多數(shù)物理量，例如神經(jīng)元發(fā)放率，只存在幾個百分點的可變性，最好的情況下精確度能達(dá)到百分之一，僅是計算機的百萬分之一。注：神經(jīng)元發(fā)放率常被用來表征刺激強度。

然而，大腦的計算表現(xiàn)既不算慢也不算壞。比如，一個職業(yè)的網(wǎng)球選手可以追蹤高達(dá)160英里/小時速度運行的網(wǎng)球的運動軌跡，移到球場最佳位置，揮動手臂，甩動球拍，將球擊回對面，一系列動作發(fā)生在幾百毫秒之間。

但是，大腦完成所有這些任務(wù)（在其控制的身體的幫助下），功耗比計算機大約低十倍。

耗能，人腦勝！

為什么大腦可以做到低能耗？

因為計算機和大腦，兩者系統(tǒng)內(nèi)部處理信息的模式不同。計算機任務(wù)主要以順序步驟執(zhí)行，這點我們可以從工程師創(chuàng)建順序指令流的編程方式中看出來。對于這種連續(xù)級聯(lián)運算，每個步驟都需要高度精確，因為誤差會在連續(xù)步驟中積累、放大。

大腦也使用連續(xù)步驟來處理信息。在網(wǎng)球回?fù)舻睦又校畔难劬飨虼竽X，然后傳向脊髓，從而控制腿部、軀干、手臂和手腕的肌肉收縮。

但大腦還多一個處理方式：大腦還同時采用大規(guī)模的并行處理信息，通過利用數(shù)量眾多的神經(jīng)元和每個神經(jīng)元發(fā)出的大量連接。

例如，移動的網(wǎng)球會激活視網(wǎng)膜中許多稱為光感受器的細(xì)胞，這些細(xì)胞的作用是將光轉(zhuǎn)換為電信號。電信號隨之被并行傳送給視網(wǎng)膜中許多不同類型的神經(jīng)元。只消兩個至三個突觸傳遞的時間，球的位置、方向、速度的相關(guān)信息已經(jīng)被不同神經(jīng)環(huán)路提取，并平行地傳輸?shù)酱竽X。

移動的網(wǎng)球。圖片來源：giphy.com

同樣地，運動皮層（大腦中負(fù)責(zé)有意識運動的部分）會發(fā)出平行的指令分別控制腿部、軀干、手臂和手腕的肌肉收縮，這樣身體和手臂能同時協(xié)調(diào)，調(diào)整身體到接球的最佳姿勢。

這種大規(guī)模并行策略是可行的，因為每個神經(jīng)元都從許多其他神經(jīng)元那兒輸入、輸出信息。來自單個神經(jīng)元的信息可以被傳遞到許多并行的下游路徑。與此同時，許多處理相同信息的神經(jīng)元，可以將它們的輸入信息集中到相同的下游神經(jīng)元。注：一個哺乳動物神經(jīng)元平均有數(shù)以千計的輸入和輸出。

神經(jīng)元發(fā)“放電”。圖片來源：gfycat.com

而這種集中到下游神經(jīng)元的處理方式，對于提高信息處理的精度也很有用。例如，由單個神經(jīng)元表示的信息可能是“嘈雜”的（比如說，精確度為1/100）。通過取平均值，下游的神經(jīng)元小伙伴通常能夠從100個輸入神經(jīng)元中提取更精確的信息（這種情況下，精確度能到千分之一） [6]。

相比之下，計算機每個晶體管僅有三個輸入和輸出節(jié)點。

信號方面，人腦再勝！

計算機和大腦相比，基本單元的信號模式也有相同和不同之處。

相同之處，在于計算機和人腦都使用數(shù)字信號。

計算機的晶體管的數(shù)字信號，使用離散值（0和1）來表示信息；人腦的神經(jīng)元軸突中的峰值也是一個數(shù)字信號，因為神經(jīng)元在任何時間要么處于尖峰狀態(tài)，要么處于非激活狀態(tài)。當(dāng)神經(jīng)元被激活時，所有尖峰都是差不多相同大小、形狀，這一特性有助于實現(xiàn)可靠的遠(yuǎn)距離尖峰傳播。

不同之處在于，人腦的神經(jīng)元還可以利用模擬信號，它使用連續(xù)的值來表示信息。一些神經(jīng)元（像我們視網(wǎng)膜中的大多數(shù)神經(jīng)元）是無尖峰的，它們的輸出通過分級的電信號傳輸?shù)模ㄅc尖峰信號不同，它的大小可以連續(xù)變化），可傳輸比尖峰信號更多的信息。[7]

回?fù)艟W(wǎng)球的例子還彰顯了大腦另一個顯著特點：它可以基于當(dāng)前狀態(tài)和歷史經(jīng)驗，修改神經(jīng)元之間的連接強度。神經(jīng)科學(xué)家們普遍認(rèn)為，這是學(xué)習(xí)與記憶的基礎(chǔ)。重復(fù)的訓(xùn)練能使神經(jīng)元環(huán)路為任務(wù)優(yōu)化其連接方式，從而大幅提高速度與精確度。

神經(jīng)元放電。圖片來源：gfycat.com

其實，計算機借鑒了人腦

在過去的幾十年里，工程師不斷受大腦啟發(fā)來改進(jìn)計算機設(shè)計。并行處理的原則，還有根據(jù)使用情況調(diào)整連接強度，都被納入了現(xiàn)代計算機。比如，增加并行性，即在單個計算機中使用多個核心處理器，已經(jīng)是當(dāng)前計算機設(shè)計的趨勢。

又比如，機器學(xué)習(xí)和人工智能領(lǐng)域的“深度學(xué)習(xí)”，近年來取得了巨大的成功，計算機和移動設(shè)備中的物體識別和語音識別方面的迅速進(jìn)展都得益于它，其就是受到了哺乳動物視覺系統(tǒng)的啟發(fā)[8]。

和哺乳動物的視覺系統(tǒng)一樣，深度學(xué)習(xí)采用越來越深的層次來表示越來越抽象的特征（比如視覺目標(biāo)或者言語），不同層次之間的連接權(quán)重也通過機器學(xué)習(xí)動態(tài)調(diào)整，而不是由工程師手工設(shè)計。這些最新進(jìn)展已經(jīng)擴(kuò)展了計算機能夠執(zhí)行的任務(wù)的指令表。盡管如此，大腦還是比最先進(jìn)的計算機具有更高的靈活性、泛化與學(xué)習(xí)能力。

圖片來源: pinterest/brain cell biology

隨著神經(jīng)科學(xué)家發(fā)現(xiàn)越來越多關(guān)于大腦的秘密（在計算機更得力的輔助下），工程師可以從大腦的工作原理中獲得更多靈感，進(jìn)一步改善計算機的結(jié)構(gòu)和表現(xiàn)。最后，不管特定任務(wù)中誰將成為贏家，跨學(xué)科交融無疑會促進(jìn)神經(jīng)科學(xué)和計算機工程的發(fā)展。

原文：http://nautil.us/issue/59/connections/why-is-the-human-brain-so-efficient

翻譯：刀娘

校對：顧金濤

編輯：EON

原文發(fā)表于《智庫：四十位科學(xué)家探索人類經(jīng)驗的生物根源》（Think Tank: Forty Scientists Explore the Biological Roots of Human Experience），由David J. Linden編輯，由耶魯大學(xué)出版社出版。