為什麼科學家把人類當成了計算機？

知識 09-16

1新智元編譯

譯者：*黃玉傑、*ki bear、聞菲、胡祥傑

今天是2016年9月14日

AI WORLD 2016世界人工智慧大會倒計時33天

啟航期5折搶票倒計時5天

【新智元導讀】借鑒腦科學的研究，是否有助於發展人工智慧？《今日心理學》前主編、心理學家 Robert Epstein 日前在 Aeon 刊文，指出將大腦比作計算機誤導了我們對智能的認知，阻礙了腦科學發展。Epstein 認為，「大量的資金被用於腦科學研究，然而某些研究卻是基於錯誤的觀點和根本無法兌現的諾言」。

對此，佛羅里達大西洋大學計算機視覺博士生Daniel C. LaCombe, Jr 做出了回應。LaCombe 認為，信息處理比喻是迄今我們對大腦工作原理最好的解釋，Epstein 沒有正確理解「計算」在人工智慧中的主要作用及其與大腦的聯繫。

下面先是 Epstein 的文章，後面是LaCombe 的回應。我們歡迎你不僅觀看，也加入討論。

為什麼科學家把人類當成了計算機？點擊播放 GIF/58K

正方：你的大腦不處理信息，它不是計算機

空空如也的大腦

作者：Robert Epstein | 來源：Aeon

翻譯：黃玉傑，ki bear | 校對：岳川

半個多世紀以來，心理學家、語言學家、神經學家以及其他人類行為領域的專家都認為，人類大腦正是像電腦一樣工作。把人類智能當做「信息處理」的比喻，不管是在普通人心中還是在科學界，都佔據了主導地位。幾乎所有提及人類智能行為的論述，都免不了採取這種比喻。

我們為什麼對這個比喻如此執著？它真的可以解釋我們的思維嗎？它會不會成為我們理解人類意識的誤區？

不管如何努力，腦科學家和認知心理學家們永遠也不會在人腦中找到貝多芬第五交響曲的樂章，文字、圖片、語法規則或是其他任何類型的外界刺激。當然，大腦並不真的是空的。但那些人們通常認為存在於大腦中的許多事物，即使是最簡單的東西，比如「記憶」，也並沒有存在於大腦之中。

我們對大腦的愚昧認知有著深刻的歷史根源，特別是受到了20世紀40年代計算機發明對人類所帶來的影響。半個多世紀以來，心理學家、語言學家、神經學家以及其他人類行為領域的專家都認為，人類大腦正是像電腦一樣工作。

想想嬰兒的大腦，你會明白這樣的想法是多麼空洞。多虧了生物進化，人類的新生兒，如同其他所有哺乳動物的新生兒一樣，當它們來到這個世界時已經做好了與這個世界互動的準備。嬰兒的視力模糊，但它們會重點關注臉部，並且能夠迅速認出自己的母親。相比其他聲音，它更喜歡人聲，可以區分不同的對話。毫無疑問，我們生來就是為了建立社交關係。

一個健康的新生兒還具備了十幾種反射——隨時應對某些對生存極為重要的刺激。它會把頭自動轉向觸碰它臉頰的物體，吮吸任何進入口中的東西。當它潛入水中時，會屏住呼吸。它會緊緊抓住任何被放置在手上的物體，幾乎可以承受住自己的重量。或許最重要的是新生兒與生俱來的強大學習機制，儘管這個世界同它們祖先生活的時代已經大不相同，但他們能夠迅速變化，從而更加有效地與之互動。

感官、反射和學習機制——這是我們與生俱來的禮物。想想還挺豐富。如果在出生時，我們缺乏了其中任何一個技能，那麼很可能會難以生存。

但以下這些並非與生俱來：信息、數據、規則、軟體、知識、辭彙、表徵、演算法、程序、模型、記憶、圖像、處理器、子程序、編碼器、解碼器、符號和緩衝器——這些使數字計算機能夠表現出智能化的設計元素。這些元素我們不僅沒有，而且永遠也不可能進化出來。

生物體不會處理信息

我們並不「存儲」單詞或是指導我們運用單詞的語法。我們不會創建視覺刺激下所形成的「表徵」，把它們「存儲」到短期緩存區後，在「傳輸」到長期的記憶存儲器中。我們不會從寄存器中「檢索」信息、圖像或單詞。這些都是計算機做的事，可生物體不會這樣。

電腦確實是在「處理信息」——數字，字母，單詞，公式，圖像。這些信息首先會被編譯成它能使用的格式，也就是從0和1的位（bit）到小塊的位元組（byte）。在我的電腦里，每個位元組包括8個位，一個位元組可以存儲一個英文字母。比如，字母d、o和g分別對應不同的位元組。把這三個位元組放到一起，就形成了單詞「狗」。一個單一圖像——比如我的貓（Henry）在我桌上的照片——由一百萬個位元組（1M）的特定組合所表徵出來，並且需要用一些特殊的字元來指導電腦，告訴它是生成一個圖像，而不是一個單詞。

電腦確實是在移動這些數據，把它們從不同的物理存儲器寫入到電子器件中。有時它們也會複製數據，或者用其他的方式傳輸數據——比如在我們修正手稿中的錯誤或者潤色圖片的時候。電腦所遵循的移動、複製和操作數據組的規則也都存儲在電腦內部。這些規則統稱為「程序」或者「演算法」。可以幫助我們做事（比如炒股或網上約會）的一組同時運行的演算法，被稱為「應用」——現在許多人稱之為「app」。

請原諒我啰嗦了這麼一段計算機概述，我需要弄明白：計算機確實是在這個世界的符號表徵上運行。它們存儲和檢索，處理信息。它們有著物理記憶。它們所執行的任何指令，無一例外的，都是遵循「演算法」的指導。

為什麼科學家把人類當成了計算機？

而人類，卻從來沒有，今後也永遠不會這樣。既然如此，為什麼如此多的科學家們研究討論我們的精神狀態，就像把我們當成了計算機？

人工智慧專家喬治·扎克達基斯（George Zarkadakis），在他2015年的著作《我們自己的形象》（In Our Own Image）中，描述了人類在過去2000年里使用過的用以解讀人類智能的6種不同的比喻。

最早的一個，是《聖經》中所記載的故事。人類由黏土或泥巴造出，再被智慧之神賦予了精神。這個「精神」解釋了我們的智能——至少從字面上說是這樣。

公元前3世紀水利工程的發明，引領了人類智能液壓模型的流行。這個觀點認為，人體內不同液體的流動——「體液」——可以為我們的身心功能做出解釋。「液壓模型」這一比喻持續了1600多年，在此期間始終阻礙著醫學的發展。

到了16世紀，由彈簧和齒輪驅動的自動裝置被設計出來，這鼓舞了勒內·笛卡兒（René Descartes）等著名思想家。他們相信，人類是複雜的機器。到了17世紀，英國哲學家托馬斯·霍布斯（Thomas Hobbes）認為，思維來自於大腦內部小型的機械運動。到了18世紀，電學和化學領域的新發現帶來了人類智能的新理論——本質上主要還是一個比喻。19世紀中期，德國物理學家赫爾曼·馮·亥姆霍茲（Hermann von Helmholtz）受到通信領域研究進展的啟發，把人腦比作了電報。

為什麼科學家把人類當成了計算機？

Henri Maillardet 發明的可繪畫自動機 Draughtsman-Writer

數學家約翰·馮·諾依曼直截了當地指出人類神經系統的功能「表面看來是數字的」，他做了個比較，把那個時代計算機器的部件和人腦的部件一一對應起來。

每一個比喻都反映出各時代最先進的思想。不出所料，在計算機技術出現沒幾年的20世紀40年代，大腦就被說成是像電腦一樣運轉，大腦本身扮演了硬體的角色，而思想是它的軟體。1951年，心理學家喬治·米勒（George Miller）的著作《語言和交際》（Language and Communication）出版標誌著如今被廣泛稱為「認知科學」的誕生。米勒提出，利用信息理論、計算學和語言學可以對人類的精神世界展開細緻的研究。

1958年，在數學家約翰·馮·諾依曼的短篇著作《計算機與大腦》（The Computer and the Brain）中，這一思想得到了最終體現。馮·諾依曼直截了當地指出，人類神經系統的功能「表面看來是數字的」。儘管他也承認，對於大腦在人體推理和記憶中到底扮演了何等角色，我們幾乎一無所知。他做了個比較，把那個時代計算機器的部件和人腦的部件一一對應起來。

將人腦比作處理信息的機器，建立在錯誤的推導基礎上

在計算機技術和大腦研究領域持續發展的推動下，各個不同領域的專家都在為理解人類智能做出雄心勃勃的努力。而這一切都紮根在「人類就像是電腦般的信息處理器」這種觀點上。目前有成千上萬的研究者，消耗了數億資金在從事這項工作，他們寫出了大量的文獻，包括技術文章和主流書籍。以2013年出版的雷·庫茲韋爾（Ray Kurzweil）的《如何創造思維：揭示人類思維的奧秘》（How to Create a Mind: The Secret of Human Thought Revealed）為例，他在書中推測了大腦的「演算法」，大腦「處理數據」的方式，以及從表面來看大腦結構如何起到集成電路的作用。

把人類智能當做「信息處理」的比喻，不管是在普通人心中還是在科學界，都佔據了主導地位。幾乎所有提及人類智能行為的論述，都免不了採取這種比喻。就像如果不提及精神或者神性，在過去那些時代和文化背景下，任何形式的關於人類智能行為的觀點也無法成文。在當今世界看來，IP比喻毫無疑問是正確的。

但是「信息處理」（IP）這個比喻，畢竟也只是又一個比喻——僅僅是為了搞懂我們並不明白的事物而提出來的一個解釋而已。就像上文所提過的所有比喻，IP比喻也會在某一天被拋棄——或者被其他比喻所取代，或者終究被真正的知識所否定。

就在一年前，我訪問了某個世界上最負盛名的研究機構。在那裡提出了一個挑戰，我問那兒的研究者們，能不能在解釋人類智能行為時絕口不提IP比喻的觀點。他們做不到。當我在隨後的郵件往來中禮貌提出這一問題時，他們連著幾個月依然沒有給我提供任何消息。他們當然意識到了這個問題。他們也並非認為這是個微不足道的挑戰。但他們就是找不出替代品。也就是說，IP比喻具有「粘性」。這些語言和思想的力量如此強大，阻礙了我們的思維，以致我們總是跳不出這個圈。

IP比喻的錯誤邏輯很容易理清楚。它基於一個錯誤的三段論——也就是兩個合理的前提加一個錯誤的結論。合理前提#1：所有的電腦都能表現出智能行為。合理前提#2：所有的電腦都是信息處理器。錯誤結論：具備智能行為的所有實體都是信息處理器。

通俗點說，僅僅因為電腦是信息處理器，就認為人類一定是信息處理器，這種觀點實在太傻了。今後某一天，等到IP比喻最終被拋棄，歷史學家們肯定也會這麼認為。就像我們現在回顧液壓比喻和機械比喻，會覺得它們很傻一樣。

那麼既然IP比喻這麼傻，為何又這麼粘人呢？是什麼阻止了我們甩開它，就像我們會掃除阻礙前進道路的障礙？有沒有辦法理解人類智能，而不用拄著這根破爛的智力拐杖？長久以來我們如此的依靠著這根破拐杖，已經付出了什麼代價？IP比喻，在這幾十年里在各種領域指導了大量的學者寫作和思考，我們又為此付出了怎樣的代價？

大腦並不是計算機

這些年來，我重複進行了很多次同樣的課堂練習。首先，我會招募一個學生，讓他在教室前面的黑板上畫出一副詳細的——「儘可能詳細的」——1美元鈔票圖。當這個學生畫完後，我會用紙把圖蓋上，然後從錢包里取出1美元，把它按在黑板上，讓這個學生照著重新畫一次。當他/她畫完後，我會拿走遮擋第一幅畫的紙，然後讓全班同學來比較兩者的區別。

你也許從來沒見過這樣的場景，也很難想像最後的結果，所以我讓研究機構里曾經上過我課的一個實習學生Jinny Hyun，畫了兩幅畫。以下是她來自「記憶」的作品（注意這個比喻）：

為什麼科學家把人類當成了計算機？

這是她看到1美元鈔票後照著畫下的另一幅圖：

為什麼科學家把人類當成了計算機？

Jinny看到兩幅圖之後，也和你們一樣，倍感驚訝。但這卻是個典型。可以看到，在沒有美元鈔票作參考照著畫的情況下，憑記憶所畫出來的圖像簡直可怕，儘管對於Jinny來說，她已經見過這張鈔票成千上萬次了。

那麼問題在哪？我們大腦里不是有個關於1美元鈔票的「表徵」「存儲」在「記憶寄存器」里嗎？難道不能使用「檢索」功能然後用它來畫出這個1美元鈔票？

顯然不行。即使神經科學再發展一千年，也永遠不會在大腦中找到一個「存儲」1美元的「表徵」，理由很簡單，因為大腦里壓根就不存在這東西。

認為記憶存儲在單個神經元中這一觀點實在荒謬：細胞如何存儲記憶？況且又能存儲在細胞何處？

豐富的大腦研究資料告訴我們，事實上即使是最普通的記憶任務，也有多個不同的或許更大面積的大腦區域牽涉其中。當人體表現出強烈的情感時，成千上萬的神經元會變得更活躍。2016年多倫多大學神經心理學家布萊恩·萊文（Brian Levine）等人在對一則飛機失事倖存者的研究中發現，當倖存者們回憶空難時，「杏仁核、內側顳葉、前後中線和視覺皮層」的神經活動有所增加。

部分科學家提出的「具體記憶以某種形式存儲在單個神經元中」這一觀點實在荒謬；如果真是這樣，那就把記憶這個問題推到了一個更具挑戰性的層面：畢竟，細胞如何存儲記憶？又能把記憶存儲在何處呢？

所以，當Jinny憑記憶畫1美元時，發生了什麼？如果Jinny以前從未見過1美元，那麼她所畫的第一幅圖和第二幅圖之間就不會有相似之處。因為曾見過1美元，這一切便發生了改變。更確切點說，她的大腦想像出了1美元的樣子，也就是說，她的大腦在某種程度上重新體驗了見到1美元的情景。

這兩張圖的區別提醒我們：對某個事物僅靠想像（即憑空憶起某物）的準確性遠遠不如真實見到它的存在。這也正是我們更善於識別而不是回憶的原因。當回憶某個東西（在拉丁語里，回即「重新」；憶即「留意」），我們必須嘗試重溫一次體驗；但在識別某個東西時，我們只需要意識到自己以前曾經有過這樣的感覺。（譯者註：remember最初源自拉丁語rememorari。）

也許你不會相信這個結果。Jinny以前見到過1美元鈔票，但她沒有刻意「記下」鈔票的樣子。你也許會說，假如她認真記了，那麼很有可能憑空畫出第二幅圖。但即使如此，也完全不能說明1美元鈔票的圖像「存儲」在了Jinny的大腦中。她只是準備得更充分從而能夠準確描繪出這張鈔票，這就和鋼琴家通過反覆練習可以在彈奏時脫離原譜，熟練彈奏出樂曲是一個道理。

通過這個簡單的聯繫，我們可以開始構建人類智能行為的非比喻性框架了，在這個框架中，大腦並不完全是空的，但至少沒有「IP比喻」的位置。

構建人類智能行為的非比喻框架

人生在世，我們會被很多經驗改變，其中最主要的有三種：（1）我們觀察身邊發生了什麼（他人的行為，音樂的聲響，下達的指令，頁面上的單詞，屏幕上的圖像等）；（2）我們處於弱刺激（比如警笛）和強刺激（比如警車出現）聯合作用之下；（3）我們因特定的行為得到懲罰或者獎勵。

如果我們根據這些經驗做出改變——寫一首詩或者唱一支歌；遵循收到的指令；對弱刺激和強刺激做出更類似的反應；少做無益之事多做有益之事——那麼我們會變得更有效率。

儘管標題有些誤導（指「空空如也的大腦」），畢竟沒有人真的知道我們在學唱一首歌或者背下一首詩之後大腦發生了什麼變化。但不管是歌還是詩都沒有「存儲」在大腦里，大腦只是按照某種有序的方式發生了變化，使得我們能夠在特定的情況下唱出這首歌或者背誦這首詩。當表演的時候，歌或者詩都不是從大腦中某個地方「檢索」出來的，就像我在桌上敲手指的時候，手指的運動也不是「檢索」出來的。我們就是唱或者背出來——沒必要「檢索」。

哥倫比亞大學的神經科學家艾瑞克·坎德爾（Eric Kandel）因識別出海兔（一種海蝸牛）在習得某項行為之後神經突觸內發生的某些化學變化而獲諾貝爾獎。幾年前，我曾經問他，我們理解人類的記憶行為還要多久？他立馬回答我：一百年。我當時並未想到要問他是否覺得「IP比喻」阻礙了神經科學的發展，但很多神經科學家確實已經開始思考這個之前不可想像的事實——這個比喻並非必須。

一小部分認知科學家現在已經完全抵制「人腦就像計算機」的觀點了。其中最著名的是辛辛那提大學的安東尼·卡梅倫（Anthony Chemero），《激進具現認知科學》（Radical Embodied Cognitive Science）一書的作者。主流觀點認為，我們像計算機那樣，通過對心理表徵執行各種計算來理解這個世界，但是，卡梅倫和其他科學家描述了另外一種方式，將人類智能行為理解為生物體同外界環境的直接互動。

歐洲人類大腦計劃是一個最無恥的神經科學研究走上歧途的例子

這種觀點現在被某些人稱之為人類機能「反表徵」。為了說明這種觀點同信息處理觀點之間的巨大差異，這裡舉一個我最愛的例子。這個例子涉及到兩種不同的理論，用來解釋棒球運動員如何接到飛行中的球，由邁克爾·麥柯畢斯（Michael McBeath）（如今在亞利桑那州立大學）及其同事於1995年在《科學》上發表的一篇論文提出。為了攔截飛行中的球，信息處理的觀點要求球員估計球在飛行中的各種初始條件：擊打力度，軌道角度，諸如此類。然後建立一個內在模型分析球可能的運動軌跡，並用這個模型去不斷指導並調整自己的動作。

如果我們真的像計算機那樣運作，那麼這是個不錯的模型。但麥柯畢斯和他的同事提出了一個更簡單的解釋：為了接到球，球員只需要在運動過程中，保持球和本壘以及四周環境的視覺關係不變即可（用術語表示就是「線性光學軌跡」）。這聽起來也許有些複雜，但它實際上非常簡單，並且與計算、表徵、演算法完全無關。

我們永遠不必擔心有人在賽博空間發狂，不過我們永遠也無法通過下載思維來永生。

英國利茲貝克特大學的兩名心理學教授安德魯·威爾遜（Andrew Wilson）和薩布麗娜·戈隆卡（Sabrina Golonka）決定收集一些簡單、合理、並且可以跳出IP比喻框架的例子，包括上面的棒球例子。他們這些年一直經營著一個博客，主題是他們自稱的「一種更有條理、更自然的研究人類行為的科學方法……與主流認知神經科學方法完全不同」，然而這遠遠還不成氣候，主流的認知科學仍然無條件的接受IP比喻的說法，並且，某些世界最有影響力的思想家甚至根據這個比喻對人類未來做出了一些宏偉預言。

其中一個預言由未來學家庫茲韋爾、物理學家史蒂芬.霍金以及神經科學家蘭德爾·科納（Randal Koene）等人提出。這個預言認為，既然人類的意識類似於電腦軟體，那麼在不久的將來我們可以將人類的意識上傳到計算機中，通過電路我們將獲得超強的智力，甚至很有可能不朽。這個概念啟發了一步反烏托邦電影《超驗駭客》。這部電影由約翰尼.德普主演，他在其中扮演了一個類似庫茲韋爾的科學家，其意識被載入到了互聯網中，結果給人類帶來了毀滅性的後果。

幸運的是，IP比喻一點都不可靠，所以我們永遠不必擔心有人在賽博空間發狂，不過可惜的是，我們也永遠無法通過下載思維來永生。這不僅是因為大腦中並沒有意識軟體，而且還有一個更深層次的問題，這個問題既令人鼓舞又令人沮喪，姑且讓我們稱之為唯一性問題吧。

由於大腦中既沒有「內存條」也沒有所謂刺激的「表徵」，並且，我們活在這個世界上所需要的不過是由於大腦根據我們的經歷作出了一系列有組織的改變，因此，沒有任何理由可以認為任意兩個人會有相同的經歷以及相同的改變。即使我們同時參加一個音樂會，當聽到貝多芬第五交響曲時，我的大腦中發生的變化與你的大腦中發生的變化也會完全不同。這些變化，無論它們是什麼，都建立在現有的獨特的神經結構上，而每一種結構都是由我們此生獨特的經歷發展而來。

這也是為何沒有兩個人可以完全相同地複述同一個故事的原因，並且他們的複述隨著時間的推移差別會越來越大，如同弗雷德里克·巴特萊特（Frederic Bartlett）在他的書《記憶》（Remembering）中描述的那樣。人們在聽到故事的時候，腦海中並沒有產生故事的副本，而是各自發生改變，改變大到足夠在之後被問到這個故事的時候（在巴特萊特讀完故事之後的幾天，幾月，某些情況甚至幾年），他們可以重現聽故事時的情景——儘管並不完美（參考上面第一張美元的圖畫）。

這很令人鼓舞，畢竟，這意味著我們每個人都獨一無二，不僅僅是因為基因構成，而且因為我們的大腦無時無刻不在發生改變。這也令人沮喪，因為這也讓神經科學家的任務更艱難了，超出想像。對於任何一個特定的經歷，其產生的有序變化涉及到成千上百萬個神經元甚至整個大腦，每個大腦中的變化模式也完全不同。

更糟糕的是，即使我們有能力給大腦所有的860億個神經元拍一個快照然後在計算機中模擬這些神經元的狀態，這個巨大的模式在離開產生它的大腦之後也毫無意義。這也許是IP比喻對我們考慮人類行為帶來的最大的誤解。考慮到計算機確實儲存了數據的精確副本——那些在漫長的時間中、即使電源關掉也能夠保持不變的副本，然而大腦僅僅只能夠在它活著的時候維持我們的智力。並沒有什麼開關，要麼大腦保持運轉，要麼我們消散。此外，如同神經生物學家史蒂芬·羅斯（Steven Rose）在《大腦的未來》（The Future of the Brain ）中指出的那樣：除非我們知道這個大腦擁有者的整個生命歷程，甚至有可能還要知道他/她所處的社會環境，否則一個大腦當前狀態的快照仍然毫無意義。

我們來分析下這個問題有多麼難吧！僅僅為了搞清楚大腦維持人類智力的基本原因，我們就需要知道860億個神經元的當前狀態以及它們之間100萬億的相互連接狀態，不僅僅是連接的強度，也不僅僅是每個連接點中超過1000種蛋白質的狀態，還包括大腦每時每刻的活動對整個系統的影響。再加上每個大腦由於個人生活所帶來的獨特性，這樣一想坎德爾的預言顯得過於樂觀了。（在紐約時報最新的一篇專欄中，神經科學家肯尼斯·米勒（Kenneth Miller）指出，僅僅為了搞清楚神經元之間的基本連接，可能就要花費數個世紀。）

同時，大量的資金被用於腦科學研究，然而某些研究卻是基於錯誤的觀點和根本無法兌現的諾言。《科學美國人》報導了一個最無恥的關於神經科學研究走上歧途的例子。2013年，歐盟啟動了「人類大腦計劃」，整個項目投資13億美元，項目創始人亨利·馬克拉姆（Henry Markram）魅力非凡，他信誓旦旦地表示：2023年他可以在超級計算機上模擬出整個人腦，並且這樣一個模型可以給阿茲海默症以及其他一些病症的治療帶來顛覆式的變化。歐盟官員資助了他的項目，並且幾乎毫無限制。結果不到兩年，這個項目變成了「大腦殘骸（brain wreck）」，馬克拉姆也被要求辭職。

我們是有機體，而不是計算機。別糾結了，忘記它吧。讓我們繼續試圖理解我們自身，但這一次，不要再被沒必要的智力包袱阻礙。IP比喻已經盛行了半個世紀，一路上幾乎毫無所獲。是時候按下刪除鍵了。

為什麼科學家把人類當成了計算機？

反方：人腦既是有機體，也是計算機

（文／Daniel C. LaCombe, Jr）在認知科學中，再現論（主張頭腦只有通過思想才能理解客觀事物的一種理論）的地位已經得到普遍接受。在這個學科背景基礎之上，我讀了一些關於反再現論的觀點文章，比如勞倫斯·夏皮羅（Lawrence Shapiro）的「Embodied Cognition」（體驗認知）和 O『Regan 關於感覺運動的意識理論，以客觀地看待我的工作。

這些作品對我的研究並沒有產生重大影響，因為他們所列舉的例子中，一些形式的「再現」看起來依然是必需的。我現在的日常研究聚焦於人工智慧神經元網路，深度學習是每日的基礎辭彙。最近，我在 Aeon 上看到了一篇文章，在 Reddit 和 Facebook 上也見到了很多有關這篇文章的討論。在文章中，備受尊重的 Robert Epstein 博士展示了自己的立場：反對用計算機來比喻人腦。

接下來的文章中，根據在認知心理學和機器學習與人工智慧相關領域短期的實踐經驗，我將對這種觀點進行回應。

《空空如也的大腦》講了什麼

在那篇文章中 Epstein 想要表達的主要觀點是：使用我們最先進的技術——計算機來比喻大腦，擾亂了我們對人類大腦的理解。他在文中用的詞是信息處理比喻（IP Metaphor）。Epstein 強調，人類並沒有，也永遠不會進化出計算機所擁有的關鍵組件，比如軟體、模型和存儲緩衝器。確實，計算機是通過移動大量成串的、以兆節編碼的數據，使用演算法來處理信息。這並不是人處理信息的方式，至少不是天生如此。

Epstein 發現，幾乎沒有人能夠不藉助信息處理的比喻來解釋大腦運作的原理，而他認為這是一個很大的問題。Epstein 指出，這種比喻是基於我們所得出的一個錯誤推論，即「所有能夠智能地行動的實體，都是在做信息處理」。正如此前所有關於大腦的比喻聽起來都很無理一樣，未來，信息處理的比喻也會被認為是很傻的。

明確術語的定義

在辯論中，對一些重要的術語進行定義十分重要，這是為了確保爭議並不是基於語義發生。以下是一些 Epstein 論證中的重要術語。

演算法：等待執行的操作集，獨立的，分步的。

運算（operation）：在數學中，指的是從0輸入或多個輸入到輸出的計算過程。

信息處理：從計算的角度，指的是使用演算法來轉化數據。

信息：不確定性的減少。我們可以說，完全隨機的、不確定的數據是沒有信息的。如果數據中有存在某種形式的信息，它就能減少輸出的不確定性。

數據：數字、字母或者符號

表徵（representation）：從認知學的角度來看（這 Epstein 可能更加熟悉），指的是「綜合的認知符號，代表了外部的現實」；從機器學習的角度來看，指的是「對學習數據的表示，使得在開發分類器和預測模型時，有用信息的提取更加容易」。

計算機：可以執行自動算術或邏輯運算的設備。更泛泛地說，是「執行計算的」

計算：「任何形式的運算，遵從嚴格定義的模型，也就是演算法」

信息處理比喻抓住了人腦以及深度神經網路本質

我認為 Epstein 質疑 IP 比喻是好事，也意識到這個比喻錯誤的可能性比它就是理解大腦的終極答案可能性要高，因為歷史上有太多太多比喻大腦功能失敗的案例了。像 Epstein 這樣的人物對科學發展而言是必要的，因為我們必須質疑科學範式，反思它們是如何使我們的觀察帶有了偏見。但是，作為一個開發神經網路的人，面對 Epstein 和其他人提出的反證，我仍然堅信（或許是錯誤地）大腦的計算功能。在這裡，我試圖闡明 Epstein 所舉的大部分例子都沒有正確反映我們如何理解 IP 比喻，「我們」是指那些認真嚴肅看待計算在通用人工智慧中的主要作用及其與大腦聯繫的人。

基於以上定義，信息處理就是使用演算法轉變數據的過程，這些演算法本身也是一系列的運算。由此，Epstein 對於演算法和計算與大腦功能關聯的理解幾乎立馬就顯得過時而偏頗。他堅持認為，演算法就是機器代碼里的一套規則，這些規則指定數據如何被緩衝器、寄存器等硬體設備存儲、轉變和接收。是的，這些也是演算法，但卻不是我們在努力與大腦建立聯繫時所關注的那些。Epstein 強調的這些方面只是傳統計算機功能實現的具體細節，我們用傳統計算機模擬神經網路，但是從來沒有說過大腦裡面真正有這些網路。

Epstein 對於計算的理解過於狹隘，其中有一個方面是切實、離散、方便存儲的記憶庫。為了說明我們沒有像計算機那樣的存儲體，Epstein 講述了一個實例，一位實習生被要求畫出一張一美元的鈔票。她必須從記憶中提取信息才能夠畫畫，結果她無法畫出太多的細節。但是，當她能夠看著一美元的鈔票畫畫時，她就可以非常詳細地畫出來。

「Jinny 看到兩幅圖之後，也和你們一樣，倍感驚訝。」

其實並沒有。除了結果正如預期，在無監督學習中常常能見到那樣的結果，計算機會生成「模糊」（fuzzy）圖像。另一方面，現在最先進的生成模型，也即對抗網路，更像是一位畫家會做的——生成描述，將其與現實比較，直到兩者非常相似（至少寫實主義是如此）。

即使她花時間研究這些細節，「……Jinny 的大腦里也沒有『存儲』任何意義上的一美元圖像。」

人工神經網路——或許在某種意義上生物神經網路也是如此——並沒有將圖像存儲在網路裡面；人工神經網路擁有的，是從輸入數據中學習得來的抽象、身份恆定（identity-preserving）、平移不變（translation-invariant）的表徵。實際上，這些表徵本身就是記憶的一種形式。假設 Jinny 在研究一美元鈔票的時候，大腦里正在進行的是暫時性地加強那些會生成一美元圖像的網路層次。下面，我們將看到這一過程是如何在網路中分布的（distributed）——不像現代計算機，然而卻在本質上擁有計算的特點。

我們使用普通（沒有脈衝、向前傳播）人工神經網路，作為我們從信息傳播角度為大腦建模的主要例子。在它們的核心，人工神經網路是演算法（也即一系列運算，比如求加權和），這在生物學上說是可以類比的（達到閾值後，突觸可以產生興奮和抑制作用），但是這樣類比有很大的局限。

為什麼科學家把人類當成了計算機？

具體說，深度神經網路就是一系列有層次的運算，接收數據後（圖像可以比作視網膜的激活）通過每一層使數據發生轉變，愈發將它們投射到對於學習和決策更有價值的空間上。演算法就是如此，而認為演算法與我們大腦在做的事情很一樣，是有道理的。

例如，一個卷積神經網路用許多濾波器對圖像進行卷積處理。當然，大腦不會真的求卷積。而且，我們眼睛看見的圖像能夠在空間里發生位移，人又能轉動腦袋和眼睛，因此視野里到處都是類似的基本特徵。所以視覺中樞在早期才會平鋪著類似的基本特徵，並且在不同的位置都有感受野。而這也是我們在生物的大腦中所見到的。儘管過於簡化無疑會造成一些在生物學上說不通的問題，但這卻能夠說明這些計算是抽象的元語言（比如加權和），可以在現實中實現（physically implemented）。

為什麼科學家把人類當成了計算機？

好，在上面畫美鈔的例子中，Epstein 用那一結果當論據，論證人腦中並不存在存儲在記憶里的「表徵」，或者更具體地說，不存在存儲在神經元里的「表徵」。確實，正如 Epstein 所說，現代計算神經科學裡沒有人會做出如此魯莽草率的判斷，這一點 Epstein 肯定也知道。在計算神經科學裡有一個常用的概念，稀疏分布表徵，它與並行分布處理的概念十分類似。在這一框架下，輸入能夠被一組為數不多的、分布式的特徵（feature）表徵出來。此外，記憶（也能夠以剛才說過的方式被表徵出來）不是離散的，而是分布的。因此，「消除」一個記憶（如果真的能夠實現的話），可能會涉及移除數不清的其他記憶。

我以前曾經寫過，稀疏編碼方案用邏輯證明了它相比其他可能的類型（比如本地和密集代碼）在功能上的優越性，因為稀疏編碼方案表徵性能強、存儲性能高（表徵性能根據平均活動率呈指數增長，短代碼不佔用過多內存），學習速度快（只有少數幾個單元需要更新），容錯性好（一個單元宕機或損壞不會導致系統完全癱瘓），並且干擾可控（多個表徵能同時激活）。

由此，當我們看下面的深度神經網路，一張指明人臉或貓的圖像並不意味著有一張「圖像」存儲在那個位置。這幅圖像是通過合成一個能夠最大化該單元激活的輸入而生成的。但是，由於一個節點的激活會隨著此前所有連接的複雜加權而變化，更準確的說法應該是，表徵被分布式地存放在前面所有的連接里，而不是存儲在一個位置。還需要注意一點，合成的圖像是模糊的，這表明發生位移可能不會對它產生什麼影響。

為什麼科學家把人類當成了計算機？

實際上，Epstein 自己就在文章裡面寫明了：

「任何經歷，有序變換可能會涉及上千乃至百萬個神經元，甚至整個大腦，而且每個大腦發生的模式變化都不相同。」

這正是神經網路模擬所做的事情；這一事實並不能排除計算。

能夠不提「信息處理」來解釋人類智能嗎？

在這個例子後，Epstein 嘗試「去建立一個關於人類智能行為的非比喻框架」，然而，我發現這是失敗的，他只是對現有的 IP 比喻進行了重構。Epstein 指出，我們是通過觀察配對（比如，相關性）事件，隨後根據我們的反應，得到獎賞或者懲罰。這些概念在機器學習和人工智慧領域並不陌生，事實上，幾乎所有的機器學習應用都取決於基於原始相關性建立的學習模型，這是做出一個好決定的前提。

Epstein 舉了一個學習新歌的例子，計算機只是「改變」而不是「存儲」歌曲。現在還不清楚二者之間是不是截然不同。「改變」的是什麼？怎麼「改變」？在計算機里，我可能會在我的硬碟上儲存這些文件。但是，我想要用一個神經網路來學這首歌，並能生成歌曲，「存儲」會涉及到網路中的權重分布發生改變（正如上文所說的那樣）。例如，如果此前我有很多歌曲方面的知識儲備，其中的一些歌曲又有很多相同的組成部分，我就能用分布式的代碼來代表這首新歌。這些組成部分會被耦合，進而創造出一個記憶（或者表示），被分布在網路中的各個地方。

最後的一個例子，Epstein引用了被引用最多的參考例子——接飛球。他論證說：

從 IP 視角出發，要求玩家對球的飛行原始條件進行全方位評估並寫成公式，比如阻力、軌道角度等等，然後創造和分析球可能飛行的路徑內部模型，進而使用這一模型來持續地調整地面小車，以準確地接到球。

現在，考慮到這是一篇 1995 年發表的文章，這絕對是一個很陳舊的觀點。正如一些支持用信息處理的觀點來看待大腦的人一樣，我絕不會說，抓飛球包含了對軌跡角度的精確計算。事實上，從周圍環境的相關度來評估球，是使用增強學習的神經網路智能體可以學會的事情，前提是使用視覺輸入來對其進行訓練。

進一步說，它還會學習表徵的各個方面（比如球本身，還有地平線），最終能精確計算出軌跡。

Epstein 和其支持者稱，還不清楚這能不能通過完全不用計算機、表徵和演算法來完成。他稱，因為大腦中即不存在「存儲器」，也沒有用於模擬的「表徵」，並且，如果要在世界中起作用，大腦要以一種有序的方式進行改變，形成我們的經驗。所以，沒有理由相信，世界上有兩個人的這種」改變「是相同的。這也很容易看出，由於基於現有網路上已被壓縮的「模糊」回憶的分布式表示，沒有經驗將是相同的。所以，IP會勝出。

人腦是有機體，也是計算機

Epstein 的論證看來是基於一個對信息處理錯誤、過時並且僵化的理解。與他所說的不同，大腦沒有完美的存儲器，表徵也是分布式存在（不在本地）。很多模擬神經網路都擁有這樣的特徵。Epstein 所做的，只是將計算機和計算混為一談而已。說到底，人工神經網路可以通過與模擬中相同的運算在硬體里得到實現，而不用涉及任何傳統計算機所做的，比如數據傳輸。要是 Epstein 明白了這一點，他或許會更新他的觀點。

在文章最後，Epstein 留下了一句羞辱性很強的言論：

「IP比喻已經盛行了半個世紀，然而一路上並沒有產生任何見解。」

這一巴掌硬生生地拍在計算神經學、神經形態計算和人工智慧等學科的臉上。尤其是人工智慧，它得到了很多來自腦科學的影響。忽略這些領域對認知的理解和發現是十分錯誤的，拒絕 IP 比喻就徹底斷絕了這類對話發生的機會。

說到底，我也沒有辦法在不借用 IP 比喻的情況下解釋大腦。但 Epstein 看來也不行。我認為 IP 比喻雖然是建立在無效的推論之上，但它仍然是迄今我們所擁有的最好的解釋，由此帶來了很多深刻的洞見。此外，關於 IP 理論還有十分特殊、普遍適用的一個特點，讓它似乎能夠在大腦中得以實現。

我們是有機體，不是計算機。

或許我們兩者皆是。最低限度上講，我們人類還是在進行一些計算的。而計算可以超越進行計算的媒介——無論是肉體還是硅。

編譯來源：A Response to Anti-Representationalists（http://dlacombejr.github.io/2016/09/12/a-response-to-anti-representationalists.html）

為什麼科學家把人類當成了計算機？