庫逸軒：記憶解碼與未來教育

庫逸軒：華東師範大學心理與認知科學學院副教授，博士生導師，華東師範大學-紐約大學腦與認知科學聯合研究中心客座教授，圖片來自華東師大

本文根據庫逸軒在「人工智慧與未來教育高峰論壇」上的發言整理。

演講 | 庫逸軒

責編 | 陳曉雪

教育的目標究竟是什麼？我想很多人可能有一個共識，那就是教育實際上是「授人以魚，不如授人以漁」。AlphaGo之所以引起人們的關注，很大程度上在於它通過深度學習能夠實現真正的有目標性的學習。學習的目標又是什麼呢？很大程度上，在於記憶。我這裡想結合我們之前的一些記憶解碼的工作談一點對教育的想法。

奇點迫近？

整個社會有很多職業，比如金融、醫生、律師、教師等等，是很容易被取代的，原因在於它們極大程度上依賴於經驗，也就是依賴於記憶。對於計算機來講，記憶是一件非常容易的事，它可以檢索非常海量的信息。

在教育的過程中，我們如何去體現人與計算機所擁有的不同？

「奇點迫近」是未來學家雷蒙德·庫茨維爾（Ray Kurzweil）在2005年寫的一本書中提到的，它的核心問題在於指數的增長。有這樣一個傳說，一位國王想要獎勵發明國際象棋的人，問他想要什麼？這個人說：您能不能把我這個棋盤第一個棋格擺一粒麥子，第二個棋格擺二粒，第三個擺四粒，依此類推將64格全部擺滿。國王想這很簡單，但是真正一擺發現根本實現不了，因為總共需要1844億億多粒麥子，全世界也沒辦法滿足這個數字。這是一個指數級的增長，當基數足夠大的時候，指數級的增長也會急速上升，呈現陡峭的方式。

大家非常熟悉摩爾定律，我們所有的計算成本實際上是隨著時間的推進逐漸呈指數型下降的。也就是說，我們單位成本能夠購買到的計算力，實際上是呈指數上升的。庫茨維爾進一步推廣了這個理論，認為技術發展積累到一定程度的時候，增長速度本身也將呈指數上升。也就是說，它是呈指數的指數的增長，這就是所謂的「奇點」。這個時候，技術的發展已經超越了我們的想像，就到了一個「奇點爆發」的階段。

庫茨維爾在書中對於未來做了一些預測，有些預測現在來看是非常準確的，比如，他在2005年的時候講，2010年有越來越多的電腦會作為網路伺服器，可以做雲計算；2018年1000美元能夠購買到的電腦存儲量能夠達到10T，這也是現在能夠實現的。他還預測，2020年的時候，個人電腦將會擁有和人腦相同的信息處理能力；2030年心智上傳具有可行性。現在很多時候大家從媒體報道上看到，納米機械將可以直接注入到腦部並且和腦細胞互相溝通。納米機械讀取我們的大腦，這個時候我們的所謂人工智慧跟人的智能很有可能就混而為一了。

庫茨維爾預測的內容還有，到2040年人們將把大部分的時間花在完全的沉浸式的虛擬實境，就像是電影《黑客帝國》（Matrix）所描述的科技；2045年是奇點爆發的時候，一千美元可以買到的電腦將擁有十億顆人腦的計算力。人工智慧這個時候實際上已經跟人類的智能合二為一了，人類智能藉助人工智慧已經可以向宇宙進行發布，甚至可以傳遍整個宇宙。在很多科幻的電影裡面也出現類似的場景，比如，2014年的《超越駭客》（Transcendence）也描述了科學家在臨死前將思想上傳到雲端伺服器的場景。

馬斯克（Elon Musk）今年3月份成立了一個新的公司，叫做Neuralink，致力於將人腦和計算機融合到一起。馬斯克是一個看上去很瘋狂的人，他第一個實現了電動汽車真正在地球上跑，他還成立了SpaceX，進行可回收火箭的發射，讓人類可以永久的移居火星。他的很多想法雖然看似瘋狂，但是卻真的實現了。他這個新的夢想是不是能實現，我們還是拭目以待。馬斯克所構想的一種方式，是2015年已經出來的一個技術，通過一個非常細的電子網的發射——電子網發射之前縮在一起非常小，但是到了大腦裡面可以展開——可以記錄很多神經元的活動，讀取大腦的思維。

現實與理想還存在距離

一切似乎像庫茲維爾的預期那樣發展，但我今天還要再潑一點冷水，我們的理想和現實其實還存在很大的距離。

首先，我們對於僅僅三磅的人腦的了解並沒有比浩瀚的宇宙更多。此外，對於部分的理解不等於整體。早在1986年，對於線蟲這種簡單的模式生物，我們就已經可以把它僅有的302個神經細胞之間的連接圖全部都畫出來，但是直到今天還是很難準確預測線蟲每一個準確的運動。大腦有890億神經細胞，每一個細胞平均有大約1000個突觸連接，這是個非常複雜的網路。我們是不是能夠把mind（思維）真正能夠讀出來？這也是一個問題。

第二，關於計算機的架構，顯然是需要突破的。傳統的馮諾依曼結構是串列的，雖然快，但是容錯性低。我們通過深度學習的人工智慧，已經能夠在人臉識別很多方面超越人類，但是如果在輸入端給出一些小小的擾動，也有可能產生很大的分類的錯誤，比如，把一個狗的臉識別成人臉。相反，我們人腦雖然很慢，但是並行加工，容錯性非常好，所以這是我們所特有的地方。

研究者們也在很多方面做出努力。比如，2014年的一篇《科學》（Science）封面文章，通過類似於神經元網路的並行結構的搭建，已經可以實現比傳統計算機好很多的複雜分類。但是，現在只能達到一百萬個神經元系統的搭建，離我們大腦的890億還非常遠，而且每一個神經元與其它的神經元平均只有256個突觸連接。另外一個是材料方面的進步。2016年《自然-納米技術》（Nature Nanotechnology）的封面文章發現一個新的相變材料，叫做鍺銻鏑，這種合金材料通過加電壓，可以從晶體變成無定形，實現模擬的信號變化。我們知道傳統計算機晶體管是數字的輸出，而它可以實現模擬的輸入和輸出，我們將更加接近於神經元的一些反應模式。

第三個局限，在於從長時記憶到短時記憶或工作記憶的問題。接觸過心理學的人都知道，所謂的「一般智力」可以分為「流體智力」和「晶體智力」。晶體智力更多與長時記憶相聯繫，隨經驗增加而增加；流體智力更多與工作記憶相聯繫，不太隨經驗改變，在二三十歲達到巔峰。

工作記憶大家也比較熟悉，它是短時間操縱信息的能力，實際上與很多認知功能，如語言，理解、計算、思維都有極密切的關係，跟流體智力的相關度可能達到60%以上，所以它能很好地預測我們的一般智力，但是它的容量卻非常有限。1956年，George Miller發現我們對於數字的記憶只有區區的5-9個，少的可憐，而對於物體的記憶，通常是2-4個。我們大腦雖然沒有計算機儲存著那麼多的信息，但我們的硬碟也是非常大的。為什麼我們的CPU和內存（工作記憶）卻如此之低，現在還沒有答案。我們的思考在於，對於一個完全並行的系統來講，它有可能是湧現的特性。而且這樣的方式可以限制表徵之間的競爭，在很多情況下存在一定的優勢。比如，在很多表徵同時出現的時候，你的決策就會出現問題，所以這可能是一種進化的優勢，或者是湧現的一個特性。

工作記憶與因材施教

我們的工作記憶到底在大腦裡面怎麼樣去動態地去表徵的？更進一步問，表徵為什麼很重要？學習人工智慧的都非常熟悉David Marr，他是個英年早逝的天才，曾提出認知的三層次模型，包括計算層，演算法和表徵層，以及實現層。對於神經網路的計算層的模擬，我們已經在深度學習網路取得了非常矚目的突破。在實現層，像魯白老師這樣的神經科學家也已經在不斷地往前推進。表徵層可能是連接計算層和實現層一個非常好的切入點。

我們的研究發現，工作記憶不僅僅是你記多少，而且對於每個東西記的精確度也有限。我們的額葉會對枕葉皮層有自上而下的控制。正是這個控制力，是我們的真正瓶頸所在。控制力導致容量相對比較低。同時我們通過利用人工智慧裡面的機器學習的一些方法，來試圖去解析這些表徵，我們到底記住的是什麼。我們通過一些機器學習的方法，利用功能磁共振的數據可以看到，對於表徵的解碼可以達到80%以上的準確率，而且可以看到這個過程中有動態的變化，在編碼的時候記憶的準確性會非常高，然後會逐漸降低，當你需要提取這個記憶的時候，又變得很高。非常有趣的是，我們採用更簡單的無線腦電的記錄，也可以解碼記憶變化的過程，達到70%以上的準確率。而且我們可以看到每個人到達記憶的準確度最頂峰的時間是不一樣的，每個人能夠達到的最高值也是不一樣，每個人記憶下降的趨勢是不一樣的。正因為每個人動態的變化曲線是不同的，我們在未來也可以針對這個曲線採用一些干預的手段，這就是教育里所謂的「因材施教」。

另外，我們還會做一些更細緻的研究，看這些記憶的表徵到底在什麼位置。我們可以通過簡單的視覺刺激方法，把大腦視覺皮層做很多層級的劃分，清楚地看到這個表徵到底存在哪裡，也就是我們記憶的痕迹到底在什麼地方。在這個過程中，我們可以利用人工智慧的發展，更好地實時監控這些記憶表徵的動態變化。在這個基礎上，我們可以通過一些干預的手段或訓練的手段，或者電刺激、磁刺激的方法等來增強表徵。實際上我們已經有一些初步的結果，非常振奮人心。

未來的教育中，我認為我們應該能夠實現人工智慧與人類智能的合作並存。無論是1999年超級電腦深藍（Deep Blue）擊敗國際象棋冠軍卡斯帕羅夫（Gary Kasparov）還是2016年AlphaGo擊敗李世石，我們應該以更積極的態度看待這些結果，更好地利用人工智慧揭示教育的過程。

回到今天上午的最後一個問題：現在有沒有人工智慧的方法在課堂裡面監控教學？答案是肯定的，不僅僅是人工智慧，而且是通過神經科學的方法來監控大腦的動態變化，今年最新一期《當代生物學》（Current Biology）雜誌的一篇論文已經談論了這一點：課堂上老師與學生全部戴上簡易的無線腦電電極帽，研究者觀察人與人之間腦電的同步性變化，發現不管是教育者和被教育者之間的腦電同步性，還是被教育者之間相互討論的同步性，都可以來預測最終學習效果的好壞。當然，這還是初步的一個探索。

在未來教育的實踐中，大家不妨更多地運用腦科學的成果和技術來研究更多的教育問題。謝謝大家！

製版編輯：陳曉雪丨

本頁刊發內容未經書面許可禁止轉載及使用

公眾號、報刊等轉載請聯繫授權

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！