計算機VS人腦誰具更強大問題解決能力？事實人腦勝出

哪個更具強大的問題解決能力——大腦還是計算機？

新浪科技訊 北京時間4月18日消息，據國外媒體報道，人類大腦是非常複雜的，包含著1000 多億個神經元，大約形成100多萬億個神經元連接。人類大腦經常與另一個能解決處理運算的複雜系統進行對比，這個複雜系統是數字計算機。大腦和計算機都包含著大量基本單元，分別是神經元和晶體管，它們被連接到複雜的電路中，處理相關信息，然後通過電子信號進行傳輸。從整體層面上講，人類大腦和計算機的架構存在類似之處，包含著獨立電路，可用於信息輸入、輸出、中央信息處理，以及記憶存儲。

哪個更具強大的問題解決能力——大腦還是計算機？考慮到計算機在過去幾十年里的快速發展，你可能會認為計算機比大腦更具有優勢。計算機能夠組裝和編程，並能在複雜遊戲中擊敗世界頂尖高手，例如：上世紀90年代機器人擊敗國際象棋高手，前不久AlphaGo機器人打敗世界圍棋高手，在電視智力競賽節目《危險！（Jeopardy！）》、百科全書式的知識競賽中，機器人脫穎而出，取得優異的成績。然而，在這項最新研究報告中，人類大腦更高效，在現實生活中比計算機系統更優秀，能夠處理大量複雜任務，從擁擠城市街道上識別一輛自行車或者一位特殊行人，甚至人們伸手去拿一杯茶，將它平穩地放在嘴唇上飲用，此外，人類大腦的概念化和創造力比機器人更勝一籌。

那麼為什麼計算機擅長完成某些任務，而人類大腦在處理其他事務方面更加優異呢？計算機和人類大腦的對比分析對於計算機工程師和神經科學家具有啟發意義，這種對比分析最早源於計算機時代初期，當時有一本簡短而具有深刻意義的書——《計算機和人類大腦》，作者是博學家約翰?馮?諾依曼（John von Neumann），諾依曼在上世紀40年代設計了一個計算機系統結構，至今該系統仍是大多數現代計算機的基礎。

計算機在基本操作速度方面比人類大腦更具優勢，現今個人計算機可以執行基本的操作運算，例如加法運算，速度是每秒100億次。我們通過神經元傳輸信息處理過程以及彼此之間通信，能夠評估計算出大腦基本信息處理的速度。例如：「激活」神經元的動作電位（action potentials）——神經元細胞附近啟動的電信號峰值，並傳輸至軸突（axons），與下游部分神經細胞相連。

神經元激活最高頻率是每秒1000次，作為另一個實例，神經元主要在叫做突觸的軸突末梢特殊結構上釋放化學神經遞質，將信息傳輸至伴侶神經元，同時，伴侶神經元在一個叫做突觸傳遞的過程中，將結合的神經傳導物質轉化為電信號。最快的突觸傳遞大約需要1毫秒時間，因此，無論是在峰值和突觸傳遞方面，大腦每秒最多能執行大約1千次基本運算，也就是比計算機運算速度慢10萬倍。

在基本操作精度方面，計算機比大腦有更多的優勢。根據數位（二進位，或者0和1）指派的每個數字，計算機可以使用任何期望的精確度表達數量，例如：32位二進位等於40多億的十進位。實驗性證據表明，由於生物雜訊，大部分神經系統存在幾個百分點的可變性，最好的情況下精確度達到百分之一，相比之下，人類大腦神經系統的精確度僅是計算機百萬分之一。

然而，大腦所進行的計算速度並不慢，例如：一個職業網球手能觀察分析網球的運行軌跡，網球最高運行速度達到每小時160英里，他們根據網球運行位置，快速移動至球場最佳位置，擺動手臂，甩動球拍將網球擊打至對方的場地，擊打動作是幾百毫秒之內完成。此外，大腦完成所有任務（在身體控制幫助下）消耗的能量僅是個人計算機的十分之一。

大腦是如何做到這一點的呢？計算機和人類大腦的一個重要區別是每個系統的信息處理模式，計算機任務主要是串列步驟中執行完成的，這可以從工程師通過創建指令的順序流程來實現，對於這種連續的級聯操作，每個步驟必須要有高精確度，因為錯誤在連續步驟中會累積和放大。同時，大腦也使用連續信息處理模式，在擊打網球的例子中，信息從眼睛反饋至大腦，之後再傳遞至脊髓，控制腿部、軀幹、手臂和手腕的肌肉收縮。

但是人類大腦可以進行並行信息處理，在處理大量神經元和每個神經元建立連接方面佔據優勢，例如：網球快速移動將激活視網膜細胞——感光器，其工作是將光線轉換成電子信號。這些信號之後並行傳輸至視網膜上不同類型的神經元。當源自感光器細胞的信號通過兩至三個突觸連接時，關於網球位置、方向和速度的信息，將被並行神經元電路所提取，之後並行傳輸至大腦。同樣地，運動皮層（負責運動意識控制的大腦皮層部分）會發出指令控制腿部、軀幹、手臂和手腕的肌肉收縮，身體和手臂能夠充分協調，調整身體最佳位置擊打網球。

這種大規模並行策略是可能實現的，因為每個神經元收集輸入信息，並向外發送信息至其它神經元，對於哺乳類動物神經元，輸入和輸出信息的神經元平均有1000個。相比之下，計算機每個晶體管僅有3個節點，用於數據輸入和輸出。來自單個神經元的信息可以傳遞至許多並行下游路徑，與此同時，許多處理相同信息的神經元，可以將它們的輸入信息集中到相同的下游神經元。下游神經元對於提高信息處理精確度非常有用，例如：由單個神經元所代表的信息可能是「嘈雜」的（精確度為百分之一），普通下遊伴侶神經元能夠更加精確地表達信息（精確度為千分之一）。

同時，計算機和人類大腦在基本單位信號模式中存在共性和差異，晶體管使用數字信號，它使用離散值（0和1）來表示信息。神經元軸突的峰值也是一個數字信號，因為神經元在任何時間處於要麼激活或不激活峰值狀態，當神經元被激活時，所有峰值都差不多具有相同大小和外形，這一特性將有助於實現可靠遠距離峰值傳播。

然而，神經元也利用模擬信號，它使用連續數值表示信息。一些神經元（像視網膜上的大多數神經元）是非峰值狀態，它們的輸出是通過分級電信號傳輸的，這不同於峰值信號，它們的大小可以不斷變化，比峰值信號傳輸更多的信息。神經元的接收末端（通常發生在樹突）也使用模擬信號整合數以千計的輸入信息，使樹突能夠執行複雜的計算處理。

你的大腦比一台計算機運算速度慢1000萬倍。大腦的另一個顯著特徵，可表現在網球運動中接發球動作，是神經元之間的連接強度，可在響應活躍性和體驗過程中進行修改，這一過程被神經系統科學家普遍認為是學習和記憶的基礎。重複訓練可使神經迴路更好地配置完成任務，從而大幅提高速度和精確度。

在過去幾十年里，工程師從人類大腦結構中獲得靈感來增強改進計算機設計。並行處理和連接強度的功能依賴性修改的原理，都被併入現代計算機應用中。例如：計算機增強並行性處理能力，在一台計算機上使用多個處理器，這是計算機設計的當前趨勢。另一個例子是計算機「深度學習」能力，這是人工智慧機器學習的一個重要能力，近年來計算機「深度學習」能力取得較大的成功，這得益於計算機和移動設備的目標和語音識別的快速發展，它受到哺乳類動物視覺系統的靈感啟發。就像哺乳動物的視覺系統一樣，深度學習能力使用多層次來代表日益增多的抽象特徵（例如：視覺對象或者語言），同時，衡量不同層次之間的連接是通過學習而不是由工程師設計的。

這些最新進展已經拓展了計算機的任務執行能力，儘管如此，與最先進的計算機相比，大腦擁有更強的靈活性、普遍適用性和學習能力。伴隨著神經科學家發現更多關於大腦的秘密（越來越多地輔助電腦應用），工程師可以從大腦工作中獲得更多的靈感，進一步改善計算機的結構和性能。無論是人腦還是計算機，成為某項特殊任務的贏家，跨學科交融無疑會促進神經科學和計算機工程的發展。（葉傾城）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！