高度并行性怎樣讓大腦比AI更勝一籌。

大腦是復(fù)雜的,，每個人類大腦包含約1000億個神經(jīng)元,，能產(chǎn)生100多萬億個連接，常被拿來和另一個復(fù)雜系統(tǒng)做比較：電子計算機,。它們都具有強大的問題處理能力,，都包含大量基本單元——分別是神經(jīng)元和晶體管，這些基本單元都相連成復(fù)雜的環(huán)路,，處理以電信號形式傳輸?shù)男畔?。整體上看,，人腦和計算機也有著相似的架構(gòu)：用于輸入、輸出,、中央處理和記憶存儲的環(huán)路可以被大致區(qū)分開,，又能協(xié)同工作。[1]

它們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 ——更不用說大腦的概念化能力和創(chuàng)造力,。

所以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,？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的書：《計算機與人類大腦》（The Computer and the Brain），它的作者,，博學(xué)家約翰·馮·諾伊曼（John von Neumann）在20世紀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

a.）基于2008年的電腦數(shù)據(jù)

b.)在過去幾十年里每個集成電路的晶體管的數(shù)量每18-24個月就會翻一番（摩爾定律）,，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。 

參考：John von Neumann, The Computer and the Brain （New Haven: Yale University Press, 2012）; D.A Patterson and J.L. Hennessy, Computer Organization and Design(Amsterdam: Elsevier, 2012)

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]?，F(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。 我們也可以根據(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,。 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]

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2^32分之一,，也就是40多億分之一,。實驗證據(jù)表明，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（常被用來表征刺激強度），只存在幾個百分點的可變性,，最好的情況下精確度能達到百分之一,，僅是計算機的百萬分之一。

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,。此外,，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,。大腦是怎么做到的,？計算機和大腦之間的一個重要區(qū)別是每個系統(tǒng)內(nèi)部處理信息的模式。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)球回擊的例子中,，信息從眼睛傳向大腦,，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,，大腦也同時采用大規(guī)模的并行處理,。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胞,，它的作用是將光轉(zhuǎn)換為電信號,。這些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,。同樣地，運動皮層（大腦中負責(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——一個哺乳動物神經(jīng)元平均有數(shù)以千計的輸入和輸出,。相比之下，計算機每個晶體管僅有三個輸入和輸出節(jié)點,。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,。后一種特性對于提高信息處理的精度特別有用。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],。

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,。晶體管采用數(shù)字信號，使用離散值（0和1）來表示信息,。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)可靠的遠距離尖峰傳播,。不過，神經(jīng)元也利用模擬信號,，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]

回擊網(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。

在過去的幾十年里,，工程師不斷受大腦啟發(fā)來改進計算機設(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,。這些最新進展已經(jīng)擴展了計算機能夠執(zhí)行的任務(wù)的指令表。盡管如此,，大腦還是比最先進的計算機具有更高的靈活性,、泛化與學(xué)習(xí)能力。

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)科交融無疑會促進神經(jīng)科學(xué)和計算機工程的發(fā)展。

關(guān)于作者：駱利群,，斯坦福大學(xué)人文與科學(xué)學(xué)院教授,，神經(jīng)生物學(xué)教授。本文發(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。