Credit: ILLUSTRATION BY ANDY POTTS

Rodney Brooks：避免進入大腦死衚衕

麻省理工學院機器人學名譽教授

Rodney Brooks認為，應該避免進入大腦死衚衕。作為iRobot的創始人、Roomba 吸塵器的製造商， Brooks現在是Rethink Robotics 的創始人兼首席技術官 ，其使命是將先進的機器人智慧應用於製造和體力勞動。他相信我們正處於知識的死衚衕中，我們在其中相互模擬大腦和計算機，因此我們無法獲得深刻見解來建造新模型。

這個技術進展的第一步是由艾倫圖靈完成的。他 1936 年的論文奠定了計算的基礎，圖靈使用一個人作為他的模型的基礎。他將人類“計算機”使用紙和鉛筆進行計算抽象成一個形式化的機器，在無限的紙帶上操縱符號語言。

但是有人擔心他的基於整數函式的計算版本是有限的。生物系統明顯不同。他們必須在很長一段時間內對各種刺激做出反應；這些反應反過來會改變他們的環境和隨後的刺激。例如，群居性昆蟲的個體行為受它們建造的房屋結構及其內部兄弟姐妹的行為的影響。

儘管如此，70 年來，那些從事現在所謂的計算神經科學工作的人一直假設大腦是一臺計算機——一臺相當於圖靈有限狀態機的機器，具有無限的磁帶和有限的符號集，並且可以進行計算。

1943 年，Warren McCulloch 和 Walter Pitts 注意到神經系統中神經元放電的“全有或全無”性質，並建議可以將神經元網路建模為邏輯命題。他們將神經元網路建模為邏輯閘電路，並指出這些可能“只能像圖靈機那樣計算這樣的數字”。但更多的是，他們提出心理層面的一切都發生在這些網路中。幾十年來，這些想法催生了更多的神經網路研究，進而催生了計算神經科學。現在，這些隱喻和模型充斥著對大腦如何“計算”的解釋。但是這些二元抽象並沒有捕捉到大腦中固有的所有複雜性。

所以現在我在我眼前看到了圓圈。大腦已經變成了一臺數字計算機；但我們仍在努力使我們的機器變得智慧。考慮到我們的大腦模型是在此類機器上執行的，這些機器是否應該以大腦為模型？這可能還不夠。

當你被卡住時，你就被卡住了。我們將走出這條死衚衕，但需要一些勇敢而聰明的靈魂才能擺脫我們對模型的迴圈混淆。

Demis Hassabis：模擬大腦的演算法

DeepMind CEO、倫敦大學學院神經科學家、電腦遊戲製作人和國際象棋大師

Demis Hassabis表示，Alan Turing 將人腦視為智慧的原型。如果他今天還活著，他肯定會在自然和人工智慧的交叉點工作。然而，迄今為止，人工智慧 (AI) 研究人員大多忽略了大腦作為演算法思想的來源。儘管在圖靈時代，我們缺乏深入瞭解這個生物“黑匣子”的方法，但我們現在擁有大量工具，從功能性磁共振成像到光遺傳學，都可以使用這些工具來實現。

神經科學對人工智慧的進步有兩個關鍵貢獻。首先，在大腦中發現的許多結構——例如用於導航的網格細胞，或用於視覺處理的分層細胞層——可能會激發新的計算機演算法和架構。其次，神經科學的發現可能會驗證現有演算法作為通用 AI 系統的組成部分的合理性。

為了推進人工智慧，我們需要在演算法層面更好地理解大腦的運作——即大腦用來描繪我們周圍世界的表徵和過程。例如，如果我們知道概念知識是如何從感知輸入中形成的，那麼這將至關重要地允許人工語言系統中符號的含義能夠建基於感官“現實”。

人工智慧研究人員不僅應該沉浸在最新的大腦研究中，還應該進行神經科學實驗來解決諸如“概念知識是如何獲得的？”等關鍵問題。相反，從神經科學的角度來看，嘗試將智慧提煉到演算法結構中可能被證明是理解我們思想中一些經久不衰的奧秘的最佳途徑，例如意識和夢想。

Dennis Bray：大腦模擬需要細胞

劍橋大學生理學、發育和神經科學系教授

Dennis Bray表示，機器可以在許多工中與我們匹敵，但它們的工作方式與神經細胞網路不同。如果我們的目標是製造更加智慧和靈巧的機器，那麼我們應該使用銅和矽電路。但是，如果我們的目標是重現具有古怪光彩、多工處理能力和自我意識的人腦，我們就必須尋找其他材料和不同的設計。

計算機在複雜的數學計算中勝過我們，並且更擅長儲存和檢索資料。我們接受他們可以在國際象棋中擊敗我們——曾經被認為是人類智力的最高點。但是一臺名為 Watson 的計算機在美國電視問答節目Jeopardy 中取得了成功！2011 年是人類優越性棺材中的一顆釘子。該機器透過回答用口語化的英語提出的問題，理解文化典故、隱喻、雙關語和笑話，擊敗了兩名人類參賽者。如果給艾倫圖靈一份節目的抄本，他會發現那個奇怪的嗎？

Watson可能是圖靈將智力過程視為一系列邏輯狀態的觀點的最新證明。但其內部運作並非基於人腦。任務的性質可能會強加組織中的廣泛相似性，但大多數軟體工程師既不瞭解也不關心解剖學或生理學。即使是受生物學啟發的方法，如細胞自動機、遺傳演算法和神經網路，也與活體組織之間只有微弱的聯絡。

1944 年，圖靈承認了他建立大腦的夢想，直到今天，許多人仍在繼續這一努力。然而，任何神經生物學家都會認為這種嘗試是幼稚的。你怎麼能用一行程式碼來表示神經元突觸——一種包含數百種不同蛋白質的複雜結構，每一種蛋白質本身都是化學奇才，排列在相互作用的母馬巢中？我們仍然不知道大腦任何區域的詳細電路足以重現其結構。大腦很特別。它們引導我們周遊世界，告訴我們該做什麼或說什麼，並執行無數重要的功能。大腦是我們的情緒、動力、創造力和意識的源泉。因為沒有人知道如何在人造機器中重現這些特徵中的任何一個，

大腦在許多關鍵方面與計算機不同。它們迴圈執行，而不是線性因果鏈，來回傳送和接收訊號。與機器的硬體和軟體不同，思想和大腦並不是不同的實體。然後是化學問題。

活細胞處理傳入的感官資訊，不僅產生電訊號，還產生微妙的生化變化。細胞是柔軟的、有延展性的，並且由基本上無限種類的大分子物種構成，這與矽晶片完全不同。生物體以不同的細胞狀態編碼過去的經驗——在人類中，這些是目標導向運動和自我意識的基礎。也許由類似細胞的元件構建的機器會更像我們。

Amnon Shashua：速度將勝過大腦的優勢

耶路撒冷希伯來大學 Sachs 計算機科學教授，Mobileye 聯合創始人兼董事長

Amnon Shashua則非常樂觀：1980 年代計算機科學家 Alan Kay 提出的“真正認真對待軟體的人應該製造自己的硬體”這句話在今天仍然適用。計算架構的功能和形式應該相互服務的想法是訊號處理、影象渲染、遊戲、影片壓縮和流媒體演算法的根源。我相信人腦也是如此——這意味著大腦不像計算機那樣實現“智慧”。

他還指出，大腦和計算機之間的根本區別中的有兩個區別是記憶體和處理速度。計算機中長時記憶的類似物是硬碟，它可以儲存幾乎無限量的資料。短期資訊儲存在其隨機存取儲存器 (RAM) 中，其容量與人腦相比是天文數字。在考慮智力策略時，這種數量上的差異變成了質上的差異。

智力體現在學習能力上。機器學習從業者使用“統計學習”，這需要大量的例子來概括。這種機率推理的“頻率主義者”方法需要巨大的記憶容量和演算法，而這些演算法與大腦如何工作的可用資料不一致。例如，IBM 計算機 Watson 需要消耗 TB 級的參考資料才能在Jeopardy! 中擊敗人類參賽者！. 沃爾沃的行人檢測系統（由 Mobileye 開發）透過使用數百萬張圖片學習識別人。在這兩種情況下，人腦在對資料的依賴方面要節儉得多——這並不限制計算機。

在處理能力方面，大腦可以達到大約 10-50 petaflops——相當於數十萬個最先進的英特爾酷睿 i7 CPU。然而，大腦中的訊號以蝸牛般的速度傳輸——比現代 CPU 慢五六個數量級。這種通訊速度的巨大差異導致了截然不同的架構。

大腦透過採用分層並行結構來補償緩慢的訊號速度，涉及具有越來越大的感受野和複雜性的連續層。相比之下，計算機體系結構通常是扁平的，並且由於其時鐘頻率快得多，因此可以使用暴力技術。深藍等計算機國際象棋系統使用模式識別策略，例如開局和完全解決的最終遊戲庫，並輔以它們每秒評估約 2 億步結果的能力。這遠遠超出了最好的特級大師。

深入瞭解如何在演算法級別執行認知任務將使人工智慧突飛猛進。但我們必須牢記，計算機極大不同的架構有助於最佳化利用其幾乎無限的記憶體容量和暴力搜尋的策略。

1. Brooks R, Hassabis D, Bray D, Shashua A (2012), “Turing centenary: Is the brain a good model for machine intelligence?” Nature 482: 462-463

2. Turing, A. M. Proc. Lond. Math. Soc. s2-42,

230–265 (1936–37).

3. McCulloch, W. S. & Pitts, W. H. Bull. Math. Biophys.

5, 115–133 (1943).