阿波羅網論壇

 找回密碼
 注冊
搜索
熱搜: 活動 交友
查看: 339|回復: 0

人腦為何如此高效?比計算機究竟強在哪兒?

[復制鏈接]

7234

主題

2萬

帖子

11萬

積分

管理員

熱心會員

Rank: 9Rank: 9Rank: 9

積分
116947
發表於 2018-7-14 14:18:22 | 顯示全部樓層 |閱讀模式
來源: 新浪科技

1.jpg

新浪科技訊 北京時間7月13日消息,據國外媒體報道,大腦是一個非常復雜的器官。人腦含有約1000億個神經元,神經元之間的連接多達100萬億。人們常將人腦與另一套具有強大問題解決能力的復雜系統相比較:即數字計算機。人腦和計算機都含有大量基本單元,人腦中為神經元,計算機中為晶體管。這些基本單元都可組成復雜迴路,處理電信號形式的信息。大體來看,人腦與計算機的架構十分相似,均由負責輸入、輸出、重要處理和記憶儲存的幾大迴路構成。  但人腦與計算機相比,究竟誰的問題解決能力更勝一籌呢?考慮到計算機技術在近幾十年中的飛速進步,你也許會認為計算機佔了上風。經過特殊設計和編程的計算機的確在許多復雜游戲中打敗了人類高手,如上世紀90年代打敗了國際象棋大師、前幾年又在圍棋比賽中取勝;計算機在百科知識競賽中也表現突出,如美國電視節目《危險邊緣》。但在許多日常任務中,人類總是完勝計算機,比如在圖片中辨認一輛自行車、或在擁擠的街道上尋找一名特定的行人,又比如伸手拿過杯子、並順利將杯子送到嘴邊等等。在概念化和想象力方面,人類更是贏得毫無懸念。
  為何計算機和人腦擅長的任務各不相同呢?通過將計算機與人腦進行對比,計算機工程師與神經科學家都從中受益頗多。還在現代計算機剛剛起步時,就有人在書中將兩者做了比較。這本書名叫《計算機與人腦》(The Computer and the Brain),由約翰·馮·諾依曼(John von Neumann)編寫。他於上世紀40年代帶頭設計的計算機架構至今仍是大多數計算機的基礎。下表列出了計算機與人腦的一些比較數據:


2.png
  計算機的基本運算速度遠勝過人腦。目前個人電腦進行加法等基本運算的速度可達每秒100億次。要估算人腦的基本運算速度,可以對神經元傳遞信息和相互交流的基礎過程進行分析。例如,神經元可以“發射”動作電位(即在神經元細胞附近產生的電信號脈沖),然後沿着長長的軸突將其傳遞下去,傳給與之相連的下一個神經元。這些電脈沖的頻率和時長就是要傳遞的信息。此外,神經元在向其它神經元傳遞信息時,主要通過向軸突末端名為“突觸”的結構釋放化學神經遞質進行,其相鄰神經元又會通過突觸傳遞,將神經遞質轉化回電信號形式。突觸傳遞耗時最快約1毫秒。因此若把電脈沖傳遞與突觸傳遞都算上,大腦的基本運算速度至多為每秒1000次,僅為計算機的1000萬分之一。
  計算機的基本運算精度也比大腦高出許多。計算機的精度取決於數字位數。例如,32位計算機的精度為2的32次方分之一,約為42億分之一。而證據顯示,在生理噪音的影響下,神經系統中涉及的大部分數字(如神經元發射信號的頻率,常用來代表刺激強度)往往存在百分之幾的誤差,精度最高也只有100分之一。與計算機相比,幾乎只佔了個零頭。
  然而,人腦的運算既不算慢,也不能說不精確。如一名職業網球運動員可以密切追蹤速度高達每小時250公里的網球的運動軌跡,迅速跑到球場上的最佳位置,調整好胳膊姿勢,然後將球打回對手場地。這一切僅需幾百毫秒即可完成。不僅如此,人腦在身體的幫助下完成這些動作的能耗僅為個人電腦的十分之一。大腦是如何辦到的呢?計算機與人腦間的一大差異便是系統內部信息處理模式的不同。計算機任務主要以串行步驟進行,因為工程師在編寫程序時,指令也是按時序排列的。對這種運算模式而言,每一步都必須保證高精度,否則錯誤會在接下來的步驟中不斷累積和放大。人腦也會採用串行模式處理信息。例如在打網球時,信息先從眼睛傳遞到大腦,然後傳遞到脊髓,進而控制腿部、軀干、胳膊和手腕的肌肉收縮。
  但人腦也會大量採用並行處理的模式,充分利用了大腦中不計其數的神經元和神經連接。例如,運動中的網球會同時激活視網膜上的眾多光感細胞,接收到的光線由這些細胞轉化為電信號。接着,這些信號會同時傳遞給視網膜上的多種不同神經元。等光感細胞生成的信號通過了視網膜中的兩三個突觸連接後,關於網球位置、方向和速度的信息已經由並行的神經迴路提取出來、同時傳遞給了大腦。與之類似,負責自主性運動控制的運動皮層也會同時發送指令,使腿部、軀干、胳膊、手腕的肌肉同時收縮,使身體和胳膊同時擺好姿勢、做好擊打網球的准備。
  這種大規模並行策略之所以得以實現,是因為每個神經元都會接受來自大量其它神經元的輸入、並向大量其它神經元傳遞輸出。一個哺乳動物神經元的輸入和輸出平均可涉及1000個神經元。(相比之下,每個計算機晶體管的輸入和輸出節點加起來也只有3個。)一個神經元輸出的信息可同時通過多條並行路線向下傳遞。與此同時,在上游處理了同一信息的大量神經元又會將輸出信息傳遞給同一個神經元。後者對提高信息處理精度尤為重要。比如說,單個神經元的信息可能受噪聲影響很大(精度只有100分之一)。但若將100個攜帶同一信息的神經元輸入取平均值,下游神經元接收到的信息精度便會大大提高(在這個例子中約為1000分之一)。
  計算機和人腦基礎單元的信號模式既有相似、又有不同。晶體管採用的是數字信號,借離散值(0和1)代表信號。神經軸突脈沖也是數字信號,因為在任意給定時刻,神經元只有“發射脈沖”和“不發射脈沖”兩種可能。且發射脈沖時,所有脈沖的強度和形狀都差不多,這樣才能保證長距離脈沖傳遞的可靠性。但神經元也會採用模擬信號,即用連續值代表信息。一些神經元(如視網膜中的大部分神經元)並不會產生電脈沖,其輸出通過不同等級的電信號進行傳遞。與電脈沖不同,這些電信號的強度可以連續變化,並且能傳遞更多信息。神經元的接收端(信號通常由樹突接收)也利用模擬信號將成千上萬的輸入進行整合,讓樹突得以開展復雜計算。
  大腦的另一大顯著特徵也在打網球時發揮了重要作用:神經元間的連接強度可隨着活動和經驗發生改變。神經學家普遍認為,這一變化過程是人類學習和基因的基礎。重復訓練可使神經迴路變得更適宜執行相應任務,從而大大提高速度和精度。
  近幾十年來,工程師一直在從大腦中汲取靈感、以改善計算機設計。並行處理模式與可根據用途修改的神經連接強度已成為了現代計算機的基本原則。例如,增加並行處理如今已是計算機設計的一大趨勢,從多核處理器的流行便可略知一二。此外,機器學習和人工智能領域的“深度學習”近年來發展迅猛,對電腦和手機上物體與語音識別功能的飛速進步功不可沒,而這其實是受了哺乳動物視覺系統的啟發。就像視覺系統一樣,深度學習也用多層結構代表越來越抽象的特徵,每層之間的連接強度權重可通過“學習”進行調整,而非由工程師預先設計好。這些進步大大拓寬了計算機可開展的任務范圍。不過,人腦的靈活性、歸納能力和學習能力仍然遠超當前最先進的計算機。隨着神經科學家不斷揭露大腦的奧秘(計算機也在其中發揮着越來越重要的作用),工程師也能從中受到更多啟發,進一步改善計算機的架構和性能。誰在特定任務中勝出並不重要。無論是神經科學還是計算機工程,均能從這些跨學科交叉研究中受益良多。



您需要登錄後才可以回帖 登錄 | 注冊

本版積分規則

手機版|阿波羅網

GMT+8, 2018-12-15 07:33

快速回復 返回頂部 返回列表