T型 大脑是复杂的； 在人类中，它由大约1000亿个神经元组成，大约有100万亿个连接。 它经常被拿来与另一个具有巨大解决问题能力的复杂系统进行比较：数字计算机。 大脑和计算机都包含大量的基本单元——神经元和晶体管，它们分别连接到复杂的电路中，以处理电信号传递的信息。 在全球范围内，大脑和计算机的结构彼此相似，主要由输入、输出、中央处理和记忆的独立电路组成。 1
哪一种解决问题的能力更强——大脑还是计算机？ 考虑到过去几十年计算机技术的快速发展，你可能会认为计算机具有优势。 事实上，计算机已经被制造和编程，以在复杂的游戏中击败人类大师，例如20世纪90年代的国际象棋和最近的围棋，以及百科全书式的知识竞赛，例如电视节目 危险！ 然而，在撰写本文时，人类在许多现实世界的任务中战胜了计算机，这些任务包括在拥挤的城市街道上识别自行车或特定行人，伸手去拿一杯茶，并将其平稳地移动到唇膏本身的概念化和创造性。
那么，为什么计算机擅长某些任务而大脑擅长其他任务呢？ 比较计算机和大脑对计算机工程师和神经科学家都有指导意义。 这种比较始于现代计算机时代的黎明，在一本小而深刻的书中，书名为 电脑和大脑 约翰·冯·诺依曼（John von Neumann）是一位博学家，他在20世纪40年代率先设计了一种至今仍是大多数现代计算机基础的计算机体系结构。 2 让我们从数字上来看其中的一些比较（表1）。
在基本操作的速度上，计算机比大脑有巨大的优势。 三 如今，个人计算机可以以每秒100亿次运算的速度执行基本算术运算，例如加法。 我们可以通过神经元传递信息和相互交流的基本过程来估计大脑中基本操作的速度。 例如，神经元“激发”动作电位——在神经元细胞体附近启动的电信号脉冲，沿着称为轴突的长延伸传递，轴突与下游伙伴神经元相连。 信息编码在这些峰值的频率和时间上。 神经元放电的最高频率约为每秒1000次。 另一个例子是，神经元向其伙伴神经元传递信息主要是通过在称为突触的轴突末端的特殊结构处释放化学神经递质，而其伙伴神经元在称为联会传递的过程中将神经递质的结合转换回电信号。 最快的突触传递大约需要1毫秒。 因此，无论是在棘波还是突触传递方面，大脑最多可以每秒执行1000次基本操作，比计算机慢1000万倍。 4
计算机在基本操作的精确性方面也比大脑有巨大优势。 计算机可以根据分配给每个数字的位（二进制数字或0和1），以任何期望的精度表示数量（数字）。 例如，32位数字的精度为1/232或42亿。 经验证据表明，由于生物噪声的影响，神经系统中的大多数数量（例如，神经元的放电频率，通常用于表示刺激强度）的变异性为百分之几，或至多为百分之一的精度，这比计算机差几百万倍。 5
职业网球运动员可以以每小时160英里的速度追踪发球的轨迹。
然而，大脑进行的计算既不慢也不精确。 例如，职业网球运动员可以在网球以每小时160英里的速度发球后跟踪其轨迹，移动到球场上的最佳位置，调整手臂的位置，然后挥动球拍将球送回对手的场地，所有这些都在几百毫秒内完成。 此外，大脑可以完成所有这些任务（在它控制的身体的帮助下），耗电量大约是个人电脑的十倍。 大脑是如何做到这一点的？ 计算机和大脑之间的一个重要区别是在每个系统中处理信息的模式。 计算机任务主要以串行步骤执行。 这可以从工程师通过创建顺序指令流对计算机进行编程的方式中看出。 对于这种连续的操作级联，由于误差在连续的步骤中累积和放大，因此每一步都需要高精度。 大脑也使用连续的步骤进行信息处理。 在网球回归的例子中，信息从眼睛流向大脑，然后流向脊髓，以控制腿部、躯干、手臂和手腕的肌肉收缩。
但大脑也采用大规模并行处理，利用了大量神经元和每个神经元之间的大量连接。 例如，运动中的网球会激活视网膜中的许多细胞，这些细胞被称为光感受器，其作用是将光转换为电信号。 然后，这些信号并行地传递给视网膜中的许多不同类型的神经元。 当光感受器细胞发出的信号通过视网膜中的两到三个突触连接时，有关球的位置、方向和速度的信息已被平行的神经元电路提取出来，并平行传输到大脑。 同样，运动皮层（大脑皮层中负责意志运动控制的部分）并行发送命令，以控制腿部、躯干、手臂和手腕的肌肉收缩，从而使身体和手臂同时处于接收传入球的良好位置。
这种大规模并行策略是可能的，因为每个神经元从许多其他神经元收集输入并向其发送输出，哺乳动物神经元的输入和输出平均约为1000。 （相比之下，每个晶体管只有三个节点用于输入和输出。）来自单个神经元的信息可以传递到许多并行的下游路径。 同时，许多处理相同信息的神经元可以将其输入汇集到同一下游神经元。 后一种特性对于提高信息处理的精度特别有用。 例如，单个神经元表示的信息可能会有噪声（例如，精度为1/100）。 通过取携带相同信息的100个神经元的平均输入值，共同的下游伙伴神经元可以以更高的精度表示信息（在这种情况下，约为千分之一）。 6
计算机和大脑在其基本单元的信号模式上也有相似之处和不同之处。 晶体管采用数字信号，使用离散值（0和1）表示信息。 神经元轴突中的尖峰也是一个数字信号，因为神经元在任何给定时间都会发射或不发射尖峰，当它发射时，所有尖峰的大小和形状都大致相同； 这种特性有助于可靠的长距离穗传播。 然而，神经元也利用模拟信号，即使用连续值来表示信息。 一些神经元（像我们视网膜中的大多数神经元一样）是非棘波的，它们的输出是通过分级电信号传输的（与棘波不同，分级电信号的大小可以连续变化），这些电信号可以传输比棘波更多的信息。 神经元的接收端（接收通常发生在树突中）还使用模拟信号集成多达数千个输入，使树突能够执行复杂的计算。 7
你的大脑比电脑慢1000万倍。
大脑的另一个显著特性是，神经元之间的连接强度可以根据活动和经历而改变，这一过程被神经科学家广泛认为是学习和记忆的基础，这一特性显然在网球发球的回报中发挥着作用。 重复训练可以使神经元电路更好地配置以执行任务，从而大大提高速度和精度。
在过去的几十年里，工程师们从大脑中获得灵感来改进计算机设计。 并行处理的原理和连接强度的使用依赖性修改都已纳入现代计算机。 例如，增加并行性，例如在一台计算机中使用多个处理器（内核），是当前计算机设计的趋势。 另一个例子是，机器学习和人工智能学科中的“深度学习”受到了哺乳动物视觉系统的发现的启发，近年来取得了巨大成功，并在计算机和移动设备中的对象和语音识别方面取得了快速进步。 8 与哺乳动物的视觉系统一样，深度学习使用多个层次来表示越来越抽象的特征（例如，视觉对象或语音），不同层次之间的连接权重是通过学习而不是由工程师设计来调整的。 这些最新进展扩大了计算机能够执行的任务的范围。 尽管如此，大脑仍比最先进的计算机具有更好的灵活性、通用性和学习能力。 随着神经科学家揭示出更多关于大脑的秘密（越来越多地借助于计算机的使用），工程师可以从大脑的工作中获得更多灵感，从而进一步改进计算机的结构和性能。 无论谁在特定任务中胜出，这些跨学科交叉受精无疑将推动神经科学和计算机工程的发展。
罗立群是斯坦福大学人文科学学院教授，也是斯坦福大学神经生物学教授。
作者要感谢伊桑·里奇曼（Ethan Richman）和景雄（Jing Xiong）的评论，感谢大卫·林登（David Linden）的专业编辑。
作者：Liqun Luo，发表于 智库：四十位科学家探索人类经验的生物学根源， 由David J.Linden编辑，耶鲁大学出版社出版。
脚注
1.本文改编自罗，L。 神经生物学原理 （Garland Science，纽约州纽约市，2015年）。
2.冯·诺依曼，J。 电脑和大脑 （耶鲁大学出版社，康涅狄格州纽黑文，2012年），第3版。
3.帕特森·D.A.和轩尼诗·J.L。 计算机组织与设计 （Elsevier，阿姆斯特丹，2012），第4版。
4.这里的假设是，算术运算必须将输入转换为输出，因此速度受到神经元通信的基本操作（如动作电位和突触传递）的限制。 这些限制也有例外。 例如，具有电突触的非突触神经元（不使用化学神经递质的神经元之间的连接）原则上可以比大约一毫秒的极限更快地传递信息； 树突中局部发生的事件也是如此。
5.噪音可以反映这样一个事实，即许多神经生物学过程，例如神经递质释放，都是概率性的。 例如，在重复试验中，同一神经元对相同刺激的反应可能不会产生相同的棘波模式。
6.假设每个输入的平均值标准偏差（σmean）近似于噪声（它反映了分布的宽度，与平均值的单位相同）。 对于的平均值 n个 独立输入，平均值的预期标准偏差为σmean=σ/√• n个 在我们的示例中，σ=0.01，以及 n个 = 100; 因此σ平均值=0.001。
例如，树突可以充当符合检测器，对来自许多不同上游神经元的近同步兴奋性输入进行求和。 他们还可以从兴奋性输入中减去抑制性输入。 某些树枝晶中电压门控离子通道的存在使它们能够表现出“非线性”特性，例如超出简单加法的电信号放大。
8.LeCun，Y.Bengio，Y.和Hinton，G.深度学习。 自然 521 ，436–444（2015年）。
主要艺术学分：照片12/贡献者/盖蒂图片社； 维基百科
获取Nautilus时事通讯 尖端科学，由最聪明的在世思想家揭开。
