这些数学模型能够在数字电脑上模拟到任何所需的准确程度。正如我所说的,如果我们使用晶体管以本地模拟的方式来模拟神经区域,而不是通过数字计算,那我们就可以使我们的大脑运算能力再提高一些,这一点很多科学家都已经给出了证明。
大脑自身线路重铺,神经系统在其组织的各个层次上都是自组织的。在计算机化的模式识别系统,例如神经网络中应用的数学方法比在大脑中所用的简单,而我们在自组织模式上确实有大量的工程经验。
当代计算机不能逐字地重复本身,尽管新出现的“自我修复系统”已经开始这样做,但我们可以有效地模拟这个软件过程。
在软件中实施自组织会有优势,因为它会为程序员提供更多的灵活性,而在未来我们也可以在硬件中实现这一点。
大脑中的大部分细节都是随机的。虽然在大脑的每个方面都有许多随机,严格控制下的随机过程,我们没有必要模仿每个轴突表面的所有“涟漪”。
至多需要在了解了计算机操作原理的情况下模仿每个晶体管表面的所有微小差异。但某些细节对于解码大脑操作的原则是很关键的,这迫使我们必须将它们和那些包含随机“噪音”或混乱细节加以区分。
神经功能中混乱,随机和难以预料的部分可以通过利用复杂性理论和混沌理论的数学方法进行建模。
大脑运用浮现特性。智能行为是大脑混乱和复杂活动的突显特征。对比白蚁和蚂蚁巢穴的智能化设计,考虑它们精心构建的互联隧道和通风系统。尽管这些都是灵巧、复杂的设计,但蚂蚁和白蚁群里却并没有建筑专家。
这些建筑都是由所有巢穴成员不可预测的互动建造起来的,每个成员都依照一些相对简单的规则执行。这就是动物和人类之间最大的区别,人类可以靠着个体实现一系列复杂的工作,但是动物却只能凭着本能去进行搭配者合作才能完成。
大脑是不完善的,这是复杂自适应系统的本性,其决策所表现的智能是次最佳的。
也就是说,相对于其要素的优化配置所表现的智能相比,它反映了较低级别的智能。它只需要足够好,这对我们人类而言就意味着已经有充足的智力水平,使我们能够骗过在生态中与我们相类似的对手。
例如灵长类动物也结合了相对应的附属品所带来的认知功能,但其大脑没有人类那样发达,它们的手也没有人类的那么适用。
所以即便跟大自然里面的其他动物相比起来,他这样也有很大的优势,但是跟人类相比起来,他却是差了一些意思,这也就是为什么我们比其他灵长类的动物可以更好的运用一些工具来进行工作的原因了。
我们自我违背造就了大脑的多样性变化,各种各样的思想和方法,包括那些相冲突的,最终造就了卓越的成果。
包括现在我们进行的战争,实际上都是一种科技的升级以及武器的更新换代,这一次战争过去之后,你我都能看到一个最显著的变化,那就是我们警方系统的这些战士们,一定会磨砺而出,成为一个可以独当一面的人,当然这是在保留生命的前提下。
我们的大脑完全能够持矛盾的观点。事实上我们依靠内部的多样性而蓬勃发展。在这点上可以考虑与人类社会相对比,社会有其解决多种观点的建设性方法。
大脑运用进化,大脑使用的基本学习模式是渐进的,理解世界最成功,对认知和决策作出贡献的连接模式会幸存下来,一个新生儿的大脑主要包含随机联系的神经元连接,只有一部分新生儿一生下来就拥有两岁小孩的大脑智力。
这些模式很重要的这些混乱的自组织方法的某些细节是至关重要的,它们是以模式约束,确定初始条件规则和自组织方式的形式显示出来的,而最初在约束中的许多细节都是任意设置的,系统然后实行自组织并逐步表现出已提交给系统的信息的不变特征。所产生的信息在特定的节点或连接中找不到,相反的,这是一个分布式的模式。
大脑是全息的,全息图中的分散信息和大脑网络中信息的表现形式有类似之处。我们也在用于计算机模式识别的自组织方法,例如神经网络、遗传算法中发现了这一点。
大脑是密切联系的。大脑从一个深层的连接网络中得到恢复力,在这个网络中的信息从一个点转到另外一点的方式有很多种。拿互联网来作类比,随着其组成节点的数量增加,网络已变得越来越稳定。节点甚至互联网整个枢纽,可以变得不起作用,而整个网络却不会因此而瘫痪。
同样我们不断丧失神经元,但这并没有影响到整个大脑的完整性。
这也就是我们和计算机最大的不同之处,也就是为什么能够解释现在人工智能要和人的大脑结合,因为我们人的大脑可以丢掉一些不用的细胞,来进行新的细胞繁殖。
但是人工智能和计算机就无法做到这一点,因为他们的每一个零件都是至关重要的,说到最简单的一点,如果我们现在不使用这些电子设备的话,完全回归到自然当中,那么人工智能对于我们来说也是束手无策的。
大脑的确有一个区域的架构。虽然区域内的连接细节最初是随机约束的,而且这些细节还是自组织的,但是仍然有一个区域架构,它使得几百个有特定连接模式的区域执行特定的功能。
一个大脑区域的设计比一个神经元的设计还要简单。在更高层次的模拟常常会更简单,而不是更复杂。类比一台计算机,如果我们要模拟一个晶体管,我们需要详细了解半导体物理学原理,而一个真正的晶体管所隐藏的方程是很复杂的。
然而,在两个数字相乘的数字电路中,虽然涉及数百个晶体管,但模拟起来却更简单,只涉及少数公式。一个由数十亿个晶体管组成的计算机可以通过其指令集和寄存器描述来模拟,而这些可以由少量的文字和数学变换来描述。
一个操作系统、语言编译器和组译器的软件程序是复杂的,但模拟特定程序,例如基础的语音识别系统,却可能用短短几页的方程就能描述。这种描述没有任何地方需要物理学的细节。
类似的观察也适用于大脑。一个特定的神经排列用来检测一个特定不变的视觉特征,例如我们的脸部,或执行一个作用于听觉信息或计算两个事件时间接近性的带通滤波,限制输入到一个特定的频率范围,这些都可以描述得远比实际物理和化学的关系。
控制神经递质和其他突触和树突在各自程序中所涉及的变量要简单。虽然在推进到下一个更高的水平模拟大脑前,这种神经的复杂性都必须仔细研究,但是一旦理解了大脑的工作原理,其中很大一部分都可以得到简化。
我们对人类大脑的研究步伐正不断加快,现在已不断接近这条曲线的拐点,这是一个呈指数增长的快速发展时期,但在这之前我们曾有过无数次的研究尝试。
反思和建立人类思维模型的能力是我们人类特有的一种属性。基于对人类外在行为的简单观察,我们建立了早期的人类思维模型,这也就是我们赋予人工智能最早的特性之一,只不过现在人工智能已经脱离了我们的掌控,这一点我可以负责任的告诉你。
所以我们现在要做的就是如何对于人类的大脑进行改造,或者是如何净化我们的大脑,否则的话总有一天人工智能会突破瓶颈,比如智人的出现,他们总有一天会挑战我们人类的地位!