16\ On Intelligence 腰主智能的未 目的全日制研究生。 我欣喜若狂。终于可以认真地研究大脑理论了,我这样 想。我辞了Grid公司的工作,决心不再重回计算机产业任职。 当然,这意味着无限期地放弃我的薪水。那时我妻子正盘算着 买房子和生孩子,而我却心甘情愿地变成了一个不能挣钱养家 的人。这可不是避免摩擦的好办法,但这是我最好的选择,而 且我的妻子也支持我的决定。 在我离开公司之前,Grid的创始人约翰·艾伦比( John Al denby)把我拉进办公室,说:“我知道你不想再回Grid,也不想 再涉足电脑业,但以后会发生什么谁也不知道。不要完全退 出,就算休假吧。这样,一两年后如果你回来,还可以重领薪 水,继续做你的职位,得到公司的股份。”这是一个友好的表 示,我接受了,但心中仍然感觉这次我永远告别计算机产业了
第 DE923 神经网络
Neural Networks 19 第棒赚雨捧率 1986年1月,我开始了在加州大学伯克利分校的学习。期 间,我所做的第一件事就是整理、汇编有关智能和大脑功能理 论的研究成果。我阅读了上百篇论文,它们的作者有解剖学 家、生理学家、哲学家、语言学家、计算机科学家和心理学 家。许多来自于不同领域的研究者发表了他们对思维和智能的 看法,各个领域都有自己的相关刊物和术语,尽管如此,我还 是发现他们对思维和智能的解释有前后矛盾和不圆满之处。语 言学家谈到智力时总会用“句法”“语义学”等术语,在他们看 来,大脑和智力都和语言有关。视觉科学家总是会谈到2D 2为D和3D图画,对他们来说,大脑和智力与直观模式识别有 关。计算机科学家总是谈及图式和框架等显示学识的新名词, 他们中没有人提到大脑的构造,也没有人提到大脑是如何来实 施这些理论的。另一方面,解剖学家和神经生理学家撰写了大量 关于大脑构造和神经作用机理的文章,但对于大规模理论的提出, 他们都采取了回避态度,因为要把各种研究方法以及与其相配套 的堆积如山的实验数据弄清楚,实在是一件令人头疼的事。 正在此时,另一种智能机器的研究途径浮出了水面,这 次是全新的,而且充满了希望。早在20世纪60年代后期,神 经网络就以某种面目出现了,但它和人工智能的研究在投资强 度和投资方的关注度方面是死对头。那时,人工智能就像一只 重达350千克的大猩猩,可以轻而易举地将神经网络研究碾得 粉碎。神经网络的研究者们在此后的几年中一直处在投资方的 黑名单上,只有少数人坚持了下来,直到80年代中期,才得以 重见天日。我们无法确切地知道神经网络何以会突然引起人们 的兴趣,但有一点是毋庸置疑的:人工智能的不断失利是一个
20 On Intelligence 率人蛋智能的未乘拉 主要因素。人们在极力寻找人工智能的替代品,最终在神经网 络领域得偿所愿。 相对于人工智能而言,神经网络是一个真正的进步,因为 它的基础是建立在真正的神经系统之上的,尽管不甚牢固。它 的研究人员,又被称作连接主义者。他们摒弃了编程计算机 将兴趣转向另一个方面。他们希望探究的是:如果将一簇神经 元连接在一起会产生什么样的行为。大脑是由神经元组成的, 因此大脑就是一个神经网络,这是一个不争的事实。而连接主 义者希望通过对神经元相互作用的研究,让智能不可捉摸的特 性变得清晰,并且希望通过复制众多神经元之间的连接,让一 些令人工智能束手无策的问题得以解决。神经网络不同于计算 机,它没有CPU,不能对信息进行中央存储;整个网络的知识 和记忆都分散在所有的连接之上—就像真正的大脑一样。 表面看来,神经网络似乎迎合了我的兴趣,但很快我就对 这一领域失望了。那时我头脑中已经形成了一个想法,即:对 于大脑的解读,有三种标准必不可少。 第一个标准是大脑功能的时间概念。真正的大脑快速地处 理大量不断变化的信息流,在这些输入和输出的信息流中没有 任何东西是静止不动的。 第二个标准是反馈的重要性。神经解剖学家早已发现大脑 是浸润在反馈连接之中的,比如说,在连接新大脑皮层和视丘 个位置较低的结构)之间的神经中,反向传递的信息(与输入 相对)要比向前传递的信息大一个数量级。也就是说,如果有1 根神经纤维向大脑皮层输入信息,就有10根神经纤维在向感觉 器官传递信息。反馈也通过大脑皮层控制了大部分的连接。虽