为什么人脑不可能是一台计算机

人脑并不处理信息、检索知识和存储记忆。简而言之：人脑不是计算机。

一

无论如何努力，脑科学家和认知心理学家都不可能在人脑中找到贝多芬第五交响曲的副本，也不可能找到记录文字、图片、语法或其它外界刺激的副本。诚然，人脑并非真的空空如也，但大多数我们认为它“拥有”的东西并不真的“存在”其中；甚至简单如“记忆”，也不存在。

我们对大脑拙劣认识有着深远的历史根源。不过，上世纪四十年代，计算机的问世让我们的认识变得尤为混乱。半个多世纪以来，不断有心理学家、语言学家、神经学家和其他研究人类行为的专家宣称，人脑有着和计算机一样的工作方式。

细想一下婴儿的大脑，就能看出这个观点有多么无稽。人类新生儿和其它哺乳动物的幼崽一样，一出生就为和这个世界互动做好了准备，这是演化的结果。婴儿的视力虽然模糊，却会特别注意人脸，很快就能辨认出自己的母亲。他们对语言比对一般的声音更加敏感，而且能够分辨出不同人的语音。我们的身体专门是为社交打造的。

健康的新生儿还拥有十几套神经反射，它们是针对生死攸关的特定刺激预设的身体反应。比如，他们会把头转向触碰到面颊的物体，或是吮吸放进嘴里的东西。新生儿也会在水下自动屏住呼吸；紧紧抓住送到手里的物体——用力之大几乎可以支撑起他们自己。不过最重要的是，他们天生就有强大的学习机制，这让他们能够迅速改变。因此，即使世界已经变得和先祖时候全然两样，他们依然能够迅速地让自己与外界的互动变得愈发高效。

感觉、反射、学习机制：我们生来就具有类似能力，想想看还挺不少。如果我们出生的时候缺少其中某种，恐怕就很难活下来。

但下面这些东西都不是我们与生俱来的：信息、数据、规则、软件、知 识、词库、表示、算法、程序、模型、内存、图形、处理器、子程序、编码器、译码器、符号、缓存等等。这些都是计算机智能化的设计要素。我们不但生下来就没有这些东西，而且一生都不会发育出来这些东西。

我们不存储词汇和运用词汇的规则；受到视觉刺激时，我们不会创建它的表示（representations），并存储在一个短期缓存中，再转移到长期记忆的设备里；我们也不会从内存寄存器里检索信息、图像或文字。这些都是计算机的做法，而生物不这样做。

计算机切实地处理信息：数字、字母、文字、公式、图像。首先，信息经过编码，转化为计算机可用的格式，也就是由“ 0 ”和“ 1 ”（称为“ 位 ” 或 “比特”）组合成的一小段一小段的组块（“字节”）。我的计算机里每个字节含有 8 个位，这些位的某种组合模式表示字母“ d “，另一种模式表示字母“ o ”，再一种是“ g ”。这三个字节串联起来组成单词“ dog ”。而图片（比如桌面上我的猫“的照片）则是由百万级的字节（称为“兆字节”）按某种特殊的模式排列表示的。这些字节前后还有一些特殊字符，告诉计算机它们是图片而不是文字。

计算机切实地将这些模式从一个物理存储区转移到另一个，把它们写入到电子元件上。有时计算机会复制这些模式，有时它们会改变这些模式，比如当我们更正稿件或是修改图片时。计算机在移动、复制和操作数据组时遵循的规则也存储在计算机内部。这样的规则集合称为“程序”或“算法”，而一套协助我们进行某项工作（比如购买股票或网上交友）的算法则称为“应用（Application）”——也就是当下很多人口中的“ APP ”。

原谅我介绍了这么多计算机原理，不过我需要明确这样一点：计算机操作的是符号表示 （symbolic representations ) 。它们真正地存储、检索，处理数据（process）。它们有物理内存。它们的任何操作都受算法引导，无一例外。

人类则并非这样:从来不是、永远也不会这样。现实如此，为什么还是有这么多科学家在讨论精神活动时把人看成计算机呢？

二

人工智能专家乔治·扎卡达基斯（George Zarkadakis）在 2015 年出版的 In Our Own Image 一书中，叙述了过去两千年来在解释人类智能采用过的六种比喻。

最早的一种终究在《圣经》里：人类是用尘土塑成，智能的神将他的灵注入其中。这个灵（至少从语法上看）“解释”了我们智能。

公元前三世纪水利设施的出现使得一种用水利模型解释人类智能的学说大行其道。此说运用人体内的各种液体流（即“体液”）解释我们的物理动作和心理活动，前后延续1600多年，阻碍了期间医学实践的发展。

十六世纪初出现了以发条和齿轮传动为动力的自动机，这个发明激发了当时顶尖思想家（如笛卡尔）的灵感，他们宣称人是复杂的机器。十七世纪初，英国哲学家霍布斯提出了思想源于脑内微小机械运动的观点。进入十八世纪，电和化学方面的发现又引发出人类智能的新理论，这些理论实质上依旧多为比喻性的。而到了十九世纪中叶，德国物理学家亥姆霍兹有感于当时最新的通信发展，将人脑比喻成了电报机。

这些比喻性理论都反映当时相关的最新思想。可以想见，上世纪四十年代计算机科技出现之后，不出几年就有了人脑像计算机一样运作的说法：大脑是硬件，思想则是软件。我们今天称为“认知科学”的这门学科，其建立的标志性事件是1951年心理学家乔治·米勒（George Miller）Language and Communication（《语言与交流》）一书的出版。米勒提出，我们可以利用信息理论、计算学和语言学中的概念对心理世界进行充分的研究。

这类思想，在数学家冯·诺依曼 1958 年出版的《计算机与人脑》（The Computer and the Brain）这本小册子里发展到了极致。冯·诺依曼在书中断言，人类神经系统的功能是“表面数字式的”。尽管他承认自己对人脑在推理和记忆上的功能不甚了了，但他还是罗列出一条条当时的计算机和人脑的相似之处。

在计算机技术和脑科学研究进一步发展的推动下，充满野心的、通过多学科理解人类智能的工作渐渐开展起来。它立足在人类是计算机式信息处理器的思想之上。目前，有数千名研究者投身其中，花费的经费以数十亿美元计，产生出大量的或专门或综合的论文和书籍。雷·库兹韦尔（Ray Kurzweil）2013 年出版的 How to Create a Mind: The Secret of Human Thought Revealed（《如何创造思维：揭开思想之谜》）就是一个代表。这本书推测了人脑的“算法”，并解释人脑如何“处理数据”，甚至还讨论了人脑从表面上看其结构与集成电路的相似性。

如今，“信息处理说”（information processing metaphor）已经主导了大众和学界对人类智能的认知。就像任何特定时期和文化下关于人类智能行为的讨论都不能脱离相关的神灵一样，现实中任何的相关的讨论都已经离不开这个学说。现在人们普遍认可它，而无人置疑。

但信息处理说终究是一个比喻，是我们为了理解一个我们并不真正理解的东西而讲述的故事。它和先前所有的比喻一样，终有一天也会被我们抛开——要么被另一个比喻，要么最终被真正的知识取代。

就在一年多以前，我访问了一家世界上最负盛名的研究所。我试探性地让那里的研究人员不使用任何信息处理说的概念来解释人类智能行为，结果他们做不到。后来我又在邮件交流中礼貌地提出这一问题，几个月里他们还是没什么进展。他们意识到了这个问题，对这个挑战也并非不屑一顾，但他们没有别的替代品。换句话说，信息处理说已经“根深蒂固”，它的用语和观念太过强大，让人难以回避，因而妨碍了我们思考。

信息处理说的错误逻辑很容易就能说明白。它建立在一个错误的三段论上，由两个合理前提得到一个错误结论。合理前提 1：所有的计算机都能表现得智能。合理前提 2：所有计算机都是信息处理器。错误结论：所有具有智能表现的实体都是信息处理器。

通俗地说，因为计算机是信息处理器，所以人类也必须是信息处理器：这样的观点实在很蠢。等到哪天信息处理说被最终抛弃，后世的历史学家想必也会像我们现在看待水利说和机械说那样，觉得这个学说很荒谬吧。

既然信息处理说这么蠢，那它为什么还这么根深蒂固？我们为什么不能像扫除挡在路上的树枝那样抛弃这个学说，是什么妨碍着我们？有什么方法能够让我们放开这根不靠谱的手杖，走向理解人类智能之路？我们为长久以来依赖这根手杖付出了什么代价？信息处理说终究是引导着几个领域里大量的研究者进行了几十年的写作和思考，我们的损失有多少呢？

这些年我进行过很多次这样的课堂实验：首先找一个学生上台，让他/她在黑板上“尽可能详细地”画出一美元纸币的样子。画完之后，用一张白纸盖住，然后从钱包里拿出一张一美元纸币贴在黑板上，让他/她照着再画一张。完成后，揭开第一张图上的白纸，让全班讨论两幅图的差异。

你也许没见过这样的实验，或是想象不出结果如何，所以我让学院里的一位实习生吉妮·西姆（Jinny Hyun）画了两张。这是她“凭记忆”（注意“记忆”被类比为计算机“内存”）画的图：

而这是之后照着一美元实物画的图：

这出乎吉妮意料，你大概也一样吧？但这就是典型结果。尽管吉妮早就见过不知多少回一美元纸币，但如我们所见，相比照着实物画的图，没有实物时画的图可谓相当糟糕。

问题出在哪？我们脑内的“内存寄存器”里难道没有“存储”一美元纸币的“表示”吗？我们不能就这么把它“检索”出来，在画图的时候做参照吗？

显然不能。哪怕再给神经科学一千年，他们也不可能在大脑中找到存储一美元的表示的地方。原因很简单，他们找错地方了。

记忆存储在单独的神经元内的观点可谓荒诞：记忆如何存储在细胞里，又存储在何处？

大量脑科学研究告诉我们，即使是最单调的记忆任务也要动用大脑的多处区域，有时还会用到大片区域。如果涉及到强烈情感，则几百万神经元都会变得更加活跃。在 2016 年一项对空难幸存者的研究中，以多伦多大学神经心理学家布莱恩·莱文（Brian Levine）为首的研究团队发现，回忆空难情景会增加幸存者 “杏仁体，内侧颞叶，前、后正中线和视觉皮质“ 的神经活动。

有些科学家提出的特定的记忆会通过某种方式存储在单独的神经元内的观点可谓荒诞不经。如果真是这样，也只不过是让记忆问题更难解决了：记忆究竟是如何存储在细胞中的？它又存储在细胞中的何处？

那么，吉妮在凭空画那一美元纸币的时候脑中发生着什么？如果吉妮之前从未见过一美元纸币，那她画的图可能就和第二张完全不同。曾经见过一美元这个经历改变了她。具体来说，她的大脑变得能够让她想象一美元纸币的样子，也就是至少在某种程度上能重新体验看到它时的情形。

这两张图的差异提醒我们，想象（也就是看一个不在眼前的对象）的图像远没有真正看见时的观察准确。比起回想，我们更擅长识别，原因就在于此。我们在回忆（remember，来源于拉丁文 re（再一次）和 memorari（记着）的组合）某个事物的时候，是在尝试重新体验当时的经历；但在识别某个事物时，只需要注意自己是否先前有过这种感知体验即可。

你也许还要反驳我的解释。吉妮以前虽然见过一美元纸币，但她并没有刻意去“记住”上面的细节。你也许会说，如果她有去记忆，那她可能不需要照着画就能画出第二张的效果。但就算是这种情况，吉妮的脑中也无论如何都不会“存储”有一美元纸币的图像。她只是为能够画得更精确做好了准备，就像钢琴家通过练习让自己的协奏曲演奏更加熟练，而无需用某种方式将乐谱吸收进脑子里。

三

通过这个简单的实验，我们就可以开始构造解释人类智能行为的非比喻性理论框架了。在这个理论中，人脑并不完全是空的，但至少没有信息处理说的地方。

我们在感受外界事物时，会因为不同的经历而发生改变。其中有三类值得特别提出：（1）我们观察身边发生的事物（其他人的行为、乐音、接收的指令、书页上的文字、屏幕上的图像等）；（2）我们处在不重要和重要刺激的双重影响下（前者如警笛声，后者如警车出现）；（3）我们会因特定行为得到惩罚或奖励。

如果我们根据经验作出改变——背一首诗或唱一支歌；能够按照接收的指令行动；对不重要刺激的反应更类似于对重要刺激的反应；避免做出会受到惩罚的行为而更多地做能得到奖赏的行为——我们的生活就能更有效率。

为避免误导，我要声明：没有人真的知道我们在学唱一支歌或记下一首诗后大脑经历了怎样的变化。但不管是歌还是诗都没有“存储”在大脑里，大脑只是按一定的方式作出了改变，让我们能在一定情况下唱出这支歌或背诵这首诗。去表演的时候，歌和诗都不是从脑内某处“读取”出来的东西，就像我在桌上敲手指也不是“读取”的动作。我们就是唱出来背出来，没有读取的必要。

哥伦比亚大学的神经科学家埃里克·坎德尔（Eric Kandel）因为识别出海兔（海蛞蝓）在学习某项技能后神经元突触内出现的某些化学变化而获得诺贝尔奖。几年前我曾问过他，我们还要多久才能理解人类的记忆功能，他立刻回答说：“一百年。”我当时没想问他信息处理说是不是拖慢了神经科学的研究，但确实已经有一些神经科学家开始思考这个之前不可想象的事实：比喻不是必须的。

现在有些认知科学家则完全排斥人脑像计算机那样运作的观点。其中以 Radical Embodied Cognitive Science（《激进具身认知科学》， 2009年出版）的作者、辛辛那提大学的安东尼·凯姆罗（Anthony Chemer）尤其突出。现在主流观点认为，与计算机类似，我们对的各种“精神表示”进行运算，通过这个过程理解世界。但凯姆罗等人提出了另一种解释智能行为的方法，即认为智能行为是生物和外界的直接互动。

信息处理说和现在一些人称之为人类机能“反表示”观点的学说之间存在巨大的差异。在反映这个差异的案例中，我特别喜欢的一个是：用两种不同理论解释棒球运动员如何接到高飞球。对于这个问题，迈克尔·麦克佩斯（Michael McBeath，现在亚利桑那州立大学）和同事在1995年的《科学》（Science）杂志上发表过优美详尽的分析。信息处理说要求运动员估计球被击飞时的各种初始条件，如击打力量、飞行角度等等；然后建立一个内在模型分析球可能移动的路径；接着运用这个模型指导和不断调整自己的动作，从而拦截飞球。

如果我们真如计算机一样工作，这样倒也不错。不过麦克佩斯他们给出了一个更简单的解释：运动员要想接到球，只需在移动中保持球和本垒及四周环境间的视觉关系不变即可，用术语说就是沿“线性光学轨迹（linear optical trajectory）”移动。看上去挺复杂，实际却出奇简单，而且与运算、表示和算法完全无关。

我们永远都不用担心有人会在网络空间里发狂，不过我们也永远不可能依靠思维下载获得永生。

英国利兹贝克特大学的两名心理学教授安德鲁·威尔孙（Andrew Wilson）和萨布丽娜·格隆卡（Sabrina Golonka）下定决心，连同上面的棒球例子在内，收集了一些可以跳出信息处理论来进行简单合理讨论的案例。他们近年一直在经营一个博客，发表“用更有条理、更自然的方式研究人类行为的科学方法……和主流的认知神经科学方法完全不同”。可是，光有这些还远不成气候；主流认知科学依旧无条件地接受信息处理论，当世一些最有影响力的思想家也以它为前提，提出了许多关于人类未来的宏伟预言。

未来学家库兹韦尔、物理学家霍金和神经学家兰德尔·科恩（Randal Koene）等都作出过这样一个预言：因为人类意识好比计算机软件，所以我们很快就能将人的思维载入计算机中。我们在计算机的电路里能够获得超强的智力，而且很有可能获得永生。在 2014 年约翰尼·德普（Johnny Depp）主演的反乌托邦电影《超验骇客》（Transcendence）中，就有一个情节受此启发。其中有个类似库兹韦尔的科学家，他的思维被人载入到因特网上，给人类带来了毁灭性的后果。

万幸的是，信息处理说没有半点根据，我们永远都不用担心有人会在网络空间里发狂。不过呢，我们也永远不可能依靠思维下载获得永生。这不光是因为大脑里没有意识软件，其中还有更深的问题，就叫它“唯一性问题”吧。这个问题既鼓舞人心，又令人沮丧。

四

脑内没有“内存条”和外界刺激的“表示”之类的东西；我们对外界做出反应时，只需大脑能按某种合理的方式变化，让行动结果符合经验即可。因此，没有理由认为两个人会对同一段经历做出相同的变化。如果你我去听同一场贝多芬“第五交响曲”的音乐会，我脑内发生的变化就会和你脑内的变化完全不同。且不管这些变化是什么，它们都建立在我们各自独特的神经结构中，而这个结构则由我们各自的过往经历发展而来。

弗雷德里克·巴特莱特（FredericBartlett）爵士在 1932 年出版的 Remembering（记忆）中叙述道，在复述一个以同样的方式听到的故事时，没有两个人的表达会完全一样；而且他们的描述会随时间推移变得越发不同。其原因即如前文所述。他们并不是在脑中形成故事的“副本”，而是各自根据故事进行了某种程度的变化，使得之后再被问起这个故事时（比如在听巴特莱特读完故事的几天、几月甚至几年之后），能多多少少重现听故事时的情景——尽管不完美。（参见之前第一张美元的例子。）

我认为这鼓舞人心，因为这说明我们每个人都是真正独特的，不只是基因组成，更重要的是大脑随时间的变化。但这也令人沮丧，因为神经学家的任务会变得超乎想象，要让人望而却步了。每个特定经历引起的变化，在个人脑都有所差异，涉及到上千、上百万甚至整个大脑的神经元。

更麻烦的是，即使我们有能力获取大脑全部860亿神经元的瞬时状态，并把它们用计算机模拟出来，这个巨大的模式结构在脱离产生它的大脑之后也没有任何意义。这或许就是我们讨论人类功能时，信息处理说带来的最大曲解。计算机能精确存储数据的副本，这些副本可以长期保持不变，即使断电也不会丢失；而大脑只有在我们活着的时候才能维持智能。我们没有脑部开关，要么是大脑还在工作，要么就是我们不复存在。此外，神经生物学家史蒂文·罗斯（Steven Rose）在 2005 年出版的 The Future of the Brain（脑的未来）中写道，除非我们知道一个人的全部生活经历，可能还要包括他/她成长的社会背景，否则就是得到了他/她脑部的瞬时状态也没什么用。

让我们来看看这个问题有多复杂。即使是为理解大脑保持智能的基本原理，要知道的也不只是所有 860 亿神经元和它们之间 100 万亿连接的瞬时状态，以及这些连接的强度和连接点内 1000 多种蛋白质的状态，而是要知道大脑每时每刻的活动对体系整体的影响。再加上大脑还在某种程度上因为个人生活的独特性而更加唯一，如此看来坎德尔的预言未免过于乐观。神经学家肯尼斯·米勒（Kenneth Miller）最近在《纽约时报》上与人合作发表文章认为，光是弄清楚基本的神经元连接活动就需要“几百年”。

同时，人们为脑科学研究投入了大量资金，某些项目却建立在错误的观念和不可能兑现的承诺上。神经科学研究出错的最大案例是欧盟2013年通过的人类大脑工程（Human Brain Project），耗资13亿美元。此前《科学美国人》杂志对此有专文报道。项目创立者亨利·马克拉姆（Henry Markram）魅力非凡，声称能在 2023 年用超级计算机模拟人的整个大脑，而且这个模型可以为治疗阿尔茨海默病和其它神经紊乱病症带来革命性的改变。欧盟官员被他说动，给这个项目提供的资助实际上完全没有限制。结果不到两年，这个项目变成“脑瘫工程（brain wreck）”，马克拉姆也就此下马。

我们是有机体，不是计算机，别在这上面纠结了。我们还是回过头来理解自身吧，不要再被不需要的东西拖累。信息处理说领跑了半个世纪，其间还是产生了一些洞见。不过现在是时候为它按下删除键了。

本文作者：罗伯特·爱泼斯坦是美国行为研究与技术研究所（ American Institute for Behavioral Research and Technology）心理学高级研究员，《今日心理》杂志（Psychology Today）前任主编。

神经科学领域几十年来将“人脑如计算机”视为重要的隐喻。但这一想法是否让我们在脑研究领域中迷失了呢？

这一时代见证着人们尝试攻克有史以来科学界最重要的难题之一：如何理解宇宙中最复杂的存在——脑。科学家们不断积累着大量脑结构和功能的数据，涉及各种生物从大到小的脑。成千上万的研究人员投入大量的时间和精力，尝试破解脑是如何运作的，同时发展出了惊人的技术以描述和操纵脑的活动。

如今研究者可以让小鼠记住一种它从未闻到过的气味，或是提高小鼠的记忆力，甚至利用电涌改变人感知面孔的能力。人类和其他物种的脑图正不断详细而复杂起来；研究者可以随意改变一些动物的脑结构来操纵它们；人类掌控脑的能力也不断提升，其中最神奇的莫过于使瘫痪者可以利用意念控制机械臂。

脑科学领域每天都有振奋人心的新发现，我们在探求脑运作机制的道路上充满希望，但也夹杂着危机感，令人咋舌的新技术是否会实现读心术，或用于侦破案件，甚至能将我们的意识上传到电脑中？不断有各异的书籍试图从不同角度解释大脑运作的原理。

但一些神经科学家愈发认为前方的道路不会一帆风顺，我们将何去何从并不明晰，而现在我们仅仅是在不停地收集更多数据，或是指望着新的实验技术振奋士气。德国神经科学家奥拉夫 • 斯鲍恩斯（Olaf Sporns）指出：“神经科学领域依旧缺乏组织性的原理或理论框架来把这些数据转换成基础知识和科学认知。”我们不断地堆积着大量事实，对脑的理解却陷入僵局。

法国神经科学家伊弗斯 • 弗雷格纳克（Yves Frégnac）在2017年表示，现如今流行昂贵的大型实验项目，产生了大量的实验信息，但却是这种信息海啸导致了脑研究的瓶颈。他的话掷地有声：大数据并非知识。

“二三十年前，神经解剖学和神经生理学的知识是相对不足的，但那时候人们认为理解意识相关的过程似乎唾手可得，”弗雷格纳克写道，“现如今，我们淹没在信息海洋中。我们陷入了一种矛盾，各种意义上有关脑的大局理解都将很快陷入被瓦解的困境。每当一个技术性的难题被解决时，我们就打开了一个潘多拉魔盒，人们会看到新的隐藏变量、机制以及非线性，把问题进一步复杂化。”

神经科学家安妮 • 丘奇兰德（Anne Churchland）和拉里 • 阿伯特（Larry Abbott）也强调了将全世界实验室得到的大量数据转换成理论是困难的：“从大量数据中获得深刻的理解，除了需要娴熟而创造性地应用实验技术外，更要推动数据分析方法的长足发展，以及理论概念和模型的广泛应用。”

现在确实有一些理论方法来解释脑的功能，其中包括人脑最为神秘的功能——意识的产生。但这些框架都没有通过实验研究的决定性测试，因此并没有被广泛接受。可能要求更多的理论就有些不切实际了，我们认为脑功能并不可能只有单一的理论，即使对于蠕虫也是如此，毕竟大脑并非单一的事物。（科学家们甚至发现难以对脑做出一个精准的定义。）

对DNA双螺旋的发现者之一弗朗西斯 • 克里克（Francis Crick）来说，脑是一种整合的、进化而来的结构，在进化历史中不同时期出现了不同的结构，以满足不同的需要。现如今的理解可以说是相当片面的，譬如神经科学感觉领域的研究往往关注视觉而非嗅觉，嗅觉方面的研究在概念和技术上更具有挑战性。但嗅觉和视觉的产生原理在计算上和结构上不尽相同。仅仅关注视觉，我们对脑的功能及运作机制的理解就会相当有限。

脑的本质——既是整体的又是复合的——意味着我们的理解不可避免地会陷入碎片化的境地，我们会通过将不同部分的不同解释组合起来以尝试理解脑。丘奇兰德和阿伯特形象地说明了这一点：“我们得到的全局性理解，可能会把一堆高度分散的部分缝合在一起，像是个拼布床单。”

半个多世纪以来，我们研究得到的这些高度分散的碎片往往以“脑的运作机制同计算机相似”这一想法为框架。但这一隐喻在以后的研究中并不一定有效。数字时代初期的1951年，神经科学界的先驱卡尔 • 拉施里（Karl Lashley）曾反对过任何一种以机器为基础的隐喻结构。

“笛卡尔讶异于皇家园林中的机械喷泉人偶，由此发展出了脑运作的水力理论，”拉施里写道，“那之后有了电话理论、电场理论和如今这些基于电子计算机和自动舵的理论。我认为如果想要弄清楚脑的工作原理，还是要研究脑本身和行为现象，而不是那些牵强的物理学类比。”

法国神经科学家罗曼 • 布雷特（Romain Brette）则在对这一隐喻的批判上走得更远：他对脑功能最为基础的隐喻——编码提出了质疑。关于神经元编码的观点问世于20世纪20年代，如今已成为神经科学界主流的观念——在过去十年间有超过11 000篇这一主题的文章发表。布雷特最基本的批评是，在思考“编码”时，研究者会不经意间从技术性视角落入表征视角，前者认为神经元的活动和刺激间存在联系，而后者则直接认为神经元编码代表了刺激。

脑的MRI扫描

这里的言下之意是在大多有关神经编码的描述中，神经网络的活动会被呈现给一个理想的观察者，或一个脑中的“读者”，这一对象常被描述为“下游结构”，它能够以最优的方式解码信号。但实际上我们并不清楚这些结构是如何处理信号的。即使是在神经网络功能的简单模型中，这一点也几乎从未被明确。

神经元编码的步骤往往被看作是一系列的线性步骤——像是一连串的多米诺骨牌接连倒下。但现实中的脑却是由高度复杂的神经网络组成，它们交互联通，并与外界关联影响着行为。仅仅关注于一系列的感觉性和处理性的神经元，而不将这些网络和动物的行为相关联是没有意义的。

如果将脑视作被动接受并处理数据的计算机，那么就是否认脑是一个活动着的器官，一具介入外在世界的身体的一部分，在进化学历史上不断改变塑造自身的结构和功能。匈牙利神经科学家乔治 • 布兹斯基（György Buzsáki）在他的新书《大脑内外》（The Brain from Inside Out）中概述了这一观点，脑并非仅仅被动地接收刺激，再以神经编码的形式呈现之，而是主动地搜寻各种可能以测试众多选项。他得出了这样的结论：脑并不陈述信息，它构建信息。这样的看法可以追溯到19世纪的一些科学家。

神经科学领域的众多隐喻——计算机、编码和电路图等等，不可避免地表现出片面性。这是隐喻的特征，科学家和科学哲学家们为此花费了大量的精力进行研究，隐喻似乎成了科学家们思考的核心。但不可否认，隐喻内涵丰富，值得一探究竟并会有所收获。如果人们通过隐喻得到的收获会超越它施加给我们的限制，那么隐喻是可取的，对于如今有关脑的计算性和表征性的隐喻，我们仍在争论这一隐喻是否达到了这种高度。从历史上来看，这种争论的出现可能预示着我们在计算性隐喻上走到了尽头。但我们无法预测取代它的下一个隐喻会是什么。

科学家们在认识到自己的很多观念被隐喻深深影响后，往往会兴奋地认为新的隐喻会让自己对研究有新的认识，甚至能构想出新的实验方法。但新隐喻绝非唾手可得——过去大多数与脑相关的隐喻总是和新技术的出现相关。这提示新的有关脑及其运作机制的深刻隐喻很可能会取决于新出现的技术，在级别上等同于水力、电话交换机或计算机的技术。现在我们看不到这等新技术出现的任何蛛丝马迹，当然人们用新潮的行话讲述着区块链、量子霸权（或任何与量子相关的概念）、纳米技术等等，但很难想象这些领域会革新技术或我们对脑的看法。

另一迹象表明这些隐喻正在逐渐失去解释性的力量，那就是有一种假设正逐渐为人所接受：神经系统的功能，从最简单的系统到人类意识的出现，只能被解释为一种涌现性——意为无法通过对部分的分析预测到，而是一种涌现出来的系统性功能。

英国心理学家理查德 • 格雷戈里（Richard Gregory）在1981年对此提出异议，认为以涌现理论来解释脑功能提示了一个理论框架上的问题：“涌现的出现告诉我们需要一种更宏观的（或者至少是不同的）概念图式……需要更好的理论来消除涌现。因此用涌现理论的术语进行解释只是一种捏造。”

这种看法忽视了涌现理论的多样性，涌现有强弱之分。弱涌现可以用于说明一群小鱼是如何对鲨鱼做出反应的，这一行为说明了控制组成部分行为的规则。这种情况下，看似神秘的群体行为其实基于个体的行为，而每一个体都对譬如周围个体行为或捕食者出现的外界刺激等因素做出反应。

这种弱涌现没有能力解释即使最为简单的神经系统，更别提人脑，因此我们需要强涌现的帮助。在强涌现理论中，涌现现象不能用个体组分的行为来解释。你和你正在阅读的书页都是由原子组成，但你的阅读和理解能力涌现自体内原子组成的更高级别的结构，像是神经元和神经元冲动的释放——并非单纯如原子间的交互作用。

近来许多神经科学家对强涌现理论提出批评，认为其存在“形而上学上的难以置信”的风险，因为不存在因果机制的证据或任何形式的解释来说明涌现如何发生。一如格雷戈里，这些批评认为依靠涌现对复杂现象做出解释，说明了神经科学正处于历史上的重要关头，正如炼金术向化学的逐渐转变。面临神经科学的未解之谜，我们却只能诉诸涌现理论。这并不意味着无知或愚笨——神奇的深度学习的实现，也无法被编程者完全理解，那么从本质上来说这也就是一种涌现性。

有趣的是，当一些神经科学家被涌现性的形而上学打乱了计划，人工智能领域的研究者却沉迷于这一想法，相信现代计算机或其形成的互联网的纯粹复杂性将会带领我们走向奇点这一令人激动的时刻，那时机器也将拥有意识。

不少人在虚构的作品中探究了这一可能性（此时的情况往往在各种意义上都很糟糕），这一主题确实深深地刺激了大众的想象，撇开我们如今对意识机制一无所知不谈，有理由认为这一时刻在不久的未来终会实现。从原则上看，这一时刻必将到来，因为我们的假设是——意识是物质的产物，因此我们有能力通过一个装置对其进行模拟。但即使最简单的脑的复杂性也让我们如今可以设想的任何机器相形见绌。在未来几十年甚至几世纪，奇点可能只会存在于科幻作品而非科学领域中。

另一个相关的对意识本质的看法则是将脑-计算机隐喻转变为一个严谨的类比。一些研究者将意识看作是基于神经硬件的一类操作系统，这种观点意味着意识是一种特定的计算性状态，可以上传至一些装置或者另一个脑中。但总体来看，这一观点是错误的，或至少来说是一种无望的天真。

唯物主义的有效假设是，从人到虫的任何生物，其脑和意识都是一致的。神经元和基于它们的过程——包括意识——都是相同的。而计算机中的硬件和软件是分开的；但脑和意识的成分——或许最好的描述是湿件，其中发生的任何事件以及发生的位置都完全是相互交织在一起的。

想象我们可以再利用我们的神经系统来运行不同的程序，或将意识上传至一个服务器，这些观念听起来很科学，但潜台词则是一种回到了笛卡尔及之后的非唯物主义观念。这种观念暗示意识以一种漂浮于脑组织中的形式存在，可以转移到不同的头脑中，或是被另一个意识所替换。这些行为可以用“读取一组神经元的状态，并将其写入新的自然或人造物基质中”这样的术语来描述，让其在科学上看起来更体面一些。

但如果要设想如何实践上述观念，我们必须理解远超现如今能够设想的神经元功能，并研发出具有极强计算能力的设备，同时精确地模拟脑的结构。如果要在原则上让这一目标成为可能，我们首先要完全模拟保持单一状态的神经系统活动，更不必说模拟意识中的一个想法。人类如今的技术水平远远达不到这一水平，至少在遥远的将来之前，将意识上传只能被视为一个幻想。

如今，脑-计算机隐喻依旧占主流位置，但针对这一隐喻的强度却有一些争议。2015年，机器人学家罗德尼 • 布鲁克斯（Rodney Brooks）在论文集《哪些科学观点必须去死》（This Idea Must Die）的一篇文章中表达了他对脑-计算机隐喻厌恶至极。更平和一些，但也拥有相似观念的属历史学家莱恩 • 约翰逊（S Ryan Johansson）在20多年前的断言：“花费大量时间去讨论譬如‘脑像一个计算机’这类隐喻正确与否是浪费时间。二者的关系是隐喻性的，意味着是它让我们进一步去做些什么，而不是在诉说真相。”

而另一方面，美国人工智能专家盖瑞 • 马库斯（Gary Marcus）则坚定地维护计算机隐喻：“简言之，计算机是一种系统构架，将输入信息进行编码与处理，并转为输出信息。而在我们能够理解的范围内，脑也是如此行动的。真正的问题并不是脑在本质上是否属于信息处理器，而是脑是如何储存和编码信息，并怎样操作编码后的信息的。”

马库斯继续说明神经科学的任务是脑的“逆向工程”，就像计算机研究者通过检查计算机的组件和连接来破解它的工作方式。这一看法也并非什么全新观念，克里克在1989年表示尽管这一观念很有吸引力，但是它可能会以失败告终，毕竟脑的进化史相当纷繁杂乱——他形象地将其比作逆向破解“外星科技”的工程。他认为尝试从结构开始全面阐释脑的运作机制注定会失败，因为这一出发点就基本上是错误的——其中不存在一个整体逻辑。

计算机的逆向工程常作为一个思想实验在原则上解释应该如何理解脑。可以想象，这些思想实验都相当成功，激励着我们通过这一思路来理解脑袋里这一湿软的器官。但在2017年，两个科学家决定在真正的计算机芯片上进行实验，芯片里具有逻辑和用途明确的组件，但实验的结果却没有那么美好。

二人组——埃里克 • 乔纳斯（Eric Jonas）和康拉德 • 科丁（Konrad Paul Kording）使用常规用于分析脑的技术，对MOS6507处理器进行分析，该处理器见于20世纪70年代后期和80年代早期的机器上，可以运行《大金刚》（Donkey Kong）和《太空侵略者》（Space Invaders）这类电子游戏。

他们首先扫描了芯片中的3510增强型晶体管，并在现代计算机上模拟该设备（包括运行10秒钟的游戏程序）来获得芯片的连接组。之后他们利用各类神经科学技术，例如“损伤”（移除模拟程序中的一些晶体管），分析虚拟晶体管的“尖峰”活动并研究其连通性，通过启动每一款游戏的能力来观察不同的操作对系统行为的影响。

尽管他们配制了强大的分析库，并且这一芯片的运作机制清晰（技术层面上来说具有“地面实况”），该研究并没有测量到芯片内部处理信息的层次体系。按乔纳斯和科丁的说法，该技术不足以产生“有意义的理解”。这一结论像是泼了冷水：“总之，并非神经科学家们无法理解一个微处理器，而是目前采用的方法不足以理解它。”

这一结果令人清醒过来，尽管计算机隐喻相当引人入胜，脑也确实处理信息并通过一些手段来表征外部世界，我们仍然需要一些划时代的理论突破才能取得进展。即使脑以逻辑行运作（虽然事实并非如此），现如今的概念和分析工具仍然完全不足以解释它。当然这并不意味着一些模拟项目毫无意义，通过建模（或模拟）的手段，我们可以检测假设，并通过将模型和可精细操纵的完善系统相连接，来一探真实情况下脑的运作方式。这一工具相当强大，但在说明研究成果时仍需要保持谦逊的态度，且在寻求类脑的人工系统的道路上，面对困难时仍要现实一些。

当研究者想一探脑的存储容量时，都会遇到一些难以解决的问题。这类计算充满了概念和实践上的困难。脑的存在是自然的、进化而来的一种现象，并非电子设备。尽管有人会反驳说证据表明一些脑的功能定位于特定区域，正如一台机器。但随着神经解剖学持续的新发现：脑区间存在令人始料未及的联系；从失去理应具有某一特定功能的脑组织后依旧在功能上表现正常并体现出脑惊人的可塑性来看，这些证据也不再可靠。

实际情况下，脑和计算机的结构是完全不同的。2006年，拉里 • 阿伯特（Larry Abbott）发表了一篇题为《它的开关何在？》（Where are the switches on this thing?）的文章，探讨了电子设备中最基础的组成部分——开关可能的生物物理学基础。尽管抑制性突触能够让下游的神经元无反应而改变神经元的活动，但这类交互作用在脑中相对较少。

神经元并非一个组成线路图的二进制开关，能够被开或关。相反，神经元通过类似的方法对刺激做出反应，其活动随着刺激的改变而改变。神经系统通过改变神经网络中大量细胞的活动模式来做出改变，真正实现活动导向、转换和分流的是这些网络。不同于我们设想的任何设备，这项网络的结点并非像是晶体管或阀门的稳定点，而是成组的神经元——数以百计、成千上万的大量神经元，它们能够持续作为一个网络做出一致的应答，即使其中的一些细胞有不一致的活动。

如今的“逆向工程”技术甚至无法正确理解Atari控制芯片，更不必说人脑了

但如今仍然无法理解即使最简单的这类网络。布兰代斯大学的神经科学家伊芙 • 马德尔（Eve Marder）花费了她职业生涯的很长时间试图破解龙虾胃中的几十个神经元是如何产生具有节律的研磨运动。尽管在其中投入了大量精力并做出了许多创新性的工作，我们仍然无法预测在这一个小小的网络中，如果改变其中一个组件会发生什么。而这一小小网络甚至谈不上是最简单的脑。

这是我们要解决的大问题。一个层面上来说，脑由神经元及一些其他细胞组成，它们相交互组成网络，其活动不仅受到突触活动的影响，而且与神经调质等各类因素相关。在另一层面，脑的功能很显然包括了种群水平上神经元活动的复杂动态模式。笔者猜想在这两个水平间找到关联会是21世纪的一大难题。而真正理解精神疾病的本质会是更遥远的难题。

也并非所有神经科学家都持有悲观的态度——一些乐观者认为应用新的数学方法能够让我们理解人脑中的大量连接。而持有另一种看法者，如笔者本人，则认为应该研究动物模型，关注蠕虫或蛆虫的小脑袋，利用成熟的方法寻找简单系统的运作机制后，再推进到复杂的情况。还有许多神经科学家（如果他们考虑了这一问题）认为脑研究的进展将会是琐碎而缓慢的，因为现在还看不到关于脑的大一统理论。

破解大脑是人类科技探索的圣杯，一直以来，人类就用各种类比来研究大脑。比如，笛卡尔曾经用机械喷泉来比拟人脑机制，而最近关于人脑的类比是电脑。几十年来，这个东西一直都是神经科学占据主导地位的隐喻。但是这种想法会不会导致我们一直都误入歧途呢？ 曼彻斯特大学动物学教授Matthew Cobb提出了他的质疑，并且对大脑研究的未来进行了设想。原文发表在卫报上，摘自他的新书《The Idea of Brain》，标题是：Why your brain is not a computer。篇幅关系，我们分两部分刊出，此为上半部分。

为什么说大脑不是电脑？（下）

了解大脑

人类正进行着最伟大的一项科学壮举之一——尝试去了解宇宙当中最复杂的一个东西，大脑。从最小的大脑到我们的大脑，科学家们正在从大量的大脑当中积累有关其结构和功能的大量数据。成千上万的研究人员投入了大量的时间和精力来思考大脑的功能，而惊人的新技术正让我们可以描述和操纵这种活动。

现在，我们可以让老鼠记住一些自己从未闻到过的气味，将一个记性不好的老鼠变成好记性，甚至可以用电涌来改变大家对面容的感知。我们在绘制越来越详细、越来越复杂的人类以及其他生物的大脑功能图。对于某些物种，我们可以随意改变其大脑结构，从而改变其行为。我们日益精通这门手艺会产生哪些意义深远的影响呢？从我们能够让瘫痪者利用意念控制机械臂可以管中窥豹。

每一天，我们都会了解到新发现，这些发现揭示了大脑的工作方式，以及能让我们做一些离奇事情——类似读心术检测犯罪或甚至上传思想到电脑等——的新技术的希望（或威胁）。解释大脑机制的书层出不穷，每一本的解释都不一样。

但是，一些神经科学家却愈发认为我们的未来之路尚不明朗。除了收集了更多的数据或依靠最新的、令人兴奋的实验方法以外，很难看出接下来的路应该怎么走。正如德国神经科学家Olaf Sporns 所说那样：“在很大程度上，神经科学仍然缺乏组织原则或理论框架，没法将大脑数据转换为基本知识和理解。” 尽管积累了大量事实，但我们对大脑的了解似乎正在陷入僵局。

2017年，法国神经科学家Yves Frégnac 把关注重点放在到昂贵的大型项目里面去收集海量数据的流行做法，他指出，这些项目产生的数据海啸导致了重大瓶颈的出现，就像他所说的那样，可悲的是，“大数据不是知识”。

Frégnac 写道：“仅仅20到30年前，神经解剖学和神经生理学的信息还相对匮乏，但了解与思维有关的过程似乎已触手可及。今天，我们被淹没在信息的海洋里面。自相矛盾的是，我们对大脑的共同理解反而面临着被这股浪潮冲刷掉的严重危险。对技术障碍的每一次克服，都会通过揭示隐藏的变量、机制和非线性，以及增加新的复杂性而打开了一个潘多拉盒子。

神经科学家Anne Churchland与Larry Abbott也强调了我们在解释世界各地实验室所产生的大量数据时遇到的困难：“要想从这种猛扑的做法获得深刻的洞察，除了要熟练和创造性地运用实验方法以外，还需要技术、数据分析方法取得重大进展以及理论概念和模型的广泛应用。”

关于大脑功能，包括人类大脑可以做的最神秘的一件事情——产生意识，确实有一些理论方法。但是这些框架都没有得到广泛接受，因为通过实验研究的决定性测试还没有。再三呼吁更多的理论出现可能只是个虔诚的希望。这么说吧，哪怕是蠕虫，也没有单一的关于大脑功能的理论，因为大脑并不是一个整体。（科学家甚至发现对大脑的确切定义提出建议都很难。）

就像DNA双螺旋结构的共同发现者弗朗西斯·克里克（Francis Crick）所观察到的那样，大脑是一个完整的，进化的结构，大脑的不同部位是一点点地在不同的进化时刻出现的，是为了适应解决不同问题的需要。我们目前对所有大脑功能的理解都是非常局限的——比方说，大多数神经科学感官研究都集中在视觉而不是味觉上。从概念上和技术上来说，味觉研究都更具挑战性。但是嗅觉和视觉的工作机制是不一样的，无论从计算上还是结构上都不一样。因为我们的焦点放在视觉上，所以我们对大脑的功能及其作用方式的理解非常有限。

大脑的本质（即整合又复合）可能意味着我们将来对它的理解不可避免会变得支离破碎，并且这种理解将由对不同部分的不同解释组成。Churchland和Abbott把这个潜在影响说得很清楚：“对大脑的整体理解可能会是高度多样化的镶嵌形式，把一块块的小碎片拼凑成碎布床单。”

大脑就像电脑？

大约半个多世纪以来，我们研究的所有这些拼凑而成的高度多样化的碎布片，都是通过把大脑的过程想象为某种在计算机处理的事情来进行的。但这并不意味着这种隐喻还将继续见效。在数字时代伊始的1951年，神经科学的先驱Karl Lashley就反对使用任何基于机器的隐喻。

Lashley写道：“笛卡尔对皇家花园里面那些的机械喷泉人物印象深刻，并形成了自己有关大脑活动的水力理论。从那以后，我们有了电话理论，电场理论，以及现在基于计算机器与自动舵的理论。我认为，跟沉迷于牵强附会的物理类比相比，研究大脑本身以及行为现象更有可能了解大脑的工作原理。”（编者注：笛卡尔在《论人》中把人的身体跟机械喷泉做比较）

法国神经科学家Romain Brette最近甚至进一步摒弃了这种隐喻，他向代表大脑功能的一个最基本的隐喻：编码发起了挑战。自从1920年代问世以来，神经代码的思想就一直是神经科学思想的主导——在过去10年的时间里，有关这一主题的论文发表了超过11000篇。Brette质疑的一个基本点是，因为在用“代码”去思考时，研究人员无意间从技术意义转移到表征意义，前者考虑的是刺激与神经元活动之间的关联，而后者考虑的是代表这一刺激的神经代码。

在大多数关于神经编码的描述里面，有一个东西是没有明说的，那就是神经网络的活动会展现给给大脑里面一个理想的观察者或读者，这个东西通常被描述为“下游结构”（downstream structure），它利用用最优方式对信号进行解码。但是，哪怕是在简单的神经网络功能模型里面，此类结构究竟是如何处理这些信号的依然未知，也很少有明确的假设。

对大脑的MRI 扫描。

对神经代码的处理通常被视为一系列的线性步骤——就像倒下的多米诺骨牌一样。但是，大脑是由高度复杂的神经网络组成，这些神经网络相互连接，并跟外界关联去影响动作。把关注焦点集中在一系列感官和神经元处理上而不是把这些网络跟动物的行为联系起来，这样其实忽略掉了所有这些处理都是为什么。

我们把大脑看作是一台被动响应输入和处理数据的计算机，却忘了它是一个活跃的器官，是我们身体介入世界的一部分，有塑造其结构和功能的进化史。匈牙利神经学家Gyrgy Buzsáki在他的新书《The Brain from Inside Out》概要描述了对大脑的这种看法。按照Buzsáki的说法，大脑不仅仅是被动地接受刺激并用神经代码去表示那些刺激，而且还会积极地寻找替代的可能性来测试各种选择。他的结论（类似看法可追溯到19世纪）是，大脑所为不是表示信息：而是构造信息。

神经科学的隐喻——计算机、编码、电路图等——这些东西必然是局部性的。这就是隐喻的本质。科学哲学家和科学家对隐喻进行了深入研究，因为隐喻似乎对科学家的思维方式至关重要。但是隐喻也是丰富的，是可以用来洞察和发现的。当它们所给予的理解胜过所施加的限制时，用隐喻是可以的，但大家对大脑的计算性和表征性隐喻其实并没有达成共识。从历史的角度来看，对大脑的隐喻之争还在进行这一事实表明，我们确实可能正在接近计算性隐喻的终结。但是，代替它的又会是什么呢？现在还不清楚。

当科学家意识到隐喻的使用如何塑造了自己的观点时，常常会感到非常兴奋，因为这说明用新的隐喻也许会改变他们对自己工作的理解，甚至能让他们构思出新的实验。不过提出这些新隐喻是个挑战——过去跟大脑有关的大多数隐喻都跟新技术相关。这可能意味着对大脑有洞察力的，可与水力、电话交换或者计算机隐喻相提并论的新隐喻的出现，以及这种隐喻如何发挥作用，要取决于未来的技术突破。目前还没有出现这种隐喻的迹象。尽管最新的流行术语如区块链、量子霸权（或量子XX）、纳米技术等等也很热，但这些领域不太可能变革技术或改变我们对大脑功能的看法。

解释不了的东西就叫涌现

有一个迹象表明我们的隐喻可能已经失去了它的解释功效，那就是我们的一个普遍假设是，从简单的系统到人类意识的出现，神经系统所做的许多事情都只能解释为涌现性（emergent properties）——没法通过分析组成部分来预测，而是作为整体涌现出来的东西。

1981年，英国心理学家Richard Gregory认为，靠涌现来解释大脑功能说明了这种理论框架存在一个问题：“‘涌现’的出现很可能是一个迹象，表明我们需要一个更普遍的（或至少不一样）的概念图式…好的理论应该能够避免涌现的出现。（因此，对涌现的解释也是假的。）”

但这个忽视了一个事实：涌现有强弱之分。弱涌现特征，比方说一群小鱼为了躲避鲨鱼的移动，可以理解为控制组件行为的规则。在这种情况下，看似神秘的群体行为是基于个体行为做出的，而每一个个体的行为都会对类似旁边的个体的移动或外界刺激（例如掠食者的逼近）等因素做出反应。

这类弱涌现连哪怕是最简单的神经系统的活动都解释不了，更不要说大脑的机制了，因此我们只能指望强涌现了，也就是涌现无法靠个体组件的活动解释的现象。你和你正在看住的这页书都是由原子组成的，但是你却可以阅读和理解。这种能力源自人体的原子所形成的更高层次的结构所涌现出来的特征，比方说神经元及其点火模式，而不仅仅是靠原子的相互作用。

强涌现最近被一些神经科学家非难，称其在“形而上学上有不像真实”的风险，因为对于涌现是如何产生的并没有明显的因果机制，也没有任何的解释。就像Gregory一样，这些批评家声称，靠涌现来解释复杂现象表明神经科学正处关键的历史关头，这种转变有点类似于从炼金术向化学的缓慢转变。但是面对神秘的神经科学，涌现往往是我们唯一的手段。而且，涌现也不至于有那么的蠢——从本质上来说，深度学习程序的惊人特性，也就是它们的设计者无法从根本上对其作出解释这一点其实就是涌现的属性。

有趣的是，虽然一些神经科学家对涌现的形而上学感到困扰，但人工智能的研究人员对这种想法却十分迷恋，他们认为现代计算机的纯粹复杂性，或者说通过互联网的互连性，会导致被称为奇点的事物出现。机器会变得有意识。

对于这种可能性已经进行过许多虚构上的探索（结局对各方来说往往都非常糟糕），这个主题无疑激发了公众的想象力，但是除了我们对意识的机制的无知之外，没有任何理由认为这件事情会发生在不远的将来。从原则上来讲，这必须是可行的，因为意识是物质的产物是有效假设，因此我们应该可以用设备去模仿。但是，哪怕是最简单的大脑，其复杂程度也令我们目前可以想象的任何机器相形见拙。在未来数十年（乃至数百年）的时间里，奇点都只能属于科幻小说而非科学。

有关意识本质的一个相关观点把大脑即计算机的隐喻变成了一种严格的类比。一些研究人员把思维看作是在神经硬件上实现的一种操作系统，这意味着我们的思维被看作是一种特定的计算状态，可以上传到某些设备上或另一大脑里面。这种表示方式是错误的，或者充其量是幼稚到了无可救药的地步。

唯物主义的有效假设是，人类、蛆虫以及其他所有事物的大脑和思想都是一样的。神经元及其支持的过程——包括意识在内——都是一样的东西。在计算机里面，软件和硬件是分开的。但是，我们的大脑和思想是由（最好是描述为）湿件的东西组成，也就是发生的事情和地点完全是交织在一起的。

想象一下，假设我们可以重新调整我们的神经系统，让其运行不同的程序，或者把我们的思想上传到服务器上，这听起来似乎符合科学的，但是隐藏在这个想法背后的，却是一种非唯物主义的观点，这种观点甚至可以追溯到笛卡尔及其以后。这种观点暗示着我们的思想实际上是漂浮在我们的脑海里面的，并且是有可能被转移到另一个头脑里面，或者被另一个思想取代的。这种想法可以佯装成读取一组神经元的状态，然后把它写入到新的有机或人工的基质上，让它看起来具有科学上的体面。

但是，哪怕光是想象一下这种想法的实现，就会发现这不仅需要理解数量远远超出了我们目前可以想象的范围的神经元的功能，而且还需要庞大到不可思议的计算能力以及对大脑结构的精确模拟。要想让这件事哪怕在原则上成为可能，我们也首先需要完全能模拟可保持单一状态的神经系统的活动，模拟想法更是想都不要想了。我们离迈出第一步还很遥远，以至于至少在很远的将来，上传你的思想的可能性都可以被看作是幻想。

脑科学作为人类科学的最后前沿已取得重大发展。但截至目前，我们仍对大脑的诸多奥秘一知半解。是否可以将我们的大脑比拟为一台超级计算机？脑机接口的未来将如何发展？

人类的大脑是自然界最复杂的物体，研究人员已投入大量时间与精力来探索大脑。

目前，科学家们已经揭示了大脑的基本工作方式，最新技术已经可以操纵小鼠的大脑，让小鼠记忆此前从未嗅过的气味，甚至改变小鼠大脑里糟糕的记忆，转化为美好记忆；还可以利用脑电波改变人们对面部的感知；甚至让一个瘫痪的人用意念控制机械臂。

这些新技术带来了无限想象，可以让我们读懂人的心理、侦察罪犯，甚至将大脑与计算机互联。

但受限于大量无法分析的数据，探索大脑的未来道路并非坦途。正如德国神经学家奥拉夫·斯庞斯 (Olaf Sporns) 所言：“神经科学仍缺乏将大脑数据转化为基础知识的理论框架。”

神经科学家阿内·丘奇兰德 (Anne Churchland) 与拉里·艾勃特 (Larry Abbott) 也强调分析大量数据时困难重重，“除了需要实验技巧与创新技术，还需要大量先进的数据分析方法和理论概念模型。”

此外，大脑功能也非单一理论。正如 DNA 双螺旋结构的共同发现者弗朗西斯·克里克 (Francis Crick) 所发现的，大脑是一个完整进化的结构，其各个部分在不同时刻进化，分别对应解决不同问题 。

目前，人们对大脑如何工作的理解也较为片面。许多神经科学的感官研究更关注视觉而非嗅觉，因为嗅觉在概念和技术方面都更具挑战性。但嗅觉与视觉的工作方式无论在计算还是结构方面都迥然不同。如果仅仅研究视觉，我们对大脑功能及其运作方式的理解将十分有限。

大脑功能与程序编码

将大脑比拟为计算机的说法一直主导着神经科学领域。据统计，仅在过去十年间，就有超过 1.1 万篇该主题相关论文发表。

事实上，1951 年数字时代揭开序幕之时，神经学先驱卡尔·拉什利 (Karl Lashley) 就已反对将大脑比喻为机器。拉什利写道，“我认为，人们更可能通过研究大脑本身与其行为现象来了解大脑如何工作，而非沉溺于牵强附会的物理类比之中。”

法国神经学家罗曼·布雷特（Romain Brette）进一步驳斥了将大脑功能类比为程序编码的说法。布雷特认为，在考虑 “编码” 时，研究人员已将一种技术意义（即刺激与神经元活动之间存在的联系）转向了一种表征意义（即神经元编码代表该刺激）*。

大多数神经编码的隐含意义为，神经网络活动主要呈现给大脑中的理想观察者，通常称为 “下游结构”，它能以最佳方式解码信号。但这些结构处理信号的方式未知，甚至在简单神经网络功能模型中也鲜有明确假设。

处理神经代码通常为一系列的线性步骤，就像多米诺骨牌一样一个接一个地倒下。但 大脑由高度复杂的神经网络组成，这些神经网络相互联系，并与外界互联产生作用。如果只关注神经元，不将神经网络与动物行为联系起来，就会错过处理的要点。

大脑的 MRI 扫描图像

匈牙利神经学家吉尔吉·布扎萨基（Gyorgy Buzsaki）在其新书《由内而外的大脑》(the brain from Inside Out) 中概述，大脑并非简单地被动吸收刺激并通过神经编码来表达，而是积极地以各种可能性寻找并测试潜在选择。他的结论是，大脑并不代表信息，而是构造信息。

大脑意识上传或转移

一些研究人员认为，思维是一种可以在神经硬件上实现的操作系统。换而言之，思维被视为一种特定计算状态，可以上传到某个设备或另一个大脑之中。

唯物主义假设，人类的大脑和思维与其他事物相同，神经元及其支持的过程（包括意识）共存。计算机中的软硬件相互分开，但大脑与思想是由湿件（软件、硬件以外的 “件”）组成的，且相互交织。

想象一下，我们可以改变神经系统并运行不同程序，还能把思想上传到服务器上。这听起来很科幻，但其背后隐含的却是一种非唯物主义观点，可追溯到笛卡尔时代甚至更早之前，即思想以某种方式浮现在人脑之中，可以转移到另一个大脑，或者被另一个大脑取代。

事实上，通过解读一系列神经元的状态，并将其写入新的有机或无机基质中，这种有点唯心主义的想法，就披上了一层科学的外衣。

在想象大脑如何工作时，我们不仅需要理解神经元功能，还需要强大的计算能力并精确模拟大脑结构。因此，首先要完全模拟一个能维持单一状态的神经系统，但目前整个人类文明离迈出这一步还很远。

在芯片上模拟神经科学

在科幻电影中，面对不是一个级别的 “外星科技”，人类科学家只能通过反向工程进行拆解研究，以期能获得零星收获。面对复杂的人类大脑，反向工程也成为破解出大脑运行策略，以及将其转换成可为机器所用算法的有效手段。

2017 年，神经科学家埃里克·乔纳斯（Eric Jonas）与康拉德·柯丁（Konrad Kording）决定在真正的计算机芯片上进行实验，运用数据分析方法进一步了解人脑。他们将分析大脑的技术应用于上个世纪 70 年代末 80 年代初的 MOS 6507 处理器，该处理器可以运行 “太空入侵者” 等游戏。

首先，通过扫描芯片上的 3510 个增强型晶体管获得芯片连接体，再在一台现代计算机上模拟该设备，包括运行 10 秒游戏程序。然后使用各种神经科学技术，模拟 “病变”(从仿真设备中删除晶体管），分析虚拟晶体管的活动并研究其互联性。同时通过运行不同游戏，观察各种操作对系统行为的影响。

尽管部署了强大的分析工具，且能明确解释芯片的工作原理，但这项研究仍未能检测出芯片内部的信息处理层次结构。正如乔纳斯和柯丁所言，这些技术并不能对研究人脑产生 “有意义的理解”，所得出的结果较为悲观。

这一实验结果也表明，我们仍需重大理论突破才能在人脑研究领域取得进展。现有概念与分析工具仍无法解释人脑奥秘。但该模拟实验并非毫无意义，至少通过实验我们已经可以测试假设，并将模型与可精确操作的成熟系统相联系。

事实上，大脑与计算机的结构完全不同。2006 年，拉里·艾勃特 (Larry Abbott) 在 《此设备的开关在哪里？》一文中称，他探索了电子设备中最基本组成部分（开关）的潜在生物物理基础。虽然抑制性突触可以通过让下游神经元失去反应而改变神经活动流向，但这种相互作用在大脑中较为少见。

神经元并非一个可以打开或关闭，并形成接线图的二进制开关。与此相反，神经元以类似方式做出反应，再随着刺激的变化而改变活动。神经系统主要通过改变大量单元组成的细胞网络激活模式来改变工作方式，其网络节点不是晶体管或电子管那样的稳定节点，而是成千上万组能随着时间推移对网络作出持续响应的神经元。

这是一个亟待解决的重要问题。大脑由神经元与其他细胞组成，在神经网络中相互作用，其活动不仅受突触活动影响，还与神经调节因子等多种因素有关。此外，人脑的功能也涉及神经元的复杂动态模式。

或许就在不久的将来，各种脑机实验将会取得突破性进展，理论家也将破解所有大脑功能并揭示其功能原理。

人类大脑：究竟是不是一台计算机？通过算法来学习？AI找到了答案

虽然深度神经网络是一个获得巨大成功的学习算法，但其在生物大脑中并不适用。研究人员正在寻找其他可能的方法。

研究人员正在通过研究人工深度网络中的算法，对生物神经元网络如何学习的过程有了更多的了解

2007年，深度神经网络背后的一些主要科学家，在人工智能年会期间组织了一次非正式的“卫星”会议。然而，此次会议曾拒绝了他们召开正式研讨会的请求；这是距离深度神经网络——接管人工智能还有几年的时间。这次非正式会议的最后一位发言人是多伦多大学的杰弗里·辛顿（Geoffrey Hinton），他是认知心理学家和计算机科学家，负责深网领域的一些重大突破。他以一句俏皮话开始："大约一年前，我回家吃晚饭的时候，我对家里人说'我想我终于弄明白了大脑的工作原理' 。而我15岁的女儿调侃道，'别了老爸，别再这样了，你都说了这句话快10年了'。"

观众们都笑了起来。辛顿（Hinton）继续说："你看，这就是她的工作原理。（我已经明白她会这么说）" 更多的笑声接踵而至。

辛顿（Hinton）的这一笑话掩盖了一个严肃的理想目标：用人工智能（AI）来理解大脑。如今，深网统治了人工智能，其部分原因是由于一种叫做反向传播（backpropagation）的算法，或称backprop的算法。该算法使深网能够从数据中学习，赋予它们分类图像、识别语音、翻译语言、理解自动驾驶汽车的路况，以及完成其他一系列任务的能力。

但真正的大脑不太可能依赖于相同的算法。蒙特利尔大学的计算机科学家、魁北克人工智能研究所的科学主任、2007年研讨会的组织者之一约书亚·本吉奥（Yoshua Bengio）认为，这不仅仅是因为 "大脑能够比最先进的人工智能系统，更好更快地进行概括和学习"。由于各种原因，反向传播算法（Backpropagation）与大脑的解剖学和生理学不兼容，特别是在大脑皮层方面。

多伦多大学的认知心理学家和计算机科学家杰弗里·辛顿（Geoffrey Hinton）负责深度神经网络技术的一些重大突破，包括反向传播的发展。

本吉奥（Bengio）和许多其他受辛顿（Hinton）启发的人一直在思考更具生物学意义的学习机制，至少可以与反向传播的成功相匹配。其中就有三种——反馈对齐、平衡传播和预测编码，已经显示出特别广阔的应用前景。一些研究人员还将某些类型的大脑皮质神经元和注意力等过程的特性纳入其模型中。所有这些努力都使我们更接近于理解可能在大脑中起作用的算法。

通过反向传播算法（Backpropagation）进行学习

几十年来，神经科学家关于大脑如何学习的理论，主要是以加拿大心理学家唐纳德·赫布（Donald Hebb）在1949年提出的一条规则为指导——这条规则通常被解释为 "神经元一起发射，就会相互连接"。也就是说，相邻神经元的活动关联性越大，它们之间的突触连接就越强。这一原则，经过一些修改，成功地解释了某些有限类型的学习和视觉分类任务。

但对于那些必须从错误中学习的大型神经元网络来说，它的效果就差得多了；对于网络深处的神经元来说，没有直接针对性的方法来学习发现的错误，更新自己并减少犯错。斯坦福大学的计算神经学家和计算机科学家丹尼尔·亚明斯（Daniel Yamins）认为：“赫布理论是一种非常狭隘、特殊且不太敏感的错误信息使用方式。”

尽管如此，它仍是神经科学家所使用中最好的学习规则，甚至在它主导神经科学之前，它就启发了20世纪50年代末第一批人工神经网络的发展。这些网络中的每个人工神经元都会接收多个输入，并产生一个输出，就像它的生物对应物一样。神经元将每个输入乘以一个所谓的“突触”权重（一个表示该输入重要性的数字），然后将加权输入相加。这个总和就是神经元的输出。到了20世纪60年代，人们清楚地看到，这种神经元可以组织成一个具有输入层和输出层的网络，并且可以训练人工神经网络来解决某一类简单的问题。在训练过程中，神经网络为其神经元确定了最佳的权重，以消除或减少错误。

然而，即使在20世纪60年代，解决更复杂的问题——显然需要一个或多个 "隐藏 "层的神经元夹在输入层和输出层之间。没有人知道如何有效地训练具有隐藏层的人工神经网络——直到1986年，辛顿（Hinton）、已故的大卫·鲁梅尔哈特（David Rumelhart）和罗纳德·威廉姆斯（Ronald Williams，现就职于美国东北大学）发表了反向传播算法（Backpropagation）。

该算法分两个工作阶段。在 "向前 "阶段（forward phase），当网络得到一个输入时，它推断出一个输出，但这个输出可能是错误的。第二个 "向后 "阶段（backward phase）更新突触权重，使输出更符合目标值。

为了理解这个过程，可以考虑一个 "损失函数"，它描述了作为丘陵和山谷景观的推断输出和期望输出之间的差异。当一个网络用一组给定的突触权重进行推理时，它最终会在损失景观的某个位置。为了学习，它需要沿着斜坡或梯度向某个山谷移动，在那里损失尽可能地最小化。反传播算法就是一种更新突触权重以降低梯度的方法。

为什么称为反向传播算法？

从本质上讲，算法的后向阶段计算每个神经元的突触权重对误差的贡献有多大，然后更新这些权重以提高网络的性能。这种计算从输出层到输入层依次向后进行，因此被称为反向传播。对于输入和期望输出的集合反复进行这种操作，最终你会得出整个神经网络可以接受的权重集。

对大脑来说，这种算法是不可能实现的

反向传播算法的发明立即引起了一些神经科学家的强烈抗议，他们说这种方法永远不可能在真实的大脑中发挥作用。最著名的反对者是弗朗西斯·克里克（Francis Crick），这位获得诺贝尔奖的DNA结构的共同发现者，后来成为一名神经科学家。1989年，克里克写道："就学习过程而言，大脑实际上不太可能使用反向传播算法。"

反向传播算法被认为在生物学上是不可信的，主要有几个原因。首先，虽然计算机可以很容易地分两个阶段实现该算法，但对生物神经网络来说，这样做并不简单。第二个原因是，计算神经科学家所说的权重传输问题：反向传播算法复制或 "传输 "有关推理中涉及的所有突触权重的信息，并更新这些权重以获得更高的准确性。但在生物网络中，神经元只看到其他神经元的输出，而看不到形成该输出的突触权重或内部过程。从神经元的角度来看，"知道自己的突触权重是可以的。"亚明斯（Yamins）说，"真正不可行的是，你要知道其他神经元的一组突触权重。"

任何生物学上可信的学习规则，也需要遵守这样的限制：神经元只能从邻近的神经元获取信息；反向传播算法可能需要从更远的神经元获取信息。所以，"如果你把反向传播算法看得很透彻，大脑似乎不可能计算出来。"本吉奥（Bengio）说

尽管如此，辛顿（Hinton）和其他几个人还是立即接受了挑战，致力于研究反向传播的生物学上合理的变化。"第一篇论证大脑会做（类似于）反向传播的事情的论文大约和反向传播本身一样古老。"宾夕法尼亚大学的计算神经科学家康拉德·科丁（Konrad Kording）说。在过去的十几年里，随着人工神经网络的成功，使其在人工智能研究中占据了主导地位，为反向传播寻找生物等价物的努力也在加强。

保持更逼真的生命力

以权重传输问题最奇怪的解决方案之一为例——由伦敦谷歌DeepMind的蒂莫西·利利克拉普（Timothy Lillicrap）和他的同事在2016年提供。他们的算法，不是依靠前向传递记录的权重矩阵，而是使用一个用随机值初始化后向传递的矩阵。一旦分配，这些值永远不会改变，所以每次向后传递都不需要传输权重。

令几乎所有人惊讶的是向，这一神经网络AI尽然学会了。因为用于推理的前向权重在每次后向传递时都会更新，所以神经网络仍然在下降损失函数的梯度，但路径不同。前向权重与随机选择的后向权重值慢慢对齐，最终得出正确答案，该算法因此得名：反馈对齐算法。

"事实证明，实际上，这并不像你想象的那样糟糕。"亚明斯（Yamins）说——至少对于简单的问题是这样。对于大规模的问题，以及对于有更多隐藏层的深层网络，反馈对齐的效果不如反向传播算法。因为每一次对前向权重的更新，都不如真正的反向传播信息准确，所以需要更多的数据来训练网络。

蒙特利尔大学（universityofmontreal）的人工智能研究员和计算机科学家约书亚·本吉奥（Yoshua Bengio）是寻求学习算法的科学家之一，这些算法与反向传播（backpropagation）一样有效，但在生物学上更可信。

研究人员还探索了如何匹配反向传播算法的性能，同时保持经典的赫布理论(Hebbian)学习要求，即神经元只对其局部邻居作出反应。反向传播算法（Backprop）可以被认为是一组神经元进行推理，另一组神经元进行更新突触权重的计算。辛顿（Hinton）的想法是研究算法，每个神经元同时进行两组计算。“这基本上就是杰夫（Geoff）2007年演讲内容的复刻。”本吉奥（Bengio）说。

在辛顿（Hinton）工作的基础上，本吉奥（Bengio）的团队在2017年提出了一个学习规则，需要一个具有循环连接的神经网络（即如果神经元A激活神经元B，那么神经元B反过来激活神经元A）。如果这样一个网络被给予一些输入，它会使网络产生回响，因为每个神经元都会对其近邻的推拉做出反应。

最终，网络达到一种状态，在这种状态下，神经元与输入和彼此处于平衡状态，并产生一个输出，但这个输出可能是错误的。然后，算法会将输出神经元向所需的结果推移。这使得另一个信号通过网络反向传播，引发类似的动态。网络找到了一个新的平衡点。

“数学的美妙之处在于，如果你比较这两种配置，在轻推之前和之后，你已经得到了你需要的所有信息来寻找梯度。”本吉奥（Bengio）说。训练网络只需要在大量的标记数据上重复这个 "平衡传播 "的过程。

预测感知

神经元只能通过对其本地环境做出反应来学习的约束，也在大脑感知的新理论中得到了体现。贝伦·米里奇（ Beren Millidge）是爱丁堡大学的博士生，也是萨塞克斯大学的访问学者，他和他的同事们一直在调和这种新的感知观点——所谓的预测编码，和反向传播的要求。米里奇（Millidge）认为：“如果预测编码，是以某种方式建立起来的，它将为你提供一个生物学上合理的学习规则。”

预测编码认为，大脑不断地对感觉输入的原因做出预测。这个过程涉及分层的神经处理层。为了产生某种输出，每一层都必须预测下面一层的神经活动。如果最高层期望看到一张脸，它就会预测下面一层的活动，可以证明这种感知的合理性。下面的一层也会对其下面的一层的预期做出类似的预测，以此类推。最底层预测实际的感觉输入——比如说，落在视网膜上的光子。通过这种方式，预测从上层流向下层。

赫布理论（Hebbian）是一种非常狭隘的、特殊的、不是很敏感的使用误差信息的方式。——丹尼尔·亚明斯（Daniel Yamins），斯坦福大学

但在层次结构的每一层都可能出现误差：一个层对它所期望的输入所做的预测与实际输入之间的差异。最底层根据收到的感觉信息，调整其突触权重，以最小化其误差。这种调整会导致新更新的最低层和上面的层之间产生误差，所以更高的层必须重新调整其突触权重，以最小化其预测误差。这些错误信号会向上波及。网络反反复复移动，直到每一层都将其预测误差最小化。

米里奇（Millidge）已经证明，如果设置得当，预测编码网络可以在与反向传播算法基本相同的学习梯度上收敛。他说：“你可以非常，非常，非常接近反向传播算法的梯度。“

然而，对于传统的反向传播算法在深度神经网络中进行的每一次向后传递，预测编码网络都需要多次迭代。这在生物学上是否合理，取决于这在真实大脑中可能需要多长时间。最关键的是，网络必须在外部世界的输入发生变化之前，收敛到一个解决方案。

米里奇（Millidge）说：“这不可能是‘我有一只老虎在向我扑来，让我在大脑上下来回做100次迭代。’”。尽管如此，他认为i，如果一些不准确是可以接受的，预测编码可以很快得到普遍有用的答案。

金字塔神经元

一些科学家根据单个神经元的已知特性，开始着手建立类似于反向传播算法的细枝末节的工作。标准神经元有树突，可以从其他神经元的轴突上收集信息。树突将信号传输到神经元的细胞体，在那里信号被整合。这可能会或可能不会导致一个尖峰，或动作电位，在神经元的轴突上传到突触后神经元的树突上。

但并不是所有的神经元都完全具有这种结构。尤其是金字塔神经元——皮层中最丰富的神经元类型，有明显的不同。金字塔神经元——有一个树状结构，有两组不同的树突。树干向上延伸，分支成所谓的顶端树突。根部向下延伸，分支为基底树突。

科丁（Kording）在2001年独立开发的模型，以及最近麦吉尔大学和魁北克人工智能研究所的布莱克·理查兹（Blake Richards）及其同事开发的模型都表明，金字塔神经元可以同时进行前向和后向计算，从而构成深度学习网络的基本单元。关键在于将进入神经元的信号进行前向推理和后向流错的分离，在模型中可以分别由基底和顶端树突处理。这两种信号的信息都可以编码在神经元作为输出沿其轴突发送的电活动尖峰中。

在理查兹（Richards）团队的最新研究中，"我们已经到了可以证明的地步，我们可以证明，通过相当逼真的神经元模拟，你可以训练锥体神经元网络来完成各种任务。"理查兹（Richards）说，"然后，使用这些模型的略微抽象一点的版本，我们可以让金字塔神经元的网络学习人们在机器学习中的那种困难任务。"

注意力的作用

对于使用反向传播算法的深度网络来说，一个隐含的要求是存在一个 "老师"：可以计算神经元网络产生的错误的东西。但是，阿姆斯特丹荷兰神经科学研究所的彼得·罗尔夫塞马（Pieter Roelfsema）说：“大脑中没有一个老师会告诉运动皮层的每一个神经元，‘你应该被打开，你应该被关闭。’”。

斯坦福大学的计算神经学家和计算机科学家丹尼尔·亚明斯（danielyamins）正在研究如何识别哪些算法在生物大脑中最为活跃的。

罗尔夫塞马（Roelfsema）认为大脑解决这个问题的方法是在注意的过程中。在20世纪90年代末，他和他的同事们发现，当猴子将目光固定在一个物体上时，皮层中代表该物体的神经元会变得更加活跃。猴子集中注意力的行为会对负责的神经元产生一个反馈信号。"这是一个高度选择性的反馈信号。这不是一个错误信号。它只是对所有这些神经元说：你要为一个行为负责。"

罗尔夫塞马（Roelfsema）的见解是，当这种反馈信号与某些其他神经科学发现中所揭示的过程相结合时，可以实现类似于背道具的学习。例如，剑桥大学的沃尔夫拉姆·舒尔茨（Wolfram Schultz）等人已经证明，当动物执行的动作产生比预期更好的结果时，大脑的多巴胺系统被激活。"它用神经调节剂充斥整个大脑。”罗尔夫塞马（Roelfsema）说。多巴胺水平就像一个全局性的强化信号。

理论上，注意力反馈信号可以只刺激那些负责某个动作的神经元，通过更新它们的突触权重来响应全局强化信号。罗尔夫塞马（Roelfsema）和他的同事们利用这个想法建立了一个一个深层次的神经网络，并研究了它的数学特性。"事实证明，你会得到错误的反向传播算法。你得到的方程基本上是一样的。但现在这在生物学上变得有道理了。"

该团队在去年12月的神经信息处理系统在线会议上展示了这项工作。罗尔夫塞马（Roelfsema）表示："我们可以训练深度网络，它只比反向传播慢了两到三倍。 因此，它击败了所有其他已经提出的生物可信的算法。"

尽管如此，活体大脑使用这些可信机制的具体经验证据仍然难以捉摸。本吉奥（Bengio）说："我想我们还缺少一些东西。以我的经验，这可能是一件小事，也许对现有的一种方法稍加改动，那将真正起到作用。"

与此同时，亚明斯（Yamins）和他在斯坦福大学的同事们，对如何确定哪种学习规则是正确的提出了建议。通过分析1,056个实现不同学习模型的人工神经网络，他们发现，控制网络的学习规则的类型可以从神经元子集随时间的活动中识别出来。这种信息有可能是从猴脑中记录下来的。亚明斯说：“事实证明，如果你收集了正确的观察数据，就有可能提出一个相当简单的方案，让你能够识别学习规则。”。

鉴于这些进步，计算神经科学家们悄然乐观。科丁（Kording）认为："大脑有很多不同的方式可以进行反向传播。而进化真是太棒了，这使得反向传播算法变得很有用。我推测，进化论会把我们带到最终目的地。"