为什么人体大脑如此高效？

T大脑是复杂的;在人类中，它由大约1000亿个神经元组成，产生100万亿数量级的连接。它经常被拿来与另一种具有巨大解决问题能力的复杂系统相比:数字计算机。大脑和计算机都包含大量的基本单元——分别是神经元和晶体管——它们被连接到复杂的电路中，处理由电信号传递的信息。在全球层面上，大脑和计算机的结构彼此相似，由很大程度上独立的输入、输出、中央处理和记忆电路组成。^1.

大脑和计算机哪个更有解决问题的能力？考虑到计算机技术在过去几十年中的快速发展，你可能会认为计算机具有优势。事实上，计算机的制造和编程都是为了在复杂的游戏中击败人类大师，比如20世纪90年代的国际象棋和最近的围棋，以及电视节目等百科全书式的知识竞赛危险！然而，在写这篇文章的时候，人类在许多现实世界的任务中战胜了计算机——从在拥挤的城市街道上识别一辆自行车或一个特定的行人，到拿起一杯茶并顺利地把它端到嘴边——更不用说概念化和创造力了。

那么，为什么计算机擅长某些任务，而大脑却更擅长其他任务呢?计算机和大脑的比较对计算机工程师和神经学家都有启发意义。这种对比始于现代计算机时代的开端，在一本短小精深的书中，书名为计算机和大脑约翰·冯·诺伊曼(John von Neumann)是一位博学多才的人，他在20世纪40年代率先设计了一种计算机架构，这种架构至今仍是大多数现代计算机的基础。^2.让我们看看一些数字上的比较(表1)。

在基本操作的速度上，计算机比大脑有巨大的优势。^3.如今，个人计算机能够以每秒100亿次运算的速度执行基本算术运算，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“发射”动作电位——在神经元胞体附近发出的电信号尖峰，沿着与下游伙伴神经元相连的长长的轴突向下传递。信息以这些尖峰的频率和时间编码。神经元放电的最高频率约为每秒1000次。另一个例子是，神经元将信息传递给伙伴神经元，主要是通过在轴突末端的特殊结构（称为突触）释放化学神经递质，而伙伴神经元在一个称为突触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，无论是峰值还是突触传递，大脑每秒最多可以执行1000次基本操作，比计算机慢1000万倍。^4.

在基本操作的精确度上，计算机也比大脑有巨大的优势。计算机可以根据分配给每个数字的比特(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位数字的精度是1 / 232或42亿。经验证据表明,最大量的神经系统(例如,神经元的放电频率,这通常是用来表示刺激的强度)变化的几个百分点由于生物噪声,或精度1 100年在最好的情况下,这是millionsfold比一台电脑。^5.

职业网球运动员可以以160英里/小时的速度跟踪发球的轨迹。

然而，大脑进行的计算既不缓慢也不不精确。例如,一个职业网球选手可以遵循一个网球的轨迹后,提供速度高达每小时160英里,在球场上的最佳位置,位置他或她的手臂,和swing球拍返回球在对手的法院,在几百毫秒。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。大脑是如何做到的呢?计算机和大脑之间的一个重要区别是每个系统处理信息的方式。计算机任务主要是通过串行步骤来完成的。这可以从工程师通过创建连续的指令流来给计算机编程的方式中看出。对于这种顺序级联操作，每一步都需要高精度，因为误差会在后续步骤中累积和放大。大脑也使用一系列步骤来处理信息。在网球回球的例子中，信息从眼睛流向大脑，然后再流向脊髓，从而控制腿部、躯干、手臂和手腕的肌肉收缩。

但是大脑也使用了大量的并行处理，利用了大量的神经元和每个神经元之间的大量连接。例如，移动的网球激活了视网膜中许多被称为感光细胞的细胞，这些细胞的工作是将光转换成电信号。这些信号随后被平行地传送到视网膜中许多不同种类的神经元。当来自光感受器细胞的信号通过视网膜上的2到3个突触连接时，有关球的位置、方向和速度的信息就被平行的神经回路提取出来，并平行地传送到大脑。同样,运动皮层(大脑皮层的一部分,负责意志电机控制)并行发送命令控制腿部肌肉收缩,躯干、手臂,手腕,这样身体和手臂的同时也能够接收传入的球。

这种大规模平行的策略是可能的，因为每个神经元收集来自的输入并向许多其他神经元发送输出，平均为哺乳动物神经元的输入和输出到1,000的顺序。（相比之下，每个晶体管仅具有用于输入和输出的三个节点。）来自单个神经元的信息可以传递到许多平行的下游路径。同时，处理相同信息的许多神经元可以将其输入汇集到同一下游神经元。后一种属性对于提高信息处理的精度特别有用。例如，由单个神经元表示的信息可能是嘈杂的（例如，在100中的精度为1）。通过从携带相同信息的100个神经元的平均输入的平均值，常见的下游合作伙伴神经元可以代表具有更高精度的信息（在这种情况下为1,000中的约1中）。^6.

计算机和大脑在基本单元的信号传递方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)来表示信息。神经元轴突上的尖刺也是一种数字信号，因为神经元在任何给定的时间发出或不发出尖刺，当它发出时，所有尖刺的大小和形状都大致相同;这一特性有助于可靠的长距离尖峰传播。然而，神经元也利用模拟信号，使用连续值来表示信息。有些神经元(像我们视网膜上的大多数神经元)是非尖峰的，它们的输出是通过分级电信号传输的(不同于尖峰信号，它的大小可以连续变化)，这种信号比尖峰信号传输更多的信息。神经元的接收端(接收通常发生在树突)也使用模拟信号来整合多达数千个输入信号，使树突能够执行复杂的计算。^7.

你的大脑比电脑慢一千万倍。

大脑的另一个突出的属性,这是明显的从网球接发球的例子,是神经元之间的连接强度可以被修改以应对活动和——的过程,是由神经学家普遍认为是学习和记忆的基础。重复训练可以使神经元回路更好地配置，以适应正在执行的任务，从而大大提高速度和精度。

在过去的几十年里，工程师们从大脑中汲取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已被纳入现代计算机。例如，增加并行性，例如在一台计算机中使用多个处理器(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的“深度学习”受到哺乳动物视觉系统发现的启发，近年来取得了巨大成功，在计算机和移动设备的物体和语音识别方面取得了快速进展。^8.与哺乳动物视觉系统一样，深度学习采用多个层来表示越来越多的抽象特征（例如，视觉对象或语音），并且通过学习而不是由工程师设计来调整不同层之间的连接的权重。这些最近的进步扩展了计算机能够执行的任务的曲目。尽管如此，大脑具有优异的灵活性，概括性和学习能力，而不是最先进的计算机。由于神经科学家揭开了关于大脑的更多秘密（越来越多地通过使用计算机），工程师可以从大脑的工作中采取更多的灵感，以进一步改善计算机的架构和性能。无论哪种兴趣的特定任务都是胜利者，这些跨学科的交叉肥料无疑将推进神经科学和计算机工程。

罗立群(Liqun Luo)是美国斯坦福大学人文与科学学院(School of Humanities and Sciences)教授，同时也是斯坦福大学(Stanford University)神经生物学教授。

作者要感谢Ethan Richman和Jing Xiong的评论和David Linden的专业编辑。

由Liqun Luo公布智库:40位科学家探索人类经验的生物学根源，由大卫·J·林登编辑，耶鲁大学出版社出版。

脚注

1.这篇文章改编自罗洛维契的导论章节。神经生物学原理（Garland Science，纽约，纽约，2015年），获得许可。

2.冯·诺依曼,J。计算机和大脑（耶鲁大学出版社，新避风港，CT，2012），第3届。

3.帕特森，D.A.和轩尼诗，J.L。计算机组织和设计（爱思唯尔，阿姆斯特丹，2012年），第四版。

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的限制，例如动作电位和突触传输。这些限制存在例外。例如，具有电突触的非膨胀神经元（无需使用化学神经递质的神经元之间的连接）可以原则上传输信息比大约一个毫秒限制更快;因此，可以在德内德斯局部发生事件。

5.噪音可以反映这样一个事实:许多神经生物学过程，如神经递质释放，都是概率性的。例如，在重复的实验中，相同的神经元对相同的刺激可能不会产生相同的刺突模式。

6.假设每个输入的平均值（Σmean）的标准偏差近似于噪声（它反映了分布在与平均值相同的单元中的宽度）。平均N独立输入时，期望标准差均值为σ均值= σ /√•N．在我们的例子中，σ = 0.01，并且N= 100; 因此σ平均值=0.001。

7.例如，树突可以充当重合检测器，对来自许多不同上游神经元的近同步兴奋性输入求和。他们还可以从兴奋性输入中减去抑制性输入。某些树突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，例如除了简单的加法外，电信号的放大。

8.李国强，李国强，李国强。深度学习。自然521, 436 - 444(2015)。

领导艺术学分：照片12 /贡献者/盖蒂图像;维基百科