为什么人类大脑如此高效?

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

哪个解决问题的能力更强——大脑还是电脑?鉴于计算机技术在过去几十年的快速发展，你可能会认为计算机具有优势。事实上，计算机已经被建造和编程，以在复杂的游戏中击败人类大师，比如上世纪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，比如电视节目冒险!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)。

在基本运算速度方面，计算机比人脑有巨大的优势。^3.现在的个人计算机能够以每秒100亿次的速度完成基本的算术运算，例如加法运算。我们可以通过神经元之间传递信息和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——神经元细胞体附近发出的电信号尖峰，并通过轴突传递下去，轴突与下游的伙伴神经元相连。信息被编码在这些尖刺的频率和时间上。神经元放电的最高频率约为每秒1000次。另一个例子是，神经元将信息传递给它们的同伴神经元，主要是通过轴突末端的特殊结构(称为突触)释放化学神经递质，它们的同伴神经元将神经递质的结合转化为电信号，这一过程称为突触传递。最快的突触传输大约需要1毫秒。因此，无论是在脉冲还是突触传输方面，大脑每秒最多能执行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

一个职业网球运动员可以以160英里每小时的速度追踪球的轨迹。

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高达每小时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，定位手臂，然后挥拍将球送回对方场地，所有这些都只需几百毫秒。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），功耗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方式。计算机任务主要是以串行步骤执行的。这可以从工程师通过创建顺序指令流对计算机编程的方式看出。对于这种连续的级联操作，每一步都需要高精度，因为误差在连续的步骤中积累和放大。大脑也使用一系列步骤进行信息处理。在网球回击的例子中，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。

但大脑也采用了大规模并行处理，利用了大量神经元和每个神经元之间的大量连接。例如，运动的网球激活了视网膜中许多称为光感受器的细胞，光感受器的工作是将光转换为电信号。然后这些信号被平行地传送到视网膜中的许多不同种类的神经元。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。类似地，运动皮层（负责意志运动控制的大脑皮层的一部分）平行发送命令，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将输出发送给其他神经元——哺乳动物神经元的输入和输出平均在1000左右。(相比之下，每个晶体管总共只有三个输入和输出节点。)来自单个神经元的信息可以传递到许多平行的下游通路。同时，许多处理相同信息的神经元可以将它们的输入信息汇集到同一下游神经元。后一个特性对于提高信息处理的精度特别有用。例如，单个神经元所代表的信息可能是嘈杂的(比如，精度为100分之一)。通过取100个携带相同信息的神经元的平均输入，普通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位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。神经元轴突中的棘波也是一种数字信号，因为神经元在任何给定的时间激发或不激发棘波，当它激发时，所有棘波的大小和形状都大致相同；这种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，它使用连续值来表示信息。有些神经元（像我们视网膜中的大多数神经元）是无刺激的，它们的输出通过分级电信号（与尖峰不同，它的大小可以连续变化）传输，比尖峰可以传输更多的信息。神经元的接收端（接收通常发生在树突中）也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就像在哺乳动物的视觉系统中，深度学习使用多层来代表越来越抽象的特征(如视觉物体或语言)，并且不同层之间连接的权重是通过学习来调整的，而不是由工程师设计的。这些最近的进展已经扩大了计算机能够执行的全部任务。尽管如此，与最先进的计算机相比，大脑仍然具有优越的灵活性、概括性和学习能力。随着神经科学家揭开更多关于大脑的秘密(越来越多地借助计算机的使用)，工程师可以从大脑的工作中获得更多的灵感，进一步改进计算机的结构和性能。无论哪一个成为特定任务的赢家，这些跨学科的交叉受精无疑将促进神经科学和计算机工程。

罗立群是斯坦福大学人文科学学院教授，也是神经生物学教授。

作者要感谢伊桑·里希曼和熊晶的评论，感谢大卫·林登的专家编辑。

罗立群，发表于智库：四十位科学家探索人类经验的生物学根源，David J. Linden编辑，耶鲁大学出版社出版。

脚注

1.这篇文章改编自《罗，L。神经生物学原理(Garland Science, New York, NY, 2015)。

2.冯·诺依曼，J。计算机和大脑(耶鲁大学出版社，康涅狄格州纽黑文，2012)，第3版。

3.Patterson, D.A. & Hennessy, J.L.计算机组织与设计(爱思唯尔，阿姆斯特丹，2012)，第四版。

4.这里的假设是，算术运算必须将输入转换为输出，因此速度受限于神经元通信的基本操作，如动作电位和突触传递。这些限制也有例外。例如，具有电突触(神经元之间不使用化学神经递质的连接)的非尖峰神经元，原则上传输信息的速度超过了大约一毫秒的极限;在树突中局部发生的事件也可以。

5.噪声可以反映这样一个事实，即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.假设每个输入的均值标准差(σ均值)近似于噪声(它反映了分布的宽度，与均值以同一单位表示)。平均n独立输入，平均值的预期标准偏差为σ平均值=σ/√•n．在我们的例子中，σ = 0.01，并且n= 100;因此σ均值= 0.001。

7.例如，树突可以充当重合探测器，对来自许多不同上游神经元的接近同步的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，例如电信号的放大而不是简单的叠加。

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

图片12 /贡献者/盖蒂图片社;维基百科