雷鋒網按：計算機和腦科學發展有著相互促進的關係，人工智慧的演算法許多也是啟發自人腦。但現在越來越多的學者希望透過計算機的工作模式來理解人腦，這樣做是否合理有效呢？雷鋒網編譯了載於wired上的一篇文章，讓我們看看，科學家們怎麼說。
今年三月份，在舊金山市中心的凱悅攝政酒店，一個擁擠的房間裡，Randy Gallistel抓著木製的講臺，清了清他的喉嚨，向他面前坐著的的神經科學家們丟擲了一個難題。“如果大腦以人們以為方式工作，”他說，“它會在一分鐘內沸騰。大量的資訊會使我們的CPU——大腦燒壞。
上千年來，人類一直苦苦追尋智慧形成的答案。其中一種比喻是，由科技而來，將大腦比作皮質CPU。把未知的東西比喻成已知的東西，或許容易讓人感到安全。在古希臘，大腦被比作一個注滿幽默的水力系統；在18世紀，哲學家從機械時鐘中吸取靈感，把大腦和時鐘聯絡起來；20世紀早期，神經科學家則將神經元描述為傳遞訊號的電線或電話線；而現在，最受歡迎的比喻就是計算機了，人們用硬體和軟體代表大腦和腦內活動。
在這個技術統治的世界裡，人們很容易將人類智慧和我們越來越智慧的裝置進行類比。但是，將計算機比作大腦，可能會阻礙大腦研究的進步。
他進一步描述了這個用計算機比喻的問題。如果大腦真如大多數神經科學家認為的那樣，透過改變神經元之間連線的強度來儲存所有記憶，那將耗費過多能量，尤其是如果記憶以夏農資訊的形式編碼，也就是二進位制的高保真度訊號，我們的大腦可能無法承受。
像Gallistel這樣的科學家們並不提出任何比喻，而是完善他們的理論，試圖保持大腦的生物現實與計算複雜性一致。Gallistel是美國羅格斯大學的一名退休教授，他並沒有質疑大腦資訊和夏農資訊的相似性，而是提出了一個替代理論——夏農資訊以分子的形式儲存在神經元本身內。他認為，靠化學物質要比神經突觸可行得多。問題解決了。
這種拼湊方法是科學界的標準程式，當問題和證據出現時，填補理論中的漏洞。但遵循計算機比喻可能不起作用，還會導致各種問題，尤其是在科學領域。
荷蘭唐德斯研究所的認知神經科學家Floris de Lange表示：“我認為把大腦比作計算機已經使我們誤入歧途。這讓人們認為可以將軟體從硬體上分離出去。” 這種假設導致一些身心二元論的科學家認為，我們無法透過研究物理上的大腦獲取太多認知。
最近，神經科學家也試圖證明，研究大腦的現代科技無法幫助我們瞭解大腦是如何運作的。這些方式往往嘗試透過分析一些硬體，比如僅靠神經連線組學和電生物學的一些技術，來闡明軟體的工作形式。可惜研究一無所獲。由此可見，分析硬體無法解釋軟體的工作原理。
這樣的研究的假設，是計算機晶片理論對於大腦同樣有效。思維和大腦之間的聯絡要比計算機晶片及其軟體之間的聯絡要錯綜複雜得多。只要看看我們記憶形成軌跡就可以知道。一直以來，我們的記憶就盤踞在我們大腦內神經相互連線的網路中，有點像軟體構建出了新的硬體。麻省理工學院的Tomás Ryan使用一種方法來顯示這種複雜聯絡。他透過用熒光蛋白標記出記憶形成時活躍的神經元。透過這個工具，隨著時間的推移，Ryan觀察記憶如何在生理上作用於大腦。
Ryan緊接在Gallistel後演講。Ryan表示，“我們總以為，如果想了解大腦，就必須從設計或工程的角度來看待它，鑑於我們還不知道記憶是如何儲存的，我們其實不需要那麼死板。” Ryan是位面容整潔的神經生物學家，剛剛在都柏林三一學院設立了實驗室。他對大腦透過夏農資訊或者分子來儲存資訊的理論都不認同。
Ryan向大家展示了一張柏林市的夜間衛星照片。這便是他對大腦運作的比喻：不是顱內計算機裡的分子資訊，而是像城市路燈的構造。
Ryan所展示的衛星圖片
從柏林最近的照片中可以看出，柏林牆被拆除近三十年後，東柏林和西柏林還是清晰可辯。這是因為在這個城市兩半的路燈基礎設施不同。西柏林路燈使用明亮的白色汞燈泡，而東柏林則使用茶色鈉蒸氣燈泡。“這不是因為自1989年以來他們沒有換過燈泡，而是因為基礎設施在那裡。” Ryan說到。儘管分歧早已消失，柏林歷史的記憶仍清晰地體現在城市的結構中。
我們的大腦可能以相同的方式形成記憶，構建一個記憶結構，特定細胞相互連線形成記憶。即使在一生中這些細胞不斷更換也能保持這種結構。由於軟體能夠更改硬體，透過修飾連線來形成記憶，因此硬體會與軟體有更多的連線。這只是一個假設，但是Ryan給出了令人信服的資料。他發現即使是患有阿爾茨海默病齧齒動物，看起來喪失了記憶，這些記憶仍然存在於大腦中，能夠人為地召回，只是沒法再去訪問他們罷了。
另外，儲存在記憶中的內容不會侷限於所謂高保真的二進位制夏農資訊。“在數字電腦之前，我們有了模擬電腦，更早之前我們透過書寫，繪畫，還有很多方式來傳達資訊，”Ryan說得顯得比別人稍微抽象了點。我們不能因為最先進的人造資訊儲存和通訊模式恰好是二進位制的，就以為我們的大腦也是那樣工作的。
另一方面，把大腦比作計算機可能會對科學家研究創新演算法不利。隨著科學家們更多地瞭解大腦的運作情況，程式設計師們正藉此合作。用於物體識別的人工智慧演算法就像在二十世紀六十年代在貓腦中發現的原理一樣，借用視覺皮層，使用具有邊緣檢測濾波器的多層網路來分析影象。de Lange說：“那個演算法真的和以前沒法使用的演算法有很大的區別，現在，影象識別的各種方法都非常好。”如果能真正研究出大腦的運作方式，並應用於計算機領域，也許這又會反哺大腦研究。