脑科学与人工智能是两个紧密相关且不断交叉的领域，它们之间的关系可以说是相辅相成、相互促进的。脑科学研究了大脑和神经系统的结构、功能和机制，而人工智能则试图通过模拟人类的智能行为来改进计算机系统。两者的结合不仅推动了科学技术的进步，也为人类的认知能力和智能水平提供了更广阔的发展空间。通过不断的研究和探索，我们或许能更深入地了解人类大脑的奥秘，同时也能为人工智能的发展带来更多的可能性和新的突破。

作者单位：清华大学心理学系、脑与智能实验室，摘自《苏州大学学报》（教育科学版）2022年3期，莫斌摘

人工智能是一个宽泛的概念，而在目前人工智能中占主导地位的是人工神经网络。之所以被冠以这个名字，是因为它的核心单元是对生物神经元的仿真。生物神经元包含三个部分：树突、胞体和轴突。树突用于接收输入的电信号；胞体则整合输入信号并产生输出信号到轴突：轴突将电信号传导到另一个神经元的树突。如果我们用还原论的方法对神经元进行抽象，并进行形式化表达，那么就是在20世纪40年代提出的著名的MCP模型。

从表面上看，这是数学对神经科学的一种简化，但事实远非如此。提出MCP模型的麦卡洛克和皮茨并非数学家，而是心理学家和逻辑学家；发表这个模型的论文题目是《神经活动中内在思想的逻辑演算》。在他们看来，设置阈限将输入乘以权重求和后的结果转化为0和1这一过程，不是简单的数学游戏，而是触及了人类思维的本质。

亚里士多德在《形而上学》一书中提出了几个粗浅的逻辑学定律，其中一个就是我们所熟知的矛盾律，即“A必不非A”。简单来说，就是两个对立的陈述不可能同时为真。这个看似简单直白的逻辑学定律却成为推动中世纪科学发展最为关键的因素之一，促成了伽利略著名的斜塔实验。

在矛盾律的指导下，伽利略推翻了亚里士多德通过归纳推理得到运动律。在伽利略运动律的基础上，才有了后来的牛顿力学、爱因斯坦狭义相对论等伟大的理论。可以说，这些伟大的理论都来源于矛盾律这一逻辑原点，而这个逻辑原点被牛顿称为第一性原理。那么，矛盾律是正确的吗？虽然矛盾律是亚里士多德在公元前提出来的，但是到19世纪中叶，英国数学家布尔才首次通过数学的形式化证明来验证了矛盾律。布尔将他所发明的逻辑演算，写入了一本书。这本书的书名并不是诸如众人所想的《逻辑学》这样的名字，而是叫作《思维的法则》。因为在发明形式化逻辑的布尔的眼中，逻辑学是一门关于思维的科学，而0和1是思维的最基本单元。此后，图灵进一步从数学上证明了任何可能的逻辑运算，即所有可能的思维，都可以用0和1这两种状态来表示。而任何具有思维能力的机器，包括我们人类的大脑，则被广义地称为图灵机。

从这个角度来看，构建神经元MCP模型的必然是心理学家和逻辑学家，而不是数学家或者计算机科学家，因为MCP模型本质上反映的是思维的工作方式，因此它必然是人工神经网络的基石。更进一步，计算机语言之所以由0和1构成，是因为人类的思维基石是二值的!只有严格地按照逻辑学的路径延伸，计算机才有可能实现人工智能。布尔逻辑通过对人类思维法则的解析，为计算机、互联网、人工智能的出现埋下了种子。

探寻人工智能的逻辑原点，并不是我们的初衷。我们的初衷是要创造出类似甚至超越人类智能的通用人工智能。我们需要自下而上，从逻辑原点出发，创造出可控制的复杂。这一点，可以从人工神经网络诞生之初到现在的发展脉络中清晰地看到。

1957年，心理学家罗森布拉特创造了第一个由两层神经元组成的人工神经网络，叫作感知机。他将感知机定义为一个感觉、识别、记忆和反应都像人类思维的机器。但是，感知机本质上是一个线性模型，无法解决异或问题，因此很快被研究者忽略。而对这个问题的解决，要等到30年后的1986年，辛顿等人提出的回传算法。遗憾的是，回传算法在当时并没有得到应有的重视。直到2006年，辛顿成功解决了误差在回传时的梯度下降问题，使得多层非线性神经网络变得实用。自此，人工神经网络开始向“大”发展，即大模型（多层多参数）、大数据（多模态的海量训练数据集）和大算力（超级计算机），如著名的由OpenAI与微软联合开发的GPT-3。GPT-3是一种生成式语言模型，它通过对不同的书面材料集与长篇连载文本预训练，以获取关于世界的知识。

像GPT-3这样巨模型所具有的高智能不禁让我们开始畅想，人工智能到底能够发展到什么程度？当人工神经网络越来越庞大时，我们是否可以制造出类似人脑的人工大脑？事实上，已经有科学研究表明，人工神经网络越复杂（层数越深、参数越多），它的表现就越像人类大脑。因此，现今几乎所有的人工智能研究机构都在致力于提升模型的“大”，以期有朝一日人工神经网络能够超越我们的生物神经网络。甚至，谷歌公司首席未来科学家库兹韦尔写了一本预测未来的书，叫作《奇点临近》，所谓“奇点”就是人类文明发展的断裂点。

但是!令人遗憾的是，对GPT-3的科学研究表明，这些美好而又浪漫的预言只是脆弱的一厢情愿。即便是人工智能能够理解，它的理解也与人的理解存在巨大的差异。例如，当给人工智能输入一段一个人从高处摔倒在地面的视频，目前的人工智能可以输出对这段视频的精准描述：一个人从高处摔了下来。但是，当人类看见这段视频，第一反应却是不忍和同情。这个差异是因为人有同理心，而人工智能则没有。同理心并不是一个可有可无的情感，它对于人之所以为人极为重要，自闭症患者的最主要问题之一就是同理心的缺失。人工智能之父明斯基专门强调情感是机器拥有智能所必需的，他说：“问题不在于机器能否拥有情感，而在于不拥有情感的机器是否智能。”

除共情能力外，人类还拥有目前人工智能所不具备的推理能力。我们之所以能够毫不费力地做到此事，是因为我们不会仅仅从字句表面意思来理解，而是会深挖其背后的意义。在日常生活中，我们总是在寻找因果以求逻辑自洽，而刻意避免把所有的事情都归因于随机。

人工神经网络之父辛顿认为，现今的人工智能之所以无法与人类智能比肩，是因为它还不够“大”：人脑有100万亿个参数，而GPT-3模型却只有1750亿个参数，二者之间相差了3个数量级。对于辛顿而言，神经网络的大小很重要，只要模型足够复杂，参数足够多，人工神经网络的智能便会得到提升。但事实真的是如此吗？

秀丽隐杆线虫是一种仅有1mm大小、雌雄同体的线虫。它仅有302个神经元，与人脑中的神经元数量相差了9个数量级。但是，即使是这样低等的生物，也具有足够好的感知能力和运动能力，可以像人类一样在开放的自然环境中独立生存。最近一个来自MIT关于自动驾驶的研究表明，仅仅模仿了19个线虫神经元、只有75000个参数的仿生神经网络也可以实现自动驾驶的基本要求。而这个仿生神经网络的参数比传统的人工神经网络的参数至少要少3个数量级。换言之，生物智能的高低与神经网络的大小关系不大，它并不需要通过参数的累积来实现通用智能。从这个角度上讲，脑启发的人工智能也许是人工智能实现通用智能的必由之路。

人类的智能是进化的产物。最初的单细胞生物经过35亿年的进化才成为人类，所以我们的神经元中已经储存许多关于智能的密码，只是我们还没有去解开这些密码。即便如此，基于对神经元的极度简化的MCP模型已经能让人工神经网络展现出众多的智能行为，并在多个特定领域（如面孔识别、围棋、星际争霸等）达到或者超越了人类的智能。因此，相信未来随着脑科学研究的深入，我们对生物智能一定有更为本质的洞悉，届时受脑启发的人工智能一定能够达到更高层次的智能。

在另一方面，既然智能来源于进化，那么我们完全有理由相信：进化是理解智能的唯一途径。借助人工智能，我们完全可以构造一个虚拟的、开放的环境，设计无尽的任务，让智能体在这个元宇宙中从0开始，逐渐进化。作为这个元宇宙的“上帝”，我们可以重现进化过程，从而观察智能是如何在进化中从无到有，从弱到强，由此洞悉智能的本质，构建关于智能的理论。

矛盾律作为物理世界的法则，伽利略利用它推翻了亚里士多德的运动律。布尔把伽利略推理的原点进一步下沉，提出了描述思维规律的逻辑运算，0 和1 这两种状态成为智能行为的表征，于是计算机、互联网与人工智能由此生长。今天，我们需要把这个原点进一步下沉，探索反映人类精神世界的法则。这个法则是什么，我们不知道，但是我们知道正确的道路，那就是将人工智能与脑科学和认知科学深度交叉，而答案就在这交叉点处。也许在不久的将来，在这三大学科的加持之下，我们就能回答大脑究竟是如何工作的，而智能又是如何涌现而出的，人工智能又将迈向何方。

以上就是刘嘉: 探讨脑科学与人工智能的关系的相关介绍，希望能对你有帮助，如果您还没有找到满意的解决方式，可以往下看看相关文章，有很多刘嘉: 探讨脑科学与人工智能的关系相关的拓展，希望能够找到您想要的答案。