第二章　神经网络

Neural Networks

1986年1月，我开始了在加州大学伯克利分校的学习。期间，我所做的第一件事就是整理、汇编有关智能和大脑功能理论的研究成果。我阅读了上百篇论文，它们的作者有解剖学家、生理学家、哲学家、语言学家、计算机科学家和心理学家。许多来自于不同领域的研究者发表了他们对思维和智能的看法，各个领域都有自己的相关刊物和术语，尽管如此，我还是发现他们对思维和智能的解释有前后矛盾和不圆满之处。语言学家谈到智力时总会用“句法”“语义学”等术语，在他们看来，大脑和智力都和语言有关。视觉科学家总是会谈到2D、2D和3D图画，对他们来说，大脑和智力与直观模式识别有关。计算机科学家总是谈及图式和框架等显示学识的新名词，他们中没有人提到大脑的构造，也没有人提到大脑是如何来实施这些理论的。另一方面，解剖学家和神经生理学家撰写了大量关于大脑构造和神经作用机理的文章，但对于大规模理论的提出，他们都采取了回避态度，因为要把各种研究方法以及与其相配套的堆积如山的实验数据弄清楚，实在是一件令人头疼的事。

正在此时，另一种智能机器的研究途径浮出了水面，这一次是全新的，而且充满了希望。早在20世纪60年代后期，神经网络就以某种面目出现了，但它和人工智能的研究在投资强度和投资方的关注度方面是死对头。那时，人工智能就像一只重达350千克的大猩猩，可以轻而易举地将神经网络研究碾得粉碎。神经网络的研究者们在此后的几年中一直处在投资方的黑名单上，只有少数人坚持了下来，直到80年代中期，才得以重见天日。我们无法确切地知道神经网络何以会突然引起人们的兴趣，但有一点是毋庸置疑的：人工智能的不断失利是一个主要因素。人们在极力寻找人工智能的替代品，最终在神经网络领域得偿所愿。

相对于人工智能而言，神经网络是一个真正的进步，因为它的基础是建立在真正的神经系统之上的，尽管不甚牢固。它的研究人员，又被称作连接主义者。他们摒弃了编程计算机，将兴趣转向另一个方面。他们希望探究的是：如果将一簇神经元连接在一起会产生什么样的行为。大脑是由神经元组成的，因此大脑就是一个神经网络，这是一个不争的事实。而连接主义者希望通过对神经元相互作用的研究，让智能不可捉摸的特性变得清晰，并且希望通过复制众多神经元之间的连接，让一些令人工智能束手无策的问题得以解决。神经网络不同于计算机，它没有CPU，不能对信息进行中央存储；整个网络的知识和记忆都分散在所有的连接之上——就像真正的大脑一样。

表面看来，神经网络似乎迎合了我的兴趣，但很快我就对这一领域失望了。那时我头脑中已经形成了一个想法，即：对于大脑的解读，有三种标准必不可少。

第一个标准是大脑功能的时间概念。真正的大脑快速地处理大量不断变化的信息流，在这些输入和输出的信息流中没有任何东西是静止不动的。

第二个标准是反馈的重要性。神经解剖学家早已发现大脑是浸润在反馈连接之中的，比如说，在连接新大脑皮层和视丘（一个位置较低的结构）之间的神经中，反向传递的信息（与输入相对）要比向前传递的信息大一个数量级。也就是说，如果有1根神经纤维向大脑皮层输入信息，就有10根神经纤维在向感觉器官传递信息。反馈也通过大脑皮层控制了大部分的连接。虽然反馈的确切作用还不为人所知，但从已发表的一些研究可以看出它们无处不在。因此我感到反馈是至关重要的。

第三个标准就是任何大脑模型或理论都应该能够解释大脑的物理结构。新大脑皮层并不是一个简单的构造，正如大家将要读到的，它是由一个不断重复的层级结构组成，任何神经网络如果对这一结构认识不足的话，就无法像大脑一样工作。

然而，让人感到遗憾的是，神经网络现象一经登台亮相，就固定在一些极为简单的模型之上，而这些模型与上面提到的三个标准不相吻合。绝大多数神经网络都包含少量相互连接的神经元，它们排成三列。当一种模式（输入）显示在第一列上，这些输入神经元就会与下一列神经元相连接，形成所谓的“隐藏单元”；接下来，隐藏单元就会与最后一列神经元连接，即输出神经元。这些神经元之间的连接强度不同，也就是说，一个神经元上的活动可能会促进第二个神经元的活动或者削弱第三个神经元的活动，具体情况视其连接强度而定。通过这些强度的改变，网络就能学会将输入方式映射到输出方式上。

这些简单的神经网络只能处理静止不动的模式，没有涉及反馈，和大脑也没有任何相似之处。有一种最普通的神经网络，被称为“反向传播（back propagation）”网络，可以学会将输出单元的错误传输回输入单元，并将它记住。你可能认为这是一种反馈，而事实并非如此。这种错误的反向传播只会发生在学习过程中，而当经过训练的神经网络工作正常时，信息只会向一个方向传输，从输出到输入没有产生反馈。除此之外，这些模型没有时间概念。当一种静止的输入形式转化成静止的输出形式，另一种输入形式就会显现出来。这个过程，哪怕是刚刚发生的，在网络中都不会留下任何记录。最后，与大脑的复杂及其层级结构相比，这种神经网络的构造就显得太微不足道了。

我本以为这个领域会迅速地向更仿真的网络发展，但它没有。因为这些简单的神经网络可以完成一些有趣的任务，因而在以后的几年中一直停滞不前。正是出现了这种全新的有趣工具，一夜之间，上千的科学家、工程师和学生凭借它获得了助学金、博士学位或发表了著作；一个个公司纷纷成立，利用神经网络进行股票市场预测、处理贷款申请、核对笔记以及处理上百种各种其他形式的分类申请。虽然创建者的初衷可能是更为广阔的领域，但那时这一领域已经被另一些人控制，他们对大脑的工作原理以及什么是智能毫无兴趣。

大众媒体对这个差异也不甚了了。各种报纸、杂志和电视科学节目都将神经网络描述成“像大脑一样”或“是以大脑原理”工作的。与处处需要编程的人工智能不同，神经网络是通过事例学习的，这一点似乎更具智能化。其中一个主要代表就是NetTalk，它能学会将字母序列和读音相匹配。一开始这个网络是用印刷文本训练的，因此听起来就是电脑的声音在朗读单词。不难想像，用不了多长时间，神经网络就可以和人类对话了。而全国新闻在报道时，却将NetTalk错误地解释成一种可以学习阅读的机器。尽管它的展示表演很精彩，但其实际功效只能归于微不足道——它不会读，不能理解，没有任何实用价值。它所做的只是将字母和预先确定的声音模式相结合而已。

让我们分析一下，看看神经网络与真正的大脑之间的差距到底有多大。假设我们要研究的不是大脑，而是一台数字计算机的工作原理。多年努力之后，我们发现电脑是由晶体管构成，上千万的晶体管精确而复杂地连接在一起构成一台计算机，但我们还是不明白计算机是如何工作的，也不知道这些晶体管为什么要这样连接。于是我们决定将几只晶体管连在一起，看看到底会发生什么。你瞧，区区三只晶体管用某种方式连接在一起，就成了放大器，一端输入的信号在另一端被放大。（收音机和电视机里的放大器就是这样制成的。）这是一个伟大的发现，一夜之间形成了一项新工业，开始制造收音机、电视机和其他各种使用放大器的电器。这本无可厚非，但它并没能告诉我们计算机是如何工作的。尽管放大器和计算机都是由晶体管构成，但除此之外，它们再无任何相似之处。同样，真正的大脑和三列的神经网络都是由神经元构成，但它们几乎完全不同。

我在1987年夏天的经历，又给我对神经网络并不高涨的兴趣泼了一盆凉水。在一次神经网络会议上，一家名为Nestor的公司展示了一种能够识别模板手写文字的神经网络，并要价100万美元。这引起了我的注意。尽管他们在这种神经网络规则系统的尖端性上大做文章，甚至将它吹嘘成另一项重大突破，但我觉得手写识别的问题可以通过另一种更简单、更传统的方法解决。回家后，这个问题一直萦绕在我的脑海之中。两天后，我设计出一种速度更快、体积更小、使用更灵活的手写识别器。它不使用神经网络，工作原理也和大脑完全不同，其规则系统的灵感来自于我正在学习的一种与大脑有关的数学。那次会议促使我去设计一种带有触笔接口的电脑（最终这个想法成就了10年后的PalmPilot掌上电脑）。我设计的手写识别器为后来一种名为Graffiti的输入系统奠定了基础，这一系统在第一代Palm产品上广泛使用。我知道Nestor公司在这一场竞争中被淘汰出局了。

简单的神经网络就到此为止。它的大部分功能都可以被其他方式轻易地取代，媒体的大肆宣传最终也偃旗息鼓了。至少，神经网络的研究者们并没有表示他们的模型是智能的，它们毕竟只是一些极其简单的网络，与人工智能相比并无过人之处。我并不想给大家留下一种印象，认为所有的神经网络都只有三层简单的变化。实际上，一些研究人员一直在研究不同设计的神经网络。如今，这个名词被用来描述各种不同形式的模型，其中一些在生物学角度看来是精确的，而另一些则不是。但不论怎样，它们几乎都忽视了对新大脑皮层的功能和构造的研究。

我认为，大多数神经网络和人工智能都有一个共同的特点——它们只注重行为，而这正是神经网络的问题所在。不论这些行为被称为“回应”“模式”还是“输出”，人工智能和神经网络研究者都认为智能存在于行为之中，而这种行为是执行一个输入后，由一个程序或神经网络产生出来的。电脑程序和神经网络最重要的属性就是能否进行正确的、令人满意的输出，就像阿兰·图灵所说的，智能等同于行为。

而实际上，智能并不是一种动作，也不是某种聪明的行为。行为只是智能的一种表现，绝不是智能的主要特征或对于智能的首要解释。思考就是有力的证明：当你躺在黑暗中思考时，你就是智能的。如果忽略了头脑中的活动而只关心行为，将对智能的理解和智能机器的发明造成障碍。

****************************

在进一步探索智能的定义之前，我想介绍另一种连接方式，它与真正大脑的工作原理更接近，但问题是，几乎没有人认识到这项研究的重要性。

正当神经网络大出风头时，一小部分理论学家从中分离出来，发明了一种不以行为为中心的网络，称为“自-匹配记忆”（auto-associative memories）。它也是由相互连接的简单神经元构成，这些神经元在达到某个临界点时可以自动激活。但它们之间的连接方式不同，其中涉及大量的反馈。与只能正向传输的反向传播网络不同，自-匹配记忆可以将各个神经元的输出传回给输入——就像给自己打电话。这种反馈回路形成了一些有趣的特点。当一种行为模式施加在人造神经元上之后，它们就会对这种模式形成记忆，这种记忆网络将行为模式和它自身联系在一起，因此被称为“自-匹配记忆”。

乍看起来，这种回路的结果似乎很荒谬。如果要检索一个被存储的模式，你就必须先提供这个模式。这就像去食杂店买香蕉，当店主问你如何付款时，你回答说用香蕉付账。你可能会问：“这有什么用呢？”然而，自-匹配记忆所具有的一些特征恰巧能在大脑中找到。

第一点，其最重要的特征是：要检索某个模式，不必要有这个模式的全部，只要有其中的一个部分或一个乱作一团的模式，即使你从一个混乱的形式开始，自-匹配记忆都可以检索到以原始形式存储的正确模式。就像你拿着一些吃剩的、已不新鲜的香蕉来到杂食店，换回的却是整爪的新鲜香蕉。或是你拿着被撕破、已无法辨认的钞票来到银行，工作人员对你说：“我想这是一张破损的100元钞票。把它给我，我给你换一张崭新的100元。”

第二点，和其他大部分神经网络不同，自-匹配记忆可以存储多序列模式，也被称作时间模式。要实现这一特征只要在反馈上设计一个延时即可，这样你就可以输入一个序列模式，比如一段旋律，自-匹配记忆就可以记住它。当我输入“一闪一闪小星星”的前几个音符时，它马上就可以播出整首曲子。如果输入的是一个序列的一部分，它也能将其他部分回忆起来。正如我们将要读到的，在现实中，人就是用这样的序列模式进行学习的。我认为大脑就是利用了一个类似自-匹配记忆的回路来实现这一目标的。

自-匹配记忆反映了反馈和随时间变化的输入的重要性。但遗憾的是，绝大多数的人工智能、神经网络以及认知科学家都没有注意到时间和反馈。

从整体来看，神经科学家的研究也不尽如人意。尽管他们知道反馈，而且反馈也是他们发现的，但他们当中大多数人没能够提出任何理论（除了对阶段和调整有不确切的看法之外）对大脑为何需要如此多的反馈做出解释，而且在他们对于大脑完全功能的看法中，时间所占的地位也是微乎其微。他们说明大脑活动的依据是某个事件在大脑中所处的位置，而不是神经激活模式相互作用的时间和方式。之所以出现这种偏见，部分原因是目前实验技术的限制。20世纪90年代——“大脑研究的十年”中，最令人振奋的技术之一是功能造影。功能造影仪可以给人脑活动拍下照片，但却无法记录快速的变化。于是科学家们就像拍普通光学照片那样，要求受试者一遍又一遍地将注意力集中在单一任务上。但这不是普通光学照片，而是智力活动的照片。结果，他们获得了大量数据，表明某种任务在大脑的反映区域，但有关随时间变化的输入是如何流经大脑的数据却几乎没有。功能造影技术使我们观察到特定时刻事物发生的区域，却无法解释大脑活动在一段时间内是如何变化的。科学家希望收集到这样的数据，但苦于没有可行的技术支持。于是，许多主流的认知神经科学家仍然相信那种输入/输出谬误，即：从固定的输入推断输出的内容。从脑皮层接线图可以看出，大脑活动从最基本的感觉区域——图像、声音和触觉进入的区域开始，传导至更高级的主管分析、计划和运动的神经区域，然后将指令传达给肌肉。由此可见，人是先有感觉，然后才有行为的。(www.daowen.com)

我并不是说所有人都忽略了时间和反馈。在如此广阔的科学领域中，任何一种想法都有其追随者。近年来，越来越多的人认识到时间、反馈以及预测的重要性；然而人工智能和经典神经网络的蓬勃发展，使得其他研究方法在许多年中都未能引起人们的重视。

****************************

不论外行还是专家都认为，行为是智力的特征。这一点不难理解。至少在以前的几个世纪中，人们总是将大脑的功能和钟表、水泵，后来的蒸汽机，再后来的计算机联系在一起。近十几年的科幻小说中都充斥着人工智能思想，从阿西莫夫（Asimov）的机器人理论到《星球大战》中的C3PO，认为智能机器必须能做点什么的观念已经在人们的想像中根深蒂固。所有的机器，无论是建造出来还是想像出来的，都必须能做些事情；世界上没有会思考的机器，只有能干活的机器。甚至当我们在观察自己的同类时，所关注的也是他们的外在行为，而不是内在思想。因此，我们会直觉地认为，智能行为显然应该是智能系统的衡量标准。然而，综观整个科学史，我们不难发现直觉往往是发现真理的最大障碍。科学的框架体系很难被发现，不是因为它们复杂，而是因为直觉上的错误假设使我们无法找到正确的答案。哥白尼（Copernicus，1473—1543）以前的天文学家错误地假定地球处在宇宙的中心固定不动，原因就是人们感觉它是不动的，而且看上去是在宇宙的中心；人们凭直觉可以清楚地看到，星星形成了一个围绕地球旋转的巨大天体。如果有人说地球像陀螺一样自转，它的表面每小时移动1000多千米，而且地球本身还在天空中飞驰（更不要说那些星星在距离我们上万亿千米的远方）——这足以让别人把他当作疯子。然而这一切后来被证明都是正确的。道理很容易理解，但从直觉上看却是错误的。

在达尔文之前，物种的形式显然是固定不变的。鳄鱼与蜂鸟不可能相提并论，因为它们是如此不同甚至相互对立。而现在，物种进化的思想不但不再与宗教教义相悖，而且已经成为人人皆知的常识。进化论认为，你和居住在这个星球上的所有生物一样，拥有共同的祖先，包括蠕虫甚至你厨房中摆放的花草植物。我们知道这是对的，但直觉却让我们有相反的感觉。

我之所以提到这些著名的例子，是因为针对智能机器的研究也受到了这种直觉猜测的限制，阻碍了我们的发展。你会问自己：“智能系统可以做什么？”从直觉上看，它显然是通过行为来思考，我们通过演讲、写作和各种动作来展示我们的智慧，难道不是吗？是的，但不完全是。智力是某种发生在我们头脑中的东西，行为只是它的一部分。这一点从直觉上看不明显，但理解起来也不困难。

****************************

1986年春天，我阅读了大量科学论文，整理了智能研究的历史，并时刻关注着人工智能和神经网络领域的不断变化。整日的伏案苦读之后，我发现自己被细节淹没了。还有源源不断的材料等着我去研究，但对于整个大脑是如何工作的或者说它到底做了什么，我仍然无法找到一个清楚的答案，原因是神经科学领域本身就充斥着细节，直到现在仍然如此。尽管每年都会发表上千篇研究报告，但这些报告只是徒增书桌的负担而已，对于这些细节的组织毫无益处。对于大脑的作用以及工作原理仍然没有形成全面的理论和框架。

从此，我开始思考解决这个问题的方法。它会不会因为大脑的复杂而极为复杂呢？是否要用写满100页纸的数学公式才能描述清楚大脑是如何工作的？我们是否要画出成百上千的线路图才能做出一个有意义的解释呢？我不这样认为。从历史上看，对于科学问题最完满的解决办法往往是简单而精确的。尽管细节工作可能令人生畏，通往最后理论的道路可能充满险阻，但最终的概念框架体系通常是简明的。

因为没有一个核心的解释作为引导，神经科学家无法将它们收集到的所有细节统一起来。大脑是由无数细胞构成的，数量之多、结构之复杂令人生畏。乍看来，它就像一个装满煮熟的意大利面条的体育场，被称为是机械师的噩梦。但如果仔细观察，你就会发现大脑并不是混乱无规律的，它也有自己的组织和结构，只不过它们过于复杂，以至于我们无法凭直觉想像出它们是如何作为一个整体工作的，就像我们不敢想像如何将打碎的花瓶碎片重新拼凑起来一样。之所以不能想像，不是因为没有足够的数据或没有足够的正确数据，我们需要的是换一个思考的角度。有了合适的大框架，细节才会有意义、可操控。看看下面这个有趣的比喻，你就能明白我的意思。

假想一下，1000年后人类已经灭绝，外星高级文明生物登陆地球，他们想搞清楚我们是如何生活的，尤其对我们的公路网络感到疑惑不解。这些古怪而复杂的结构是干什么用的？于是他们地面探查，卫星拍照，整理各种资料。他们像一丝不苟的考古学家那样，从每一个由沥青制成的零星碎片的位置，到自然侵蚀形成的高沟低坎上的路标，记录下所有可以找到的细节。慢慢地他们注意到有些道路网络与其他的不同：有些地方道路崎岖、狭窄，看上去好像毫无规划；而有些地方的道路却形成规则的漂亮方格；延伸一段之后，道路又会变得稠密起来，或是绵延上千千米穿越整个沙漠。他们收集到了堆积如山的详细资料，但这些资料不能说明任何问题。他们只得继续寻找，希望能找到新的线索圆满地解释这一切。就这样，他们在很长一段时间里艰难前行。

直到有一天，其中的一个家伙说：“我发现了！我想我明白了——这些生物不能像我们一样有心灵运输能力。他们只能通过一种设计巧妙的运动平台，从一个地方移动到另一个地方。”基于这个想法，许多细节都得以对号入座了：弯弯曲曲的小街道是很久以前修建的，那时的运输工具很慢；长长的密集道路是用来高速运输、长距离旅行的，这也最终解释了为什么这些道路上有不同的数字标志。由此科学家推断出哪里是居民区，哪里是工业区，以及经贸需求和运输基础设施相互作用的方式，等等。一时间，他们整理出的许多细节变得毫不相干了，只是历史的偶然或当地地理状况要求的结果。但此时，面对同样一堆原始数据，外星生物已经不再感到迷惑了。

我可以充满信心地说，我们恰恰需要这样的突破来帮助我们分析有关大脑的所有细节。

****************************

令人遗憾的是，并不是所有人都相信我们能理解大脑的工作原理。有相当多的人都认为，从某个角度来看，大脑和智能是无法解释的，其中还包括一些神经科学家；甚至有人认为，即使我们了解了大脑和智能，也不可能建造出与之工作原理相同的机器，因为智能必须以人体神经元，甚至某些新的、高深莫测的物理定律作为基础。每每听到这些议论，总会令我想起过去的一些知识分子，他们反对研究天空，也反对通过解剖尸体研究人体的工作原理。“用不着这样做，没有任何意义。即使你弄明白了它是如何工作的，对于整个知识体系也没有任何益处。”类似这样的争辩形成了一个哲学分支——功能主义学派，它是我们在为期不长的思维研究历史上最新遇到的障碍。功能主义认为：具有智能或思维只是生物体的特征而已，与你身体的组织构成没有必然联系。思维存在于任何系统之中，只要这个系统的组成部分之间有正确的因果关系，而这些部分可以是神经元、硅芯片或者其他任何东西。很显然，这个观点是那些有可能制造出智能机器的人争论的议题。

试想，如果用一个盐瓶代替棋盘上弄丢了的马，难道这盘棋就会因此而失去其真实性吗？当然不是。盐瓶在棋盘上来回移动，和其他棋子相互配合，它和一个真正的马在功能上是相同的，因此这盘棋也应该是一局真正的比赛，而不是模拟比赛。另外，如果我用光标将句子中的字符删掉，然后再重新打一遍，难道这个句子就和原来的不同吗？让我们再看一个更熟悉的例子。每过几年，你的身体细胞就会更新一遍，尽管如此，从你身体的重要部分来看，你还是你。只要一个原子在你身体分子的形成中发挥了作用，它就和其他原子同等重要。这种说法同样适用于大脑：如果一个科学狂人将你的每一根神经元用同样功能的微型电脑复制品替代，替代的过程完成之后，你会感到自己还是原来的自己，没有任何变化。

根据这一原理，如果一个人造系统使用了与大脑相同的智能结构，它就可以和大脑一样聪明，并且这不是刻意设计出来的，而是“真正”地具有智能。

我和人工智能的拥护者以及连接主义者都是功能主义者，因为我们相信大脑具有智能并不是出于某种天生的特殊神秘物质，总有一天我们会用某种方式造出智能机器。然而，我们对于功能主义却有着不同的解释。虽然我曾提到输入/输出谬误是人工智能模式和连接主义模式的样本失败的主要因素，并且对这一谬误进行了阐述，但我觉得还是有必要进一步说明为什么我们还不具备设计出智能机器的能力。人工智能的拥护者会认为我走的是一条自我否定的死胡同，然而在我看来，连接主义者的态度一直都过于怯懦了。

人工智能研究人员会有这样的疑问：“我们这些工程师为什么要被进化过程中偶然发现的方法所束缚呢？”从原则上看，他们的问题不无道理。生物系统，如大脑和基因组，都被认为是粗鄙不堪、华而不实的无用品。软件设计员也有一个相应的术语——“拼凑件（kludge）”，指那些缺乏前瞻性而又极其复杂的程序。这种程序毫无用处，只会给人造成负担，有时甚至连编写者自己都看不懂。人工智能研究人员担心，大脑也会是这样一个进化了几亿年的拼凑件，一个充斥着低效能和进化“遗传密码”的混乱体。如果事实如此，他们就会问：为什么不能把这个令人失望的混乱体完全抛开，重新开始呢？

许多哲学家和认知心理学家都赞同这个观点。他们将思维比喻为大脑运行的软件，大脑和计算机硬件具有相似的功能。在计算机中，硬件和软件是完全不同的等级。同一个软件可以在任何一台万能图灵机上运行，比如，个人电脑、苹果机或超级计算机有不同的硬件配置，但它们都可以运行Word软件。但如果你要学习如何使用这一软件，它们的硬件系统不能提供任何帮助。通过这个类比可以看出，人类的思想自然流淌，而大脑却无法帮助我们解读思维。

人工智能的倡导者们还会提出一些历史上声动的实例，来证明工程学上的解决方法与自然之道截然不同。例如：我们是如何制造飞行器的？是模仿有翼类动物扇动翅膀的动作吗？不是。我们的飞机有固定的机翼和螺旋桨，后来又使用了喷气发动机，这显然与自然的安排完全不同，但它很有效——甚至比上下扇动的翅膀更出色。

同样，我们想造出像猎豹一样飞奔的机器，但并没有模仿它的四条腿，而是通过发明轮子，造出了比猎豹还快的陆地运输工具。轮子是在平坦陆地上移动的最好办法，而且这个特殊的方法并不因为不是自然进化的结果而失去它的精彩。一些研究思维的哲学家喜欢用“认知轮子”来比喻对某个问题的人工智能解决办法，尽管这个办法与大脑的工作原理大不相同，但同样出色。也就是说，如果使用某个有局限但有效的程序能使某个任务的输出结果接近（甚至超过）人类的表现，那么这个程序就和大脑的功能不相上下了。

我相信正是这种“只求结果，不问手段”的功能主义解释将人工智能研究者引入歧途。正如塞尔在“中文屋”实验中表明的，行为的等同是远远不够的。智能是大脑的一个内部特征，因此我们必须研究大脑的内部以探究什么是智能。在观察大脑，尤其是新大脑皮层的过程中，我们必须仔细甄别什么是以前进化过程中形成的多余的“冻结的偶然事件”，并且肯定在大脑的重要特性之中混杂有许多无用之物。但正如我们将要看到的，神经回路之中一定潜藏有某种精确的巨大能量等待我们去发掘，而这种能量将超过任何最先进的计算机。

连接主义者凭直觉感到，大脑与计算机截然不同，而且大脑的秘密存在于相互连接的神经元的动作机理之中。这是一个好的开端，但可惜的是，这一领域到此就停滞不前了。尽管曾有上千人致力于三层神经网络的研究，甚至有些人至今仍在努力，但对于仿大脑的神经网络的研究却一直乏人问津。

半个世纪以来，我们调动了人类的全部聪明才智致力于计算机智能化的尝试。在此过程中，我们发明了文字处理器、数据库、电子游戏、互联网和移动电话，甚至还有逼真的恐龙电脑动画，但智能机器却仍然不见踪影。要想取得成功，我们必须从天然的智能引擎——新大脑皮层开始探索，必须从大脑的内部提取智能。除此之外，别无他途。