丘奇-图灵论点与人类认知能力和极限

丘奇－图灵论点与人类认知能力和极限

郝宁湘

（山西大学科哲中心，湛江师范学院政法系）

The Church-Turing Thesis and Human Cognitive Ability and Limit

Hao Ningxiang

Center for Philosophy of Science and Technology, Shanxi University

Department of Politics and Law, Zhanjiang Normal College

摘要：本文以丘奇—图灵论点为背景，论述了人类认知能力及其极限，提出了人类认知的可数无限性，和人的认知能力是受递归规律限制的观点。最后，为计算主义认知观提供了一定的计算神经科学的证据。

关键词：丘奇—图灵论点 人类认知能力及其极限 可数无限性 递归规则

Abstract：Based on the background of Church-Turing thesis, this paper discusses mankind's cognitive ability and limit, points out that mankind's cognition has countable infiniteness property and it’s ability is restricted by recursive rule. At last, the author proposes certain proof of computational neuroscience for algorithmist cognition theory.

Key words: Church-Turing thesis, mankind's cognitive ability and limit, countable infiniteness, recursive rule

一、引言

正如美国科学家马尔所言：“计算”的概念对于认知科学的基本重要性，就像“能量”和“质量”的概念对于物理学的基本重要性一样，就像“蛋白质”和“基因”的概念对于生物学的基本重要性一样。没有计算的概念就没有把智力的研究建立在现代科学基础之上的认知科学。马尔曾举例说明，要理解人类的知觉如果仅仅研究人类的神经细胞，就像要理解鸟的飞翔只研究鸟的羽毛一样，是不够的。要理解鸟的飞翔我们必须理解空气动力学；只有理解了空气动力学才能真正理解羽毛的结构和翅膀的形状。计算理论的分析对理解认知和智力过程的重要性，就像空气动力学对理解飞行的重要性一样。无论人脑和计算机在硬件层次乃至在软件层次可能是如何的不同，但是在计算理论的层次，它们都具有产生、操作和处理抽象符号的能力；作为信息处理的系统，无论是人脑还是计算机都是操作处理符号的形式系统。这种符号的操作过程就是图灵机意义下的“计算”。

87

⑴

丘奇－图灵论点是可计算性理论中最重要的基本结论。它的确立，回答了计算的本质是什么、哪些问题是可计算的、哪些问题是不可计算的等这些人类曾长期探索过的具有重大哲学意义的问题。其意义不仅体现在数学、逻辑学、计算机科学等方面，而且也体现在大脑与认知的哲学方面。如美国学者霍夫斯塔特就曾指出：“丘奇－图灵论点确实是数学、大脑及思维的哲学中最重要的概念之一”。为此，霍夫斯塔特（中文名：侯世达）在其著名巨作《哥德尔、艾舍尔、巴赫》的第17章中，对丘奇－图灵论点专门作了颇有深度的哲学研究，给出了丘奇－图灵论点十种不同的表述形式，它们都是很有意味和深度的。如丘奇－图灵论点的“人工智能形式”：人的任何心智过程都可以用一个计算机程序来模拟，而该程序的基础语言与FlooP（可理解为“一种能且仅能计算一般递归函数的程序”）一样强。这实际上是把丘奇－图灵论点改换成了人工智能论点：随着智能机的发展，它的基础机制会逐渐收敛于人类智能的基础机制。换句话说，一切智能都只是同一主题——计算的各种变奏。⑵

丘奇－图灵论点的人工智能形式是霍夫斯塔特所做的最后一个哲学拓展，也是其之所以给出这一系列哲学拓展的最终目的。我们认为，其拓展在一定意义上是可以接受的，它们为人们理解人类认知之本质提供了有意义的哲学观念。西方认知科学领域中占中心地位的计算主义学派，最集中地体现了这种哲学思想。我们相信，计算主义这条路是颇有前途的。这里我们并不是说计算主义是唯一可行的途径。我们相信并认为，在探索人类认知、意识和大脑之谜的过程中，各种不同的观点和理论会有着相互补充、相互促进的积极作用。霍夫斯塔特是一位对人工智能持乐观、积极态度的学者。相信丘奇－图灵论点为人工智能的最终实现奠定了牢固的基础。不过我们与霍夫斯塔特有所不同：他所关注的问题是，能不能制造一台像人一样思维或认知的计算机。对此，他的答案是肯定的。而我们的兴趣或所关注的问题是，一种怎样的理论才能有效地解释人的认知。我们认为，丘奇－图灵论点对于人们创建一种有效的认知理论是极富启示性的，尤其对考察人类的认知能力和极限更有着最直接的指导意义。

二、不可解性与人类认知的可数无限性

我们认为，丘奇－图灵论点以及可计算性理论乃至整个数理逻辑科学，在哲学上，尤其在认知哲学上均有着极其重大的意义。可以说，它们在最抽象的意义上有效地解释了人类认知的诸多现象和特征。特别是对人的认知能力和极限的认识有非常重要的启示。

现实中，许多人似乎从来就没有经过认真地思考便不由自主地接受了人的认知能力是无限的、没有根本性限制的观点。我们认为,对于任何一个受了人的认知能力是无限的这种思想影响的人,当他面对20世纪许多最深刻和最令人难忘的“限制性或否定性”科学结论时,他都不可避免地要陷入一种尴尬的境地。通常人们最熟悉的这种限制性成果大概要数哥德尔不完备性定理和海森柏测不准原理。不过我们这里要提到的是可计算性理论中的丘奇－图灵论点。从表面上看，丘奇－图灵论点是一个肯定性命题,但也正是基于这个论点,人们才有了对什么是不可计算性的明确认识，并在此基础上相继发现了一大批不可计算或不可判定的问题或命题,丢番都方程有无整数解问题、半群（群）的字问题、四维流形的同胚问题等等就是其中的典型代表。等等这些事实的确定，逐渐让人们体会到,在数学和逻辑领域中,人的认知能力是有限度的。

首先，有了可计算性的精确定义，也就等于有了不可解性的精确定义,即对于一个问题，

88

如果我们证明了其“没有相应的一般递归函数”或“没有相应的一般递归谓词”，那么就可以确切地说该问题是不可解的。这是在数学史上人类第一次认识到，从逻辑意义上讲数学中存在着不可解的问题。以往人们总是以为，任何一个精确表述的数学问题，总是可以判定它是对还是错，是有解还是无解。暂时没有解决，以后也一定会解决。现在看来，有一些问题是根本就不存在算法的，这无疑是对人类智力的一次最深刻、最严峻的挑战。在我们看来，不可计算或不可判定问题的存在（以及哥德尔不完备性定理），不仅是对计算机的限制，而且是对我们人类自己的限制——对人类认知的限制。

其次，根据计算复杂性理论与丘奇－图灵论点，数学家把各种数学问题从其复杂性、难解性的角度作了如下一个分类：一是现实可解问题，即具有多项式复杂性算法的可以有效地解决的P类问题；二是理论上可解但现实不可解问题，包括仅有指数复杂性算法的较难的NP类问题、特殊的最难解的NPC类问题及“NP难的”问题和完全无法有效地解决的超NP类问题；三是理论上不存在任何算法的被证明为不可解的问题。这一结论无疑使任何数学问题都是可解的、甚至都是具有有效算法的幻想彻底破灭了。而这意味着：当我们费尽心思去求解一个数学问题时，我们可能是在求解一个不可解的问题；当我们绞尽脑汁去判定一个数学命题时，我们可能是在判定一个不可判定的命题。我们想要解决的问题可能已经包含了某些超越我们的智力所能把握的困难。而且由于数学家们还认识到，可计算函数共有可数无穷多个，而全体函数的个数却是不可数无穷的，因此不可计算的函数要比可计算的函数多得多（多无穷多个）。也就是说，在理论上，可以求解的问题尽管是无穷的，但不可求解的问题更是无穷的，而且是更高层次的无穷。这便是可计算性理论等数学理论告诉我们的一个铁的事实。

最后，数学和科学是不完备的。基于哥德尔不完备性定理——没有一个演绎推理系统能够回答所有的利用该系统的语言所描述的问题。每一个足够有力量的、一致性的逻辑系统都是不完备的——人们已经认识到数学是不完备的。同样，自然科学也是不完备的——自然科学的不完备性主要表现在存在着许多不可解的科学问题和一些否定性的科学结论。在一篇文章中，我们一方面根据人的认知的不完备性说明数学、科学的不完备性,另一方面又根据数学、科学的不完备性说明人的认知的不完备性。这似乎陷入了一个矛盾的循环论证之中，但我们认为,与其把这视为一个矛盾的循环论证,毋宁把它看作一个真实的现状。不完备的人创造了不完备的数学和科学,这不显得更真实、更符合逻辑吗?人类认知的不完备性正好通过自己的不完备的创造物得以显现,自己的创造物正是反观自己的最好镜面。

由此我们得到启示：1.并不是每一个问题都是可求解的，一个问题没能求解，并不总是因为人们没有找到求解它的方法。我们相信，有些问题无法求解、是由该问题的本性所至，即使将来人类的思维更加发达，技术更加先进，这些问题也依然是不可解的，或依然是没有求解它的方法的。2.理论上可解决的问题并不一定可现实地解决，因为任何问题都有它的时间复杂性和空间复杂性，时间和空间的极限就是求解问题的极限。在我们看来，理论上可解但现实上不可解问题的存在，更主要是对人类计算技术的挑战。无疑，计算不论是现代计算机的计算，还是中国古老的算盘计算，或是人脑的计算，它们在本质上都有一个物理的操作运行过程。这一过程的完成需要最起码的运行时间和计算装置（空间），即计算存在一个基本物理极限。计算的时间复杂性和空间复杂性的存在正是从时间和空间两个方面对计算技术的深刻挑战。3. 人类认识（认识主体）的无限性是可数的、不完备的，而有待人类去认识的对象（认识客体）的无限性是不可数的、完备的。也就是说，尽管人类的认识是无限的，但人类认识（认识主体）的无限性远远小于有待人类去认识的对象（认识客体）的无限性。因而人类总

89

有着永远也无法穷尽的世界奥秘，世界上存在不可知的部分或客体。换句话说，也就是人类不可能成为万能、全知的上帝。注意，我们这里并没有否认人类认识的无限性，人类的认识确实处于无限的发展过程之中。但是，如今从丘奇－图灵论点对人类认知能力的限制，我们进一步看到，人类认识的无限性是一种递归无限性，有待人类去认识的对象的无限性是一种非递归的无限性（现代数学早已揭示，所有递归集构成的集合是可数无限的，所有非递归集构成的集合是不可数无限的）。下面的论述可视为对这一观点的进一步论证。

三、丘奇－图灵论点对人类认知能力的限制

我们认为，丘奇－图灵论点最根本的哲学意义，就在于它表明了人类认知的一种计算主义特征，预示了人类的认知能力和极限，即它不仅是对机器认知的限制，而且是对人脑认知的限制。

在具体论述前，我们首先明确一个前提，大家知道，认知科学的一个被广泛接受的方法论原则是，对认知和智力的理解应从三个不同的层次来分析研究〔马尔〕：第一个层次是最抽象的“计算理论”层次，它关注的主要问题是：计算的本质是什么？或认知的本质是什么？；第二个层次是“表征和算法”的层次，它关注的主要问题则是：计算或认知的具体方法是什么？是如何操作的？完成计算任务的效率如何？第三个层次是“计算的物理实现”层次，它关注的主要问题又是：实现计算的物质载体是什么？它是如何运转的？我们的论点主要是在最抽象的第一个层次即计算的层次上言说的。当然，也不排除其他两个层次。

确切地说，丘奇－图灵论点具体地表明了：①人的认知结构是一种递归结构；②人的认知过程是一种递归计算过程；③人的认知能力是受递归规律限制的，即人只能在递归的意义上认知事物。我们不妨把它称为“递归认知假说”。

基于篇幅所限，这里我们仅就“递归认知假说”的第三部分做一论述。我们说人的认知能力是受递归规律限制的，人只能在递归的意义上认知事物，这包含两个含义：一是指人只能认知（计算）具有递归结构或递归性质的事物；二是指对于非递归结构或非递归性质的事物，人只能做递归性的认知。何以这样说呢？其实只要接受了认知计算主义纲领，上述观点便就是很自然的推论。因为认知计算主义纲领中所说的“计算”就是“递归计算”或“图灵计算”。西方认知计算主义学派的基本口号是“认知就是计算”，说的更具体些更确切些，实际上就是“认知就是递归计算”。既然认知就是递归计算，那么说人的认知结构是一种递归结构，人的认知过程是一种递归计算过程，以及人的认知能力是受递归规律限制的，即人只能在递归的意义上认知事物，便也就是很自然的了。不过下面我们还是给出我们何以提出这一更加具体明确的看法的几点理由：

1.可计算理论或递归论是研究计算的最一般性质的理论，即并不是专门研究现实中具体的计算机的计算能力的，因而它的结论具有很强的普适性、抽象性。由丘奇－图灵论点所揭示的计算本质，它不仅包括数值计算、定理推导等不同形式的计算，而且包括人脑、电子计算机等不同“计算器”的计算，尤其在理论上还包括了DNA计算机、量子计算机等新型计算机的计算。大家不要忘了，以丘奇－图灵论点为基石的可计算性理论是在电子计算机诞生之前的30年代提出的，即它不是在对电子计算机进行总结与抽象的基础上提出的，但它又深刻地刻画了电子计算机的计算本质。如今最先进的电子计算机在本质上就是一台图灵机。现在人

90

⑶

们又进一步认识到，目前尚在实验室阶段的DNA计算机、量子计算机，在本质上也是一种图灵计算。这说明不同形式的计算、不同“计算器”的计算，在计算本质上是一致的，这就是递归计算或图灵计算。因此，我们有理由相信，丘奇－图灵论点是对一切“计算器”的计算能力的限制，进而也就是对人类认知能力的限制。我们想，这或许正是由威格纳所说的“数学那不可思议的有效性”决定的。数学是研究模式的科学。这个模式既可以是一种现实世界的模式，也可以是一种逻辑可能世界的模式。而数理逻辑研究的模式是一种思维的模式、认知的模式和推理的模式。基于数学那不可思议的有效性，数理逻辑研究的这种思维的模式、认知的模式和推理的模式不仅是指人脑的思维、认知和推理模式，还包括一切非人脑——动物、机器等的思维、认知和推理模式。即具有高度的普适性、抽象性和有效性。另外，数理逻辑是人类大脑的产物，我们猜测，这种人类大脑的产物正好是反观大脑自身的最好镜面。我们相信，数理逻辑中许多具体的理论、定理，尤其是递归论、模型论中的理论、定理，均有着丰富而深刻的认识论意义和认知哲学的内涵。而且，我们认为，数学中人们只能解决具有递归性的问题，而对非递归性问题不可解的这一事实，是对我们上述观点的有力支持，亦可看作是一个例证。

2.尽管理论上和现实中存在大量不可解的问题，但对这些问题人们也不是无所作为的，人们依然可以从计算的角度将问题按其计算的难易程度和复杂性进行分类、分层，从而进一步了解有关问题的特征或解的性质。另外，无论是理论意义还是现实意义上的不可解，指的无非是无法得到精确解、解析解，这并不意味着不能得到近似解、概率解和局部解或弱解。对于一个不可解的问题，人们通常可以采取这么几个研究途径：1.不去解决一个过于一般的问题，亦即不妄图去解决一大类问题，而是通过弱化有关条件把问题限制得特殊一些，来解决这个一般问题的特例或更窄的小类问题。2.寻求问题的近似算法、概率算法。这是目前十分流行的研究方法。这就是说，对于不可计算或不可判定的问题，人们并不是袖手无策，而是依然可以从计算的角度，把不可解的问题——或为非递归问题、或为高指数复杂性问题——转化为递归问题或非指数复杂性问题，从而给予解决。这也就是我们所说的，对于非递归结构或非递归性质的事物，人只能做递归性的认知。

3.质疑和反对认知计算主义的人们的一个错误在于把某些问题计算机不能解决而人能解决这一暂时的事实绝对化。如他们认为，尽管今天的计算机可以做人不能做的许多复杂工作,但在模式识别、感知和在复杂境域中决策的能力远不及人。确实，今天的计算机在模式识别、感知和在复杂境域中决策的能力远不及人，但这并不从逻辑上或从根本上构成对计算主义纲领的否定。因为今天的计算机在模式识别、感知和在复杂境域中决策的能力正在不断提高，至多只是提高的速度还不能让大多数人满意。这里我们也想提醒质疑者们注意这样一个事实：计算机在模式识别等方面的发展还不足五十年，而人的大脑却已进化了数百万年。要想在如此短的时间里让计算机全面地达到人脑的水平，是不是太苛刻了些？在我们看来，从这个角度质疑认知计算主义纲领的朋友们实际上是对计算机提出了一个不现实的极其苛刻的要求（尽管其人可能并没有意识到这一点）。谁能料想得到百年后、千年后计算机的模式识别能力将会是什么样的？无疑，计算机不是万能的，计算机不能做的事有很多。但是，我们对这些计算机所不能做的事要有一个清醒的认识，比如，非递归函数它是不能计算的，具有高指数复杂性的问题它也是很难解决的，不过这些也是人脑所无法解决的。这正如有人说，计算机连同人的局限性也一起“复制”了。但更多的情况是，一些问题一时无法由计算机解决，那是基于计算机技术的相对滞后。只要不是出于计算机之本质的原因，那么今天不能做到的事，

91

明天就可能做到。质疑和反对认知计算主义的人们的另一个错误在于默认和假定了人脑能解决任何问题。这种假定实际上把人想象成了充满无限真理的一个无限复杂的有机体或无所不能的“上帝”，认为人脑可以进行无限复杂的各类认知（计算）。在我们看来，认为人的认知是没有任何根本性的局限性或限制性，这是毫无根据的形而上幻想，是一种乌托邦。因此，只要放弃这种没有根据的幻想，就不难体会到丘奇－图灵论点也会是对人类认知能力的限制。

4.更有人认为，数理逻辑中的一些结论，尤其是哥德尔不完备性定理，证明了计算机的能力是有限的，甚至认为，该定理表明了人工智能的极限，宣告了“人心永远胜过计算机”。对此，图灵早就指出：“尽管它（哥德尔不完备性定理）已经证明任何一台特定的机器都是能力有限的，但它并没有任何证据说，人类智能就没有这种局限性。另外，哥德尔不完备性定理是不是表明了人工智能的极限，宣告了“人心永远胜过计算机”，这也不是像某些人说的那么简单。“电脑能否代替人脑”，“人类能否沦为机器的奴隶”,“人心是否永远会胜过计算机”？这是哲学家和人工智能专家及其反对者争论了半个多世纪的问题。在这一争论过程中，哥德尔不完全性定理扮演了一个重要角色。一批具有数理背景的科学家和哲学家很难抵御用哥德尔不完全性定理论证“人心胜过计算机”的诱惑。因为，哥德尔定不完全性理告诉我们，在任何包含初等数论的形式系统中，都必定存在一个不可判定命题。在有了图灵机概念以后,它的一个等价命题是，任何定理证明机器都至少会遗漏一个真的数学命题不能证，数学真理不可能完全归为形式系统的性质。这似乎表明，在机器模拟人的智能方面必定存在着某种不能超越的极限，或者说计算机永远不能做人所能做的一切。那么,依据哥德尔不完全性定理真能直接推出人的智能必定超过人工智能的结论吗?心、脑、计算机、哥德尔不完全性定理之间究竟有什么关系?哥德尔本人对此又是如何评价的？有人依据近年来公布的哥德尔的重要手稿及私人谈话纪录，探讨了他对心-脑-计算机问题的认识。⑷根据有关材料介绍，哥德尔本人认为，仅仅依据他的不完全性定理不足以推出如此强硬的论断，需要附加其他的假定。在哥德尔看来，附加了“人类理性提出的问题人类理性一定能够解答”这样一个哲学假定，就能从不完全性定理推出“人心胜过计算机”的结论。即便如此，哥德尔也意识到，这种对于计算主义的否证未必令人信服，因为它毕竟是一种推论式的。然而在我们看来，想要附加的假定“人类理性提出的问题人类理性一定能够解答”本身就已经被证明是错误的。数学中大量被证明不可解或不可判定的问题，难道不是由人类理性提出来的吗？只要承认丘奇－图灵论点，丢番图问题等的不可解就不得不承认。当然，寻求丢番图问题的近似解、局部解或弱解是可以的，但这已与我们所讨论的问题不相干了。这个结果也许多少会超出某些人士的想象。我们认为，这是大家应该接受的一个十分客观的结论。

以上我们简要地阐明了我们何以认为“人的认知能力是受递归规律限制的，人只能在递归的意义上认知事物”的几点理由，类似的理由还可以举出不少，但我们知道，这些都主要是一些哲学思辨，而且很粗略。它的确认还需要更为严谨的论证和大量的例证。尤其需要从一般意义上确认“认知就是计算”这一基本纲领，使其不仅是一个科学假说，而且是一个能够通过各种检验和实证的科学命题。下面我们试图从计算神经科学中为认知计算主义纲领提供一些证据。

92

四、来自计算神经科学的证据

人类对于脑与意识、脑与认知的关系的探索已经走过了漫长的道路，并且在这条道路上立下了一个又一个里程碑。计算神经科学与神经计算科学就是其中两块重要的里程碑。它们在探索大脑—认知—计算之间的关系问题上做出了重要的贡献。计算神经科学的目标在于阐明脑的信息处理的基本原理，理解神经结构如何达到其效应，探索神经系统完成何种功能，揭示由神经系统的状态所实现的表象的实质，其宗旨就是研究脑是如何工作的。神经计算科学则在于探索神经计算的数理基础和计算原理，并将其应用于发展新的脑式信息处理系统。可以说，前者的目标侧重于从计算的角度理解脑，后者侧重于受神经计算的启示来创造脑。二者相互支撑，使人类在认识自身的道路上向前迈进了一大步。

计算在向各门学科的渗透过程中，最终也成为神经科学中的一个重要观念。在认知科学中，计算指在符号操作层次上，在能提供语义解释的符号代码的形式表达上，所进行的某种受规则约束的变换。在计算神经科学中，计算指任务分析或信息处理。如果我们从计算的角度去发展某些理论来解释神经系统某一部分的功能——如一个神经网络，或者某一单独神经元，或者某一个突触，或者某一网络系统，那么这些结构可以被看作是在进行计算，于是它们可以被看作是某种计算机。当然，这并不是指神经系统就是目前的一台电子串行数字计算机。因为脑与电子串行数字计算机在许多最重要的方面有较大差异。于是，问题变成了“脑是一种什么样的计算机?”当今，关于在神经系统中的计算的想法是将脑看作是一台混合计算机。

马尔从计算机科学中的层次概念出发，定义了视觉信息加工的三个层次：计算层次、算法层次和物理实现层次。计算神经科学继承并发挥了这一层次观。神经系统的组织层次按空间尺度有：分子、膜、突触、神经元、核团、回路、网络、层、投射、系统。对于每一结构层次，都可以提出关于计算的问题。应当指出的是，神经系统的每一个组织层次，仅仅是概念上的分离，功能上的相对独立，而不是物理上的可分性。在脑内，它们全都属于一个综合的、统一的、复杂的生物计算系统的不可分割的一部分。这就是说基因组信息和信号传导会作用到离子通道，神经元的功能依赖于突触的信息传递，而神经元的信息处理又依靠它与另外的神经元在微回路中的相互作用，而回路本身又由它在脑内的总的几何位置而起到特定的作用等等。神经系统还存在若干生理层次：离子运动、通道结构、动作电位等，还可能有另外的一些插入层次。这样多的组织层次表明存在许多实现层次，而每一个层次又都伴有对任务的描述，于是又存在许多算法的分支。可以说，层次之间有着自相似的嵌套结构，在某个层次上它们是“元素”，在低一个层次，每一个“元素”又是一个“结构”，如此往复。在计算神经科学的框架中，计算任务、算法与实现三个层次并不是互相独立的，也是“你中有我”，“我中有你”，“我中有自己”的嵌套结构，算法中有实现，实现中又包含计算任务；自上而下看，是实现层次，自下而上看又是算法。如从神经元之间的通信观点看，动作电位可以被看作是实现，若从离子分布的观点看，动作电位又是计算，因为它是对许多信息源整合的结果。没有一个神经模型可以期望贯穿全部层次。在某一个层次上看上去是本质的特征，而对另外一个层次却可能是某种无意义的细节。假如出现一种完备的“脑理论”，它就必将连续的、相互重叠的，从低层次到高层次确立推理的链条，以及包括不同空间的、时间的、结构的和计算的层次。只有到那时，计算神经科学才达到了自己唯一的目标——理解脑是如何工作的

93

和发展脑式的信息处理系统。

下面我们有选择地介绍一些已获得的认识。大家知道，神经元和它的网络是感知、动作和记忆的基础。随着人们对神经元的了解的深化，有关神经元如何工作的图景有了很大的改观。

1.在人工神经网络中，神经元常被称为“处理单元”。人工神经元是生物神经元的一种近似。作为神经网络的基本处理单元，它首先必须对输入信号进行评估，以确定每个的强度大小；其次它必须计算出组合输入信号的“总和值”，并且与某一门限值电平作比较，最后确定处理单元的输出。正如生物神经元有许多激励输入一样，处理单元也应该有许多的输入信号，它们同时输入神经元。其响应（激活与否）取决于某一阈值电平。处理单元的输出数目也同生物神经元一样仅有一个。此外实际神经元同时还受到输入信号以外的其他因素的影响，在处理单元上称为偏移项。处理单元的每一个输入都有一个相对加权。其作用是影响该输入的作用，这一点类似于生物神经元不同的突触强度，有些输入在产生脉冲输出过程中所起的作用比另外一些输入更为重要。在网络中，权值是可自适应调整的系数，它决定输入信号的强度。因此，人们也常常把它们看成为连接强度的一种测度。处理单元的初始权值可以根据网络自身的规则进行改进修正，以响应不同的输入。

神经元函数是反映神经元输入—输出关系的，在功能上由二个部分组成。①求和函数（?）：所有的输入信号经权系数加权后进行求和运算，并且与某一阈值作比较，以确定输出。②激活函数(f)：处理单元的激活（或活性）函数一般都是非线性的，并且类型很多。总结归纳基本处理单元的上述特点，每一神经元接受来自其他神经元的刺激电平（即输入），该信号首先经可变强度突触（权值）传入神经元，神经元分别进行“求和”及“激活函数”的神经元函数变换，产生一个输出，此输出即为该神经元的当前状态。根据神经元函数的不同，基本处理单元可有不同的作用方式。应该指出，尽管处理单元根据其函数类型的不同有多种不同的作用方式及相应的特点，但是由于其简单性，单个处理单元在“计算”能力上并不强。只有把许多的神经元连接起来，构成一个网络系统，才能完成复杂的“计算”任务，呈现“智能”的特性。

2.大家知道，信息是需要载体的，其传递是需要通道的。在大脑中，信息是以生物信息的形式存储、传递和加工的。具有电导性的离子就是一种重要生物信息载体。在神经科学中，离子电导性的第一个作用是产生动作电位，第二个作用是确定具体的放电模式。离子通道是广泛分布在多种膜上的一种跨膜蛋白，其空间结构所具有的孔径就是离子进出膜的通道。早已知道，离子的电导性是十分复杂的，其放电模式是具有多样性的。某一给定的离子电导性可能提供一种或多种性质。输入的变化、膜电位或化学环境的一些变化都可以改变某一神经元的放电特性。因此，在神经网络上的神经元由于处在不同状态之间的动态变化而可能产生不同的网络结构。这些变化增加了网络可能的状态数目。另外，实验还已经证明，单个离子通道具有典型的复杂开关行为。

动作电位是神经元用以编码信息和经过轴突与另外的神经元通信的主要手段。沿轴突传递的“全或无”式的电脉冲，正常情况下从胞体向轴突远端的许多突触传递。不同的神经元的离子电导性具有不同的离子电导平衡，其结果就是在脑的不同区域的神经元具有内秉的、不同的放电性质。假定某一个形式神经元具有n个离子电导性和n个阈值，当它在每个阈值上被激活时，将触发不同的放电模式，每个放电模式又将包括某一定的输入-输出关系。为了加工某一给定的输入-输出关系，就应当驱动工作电压趋向于n个阈值中的相对应的那个阈值。

94

⑸

这个目的有可能采用外部的（神经调制）来达到。某种给定的输入-输出关系可能涉及到学习，而另外的可能涉及到记忆的巩固。

3.树突是用来区分神经元类型的非常精确和唯一的结构。现在人们已经知道，树突的功能不只是传递突触输入到细胞体以实现线形叠加，更重要的是，树突是神经元中基本的计算单元。计算机模拟表明，树突这样的神经元将更为有效地完成对其输入的乘法运算，而不是加法运算。在神经系统中，乘法运算是一种较为普遍的非线形操作，并假定它在细胞水平上通过上述过程来加以实现。人们还估计，树突脉冲将支持全-或-无逻辑运算，这种逻辑运算可以发生在树突树的实验中。具有树突的神经元能完成的计算功能主要有：运动方向计算、多维模式的分类和作为许多独立的功能单元工作等。另外，有关相邻的树突棘相互作用的研究表明，在可兴奋性树突棘之间的相互作用为信息的传递提供了一些可能性。已有人证明，基本的逻辑操作与门、或门以及与非门可以从可兴奋性树突棘之间的相互作用中产生出来。

4.突触是脑的基本操作单元，它对于脑的重要性，如同原子对物质、DNA对生命那样重要。突触所具有的一些特性可能是学习和记忆的基础，也因此可能成为脑的智力基础，其次，突触的相互作用对于神经网络模型在所有层次上的复杂性都是至关重要的。大脑计算的本质可能就在于突触计算。这里我们主要介绍一下，突触对脉冲序列的定时、间隔和模式的编码。编码是指变量之间的映射，用来确定相对应的突触前和突触后活动的相互关系的规则，称作突触编码。每个突触都有自己的编码，不同的突触一般来说具有不同的编码。如果神经元x或y参与编码，并且存在某一种地形关系协调，它与其作用到的细胞集合Sx或Sy，这就是空间编码；而每一个突触与某一种功能关系相对应的脉冲序列，就是时间编码。也就是说，不仅哪些神经元被激活，还有它们在什么时刻被激活，对编码都是很重要的，空间和时间是神经信息编码的量纲。每个突触都编码着相对应的突触前与突触后脉冲序列之间的某种关系，这种关系就体现在脉冲序列的定时、间隔、瞬时脉冲放电速率平均和放电的时空模式中。

5．神经计算的基本思想。要了解神经系统的功能，就需要理解信息是如何编码的，以及被编码的信息又怎样能用于一系列神经计算之中，即解码过程。有人提出了神经计算的一个总体思想：采用动作电位定时来编码信息和采用时延网络来计算其表达。认为定时—时延作为刺激表象—计算：诸多变量的集合是由动作电位出现的准确定时而不是脉冲的发放速率来编码和表达的。依据模拟变量集合所进行的模式比较，可以通过不同的信息通道，和它们所具有的不同的时延网络来加以实现。其主要特点是：①解决模拟模式识别问题简单而自然；②可以将一个问题分解为更小的部分，结果又可以联合起来；③待识别的模式的信息可嵌入到轴突或细胞的时延中。这样的网络比采用脉冲瞬间速率变量编码具有更大的计算能力和运算速度。如果每个脉冲到达的精确时间是有意义的，那么，时间变量将提供传递信息的巨大能力。倘若这种类型的神经计算在脑内确实存在，那么为适应新的刺激，时延必须是可学习的和自适应的。正确的时延可能是通过类似Hebb学习律，加强相应的突触而加以选择的。换言之，如果突触延迟至关重要，那么当突触前—后细胞发放近于同步时，突触延迟就可能得到修饰。如今，有关模拟信息是以神经元动作电位定时进入集体振荡模式来实现编码和表达的思想，正在得到日益增多的实验证明。并且认为，这样的计算方式，可以解释为什么同一种神经构筑可以用在不同的感觉通路和完成看似不同的神经计算中。它很可能标志着人们对脉冲放电定时的神经编码和神经计算的含义的观念性转变。

总之，随着科研手段的不断进步，人类认知研究已从哲学和心理学范畴进入当今世界最前沿的科学领域。科学家已经开始从分子水平上来揭示人类认知之谜，甚至开始利用这些新

95

发现研制生物计算机。科学家已经从分子层次上发现，生物大分子之间遵循着化学和物理规律发生相互作用，在相互作用过程中一些生物大分子形成了“生物电路”。“生物电路”具有类似计算机的信息传输和处理，甚至逻辑运算的功能。如剑桥大学的科学家对一种细菌中的蛋白质进行了研究，结果发现细菌内部存在着由蛋白质构成的信息处理网络。这种网络有可能根据分子密度和形状等性质的变化传递和处理信息，该网络能够根据接收到的信息驱使细菌游向营养物质所在的地方。科学家认为，最能体现“生物电路”功能的是在生物胚胎阶段，不同的细胞产生的反应不同，不同的细胞之间需要进行信息传递，并在细胞内部处理传递的信息。细胞之间的反应十分协调，最终能生长成一个生物体，这表明细胞之间的信息传递和处理功能十分强大。另外，美国斯坦福大学的科学家也在细菌中发现了“生物电路”。他们在生物利用能量的糖酵解过程中发现了逻辑运算现象，并找到有关的“逻辑门”，逻辑门电路是电子计算机的主要构件之一。

确实，人们一直对计算机能否像人一样思维存在争论，目前已经问世的各种人工智能计算机远未达到人类的智能。但最新的研究表明，能够与人类智能媲美的计算机完全可能问世。根据这些新发现，一些科学家提出了生物计算机的设计思路。这些设想中的生物计算机运算速度和贮存容量将大大超过现有的电子计算机。而在这些生物计算机中科学家最看中的就是DNA计算机。因为DNA上含有大量的遗传密码，它通过生物化学反应完成遗传信息的传递，这一过程是生命现象的基本特征之一。科学家认识到，DNA分子中的密码相当于存储的数据，DNA分子之间可以在某种酶的作用下瞬间完成生物化学反应，从一种基因代码变为另一种基因代码，反应前的基因代码可以作为输入的数据，反应后的基因代码可以作为运算结果，如果控制得当，那么就可利用这种过程制成一种新型计算机。美国南加利福尼亚大学的伦纳德.阿德拉曼博士提出的“DNA计算机理论”，就是这方面的开创性工作。生物计算机是人们多年来的梦想，它可彻底实现现有计算机所无法真正实现的模糊推理功能和神经网络运算功能，是智能计算机的一个突破口之一。当然，生物计算机的实现还需要一个漫长的过程。但是，DNA计算机理论的提出，以及个别案例在实验室中的成功运算，无不说明生物大分子不仅存储着大量的数据（信息），而且是按照“计算”的方式在处理数据（信息）。这一切为我们从分子水平上说明认知、思维是一种递归计算提供了现代生物学的支持。

参考文献

⑴ (美)D.马尔.视觉计算理论.科学出版社,1988年.P.27.

⑵ 侯世达(霍夫斯塔特):《哥德尔、艾舍尔、巴赫》,商务印书馆,1996年8月版。 ⑶ (美)D.马尔.视觉计算理论.科学出版社,1988年.P.24-25.

⑷ 刘晓力.哥德尔对心-脑-计算机问题的解 自然辩证法研究1999,11. ⑸ 郭爱克.计算神经科学.上海科技教育出版社，2000年12月版。

96

本文来源：https://www.bwwdw.com/article/jybg.html