根据以前的经典控制论的比喻,大脑可以被看作计算机。最近的理论探索则把这个问题的提法倒一个个儿,问道:神经生物学可以为致力于下一代计算机系统研究的工程师提供些什么呢?神经系统有三个并不能完全割离的抽象功能,即模式形成、模式识别和动作;它们都可以统一在一个概念框架下面。信息的存贮和查询机制与容错的、适应性并行结构有关。“学习”和“可塑性行为”则根据非线性动态系统的理论做出解释。由于神经发育和可塑性都可以用强加了随机影响的确定性模型来逼近,噪音在技术性的计算器件的操作中也会起一个正的作用。分子计算是根据与“基于神经生物学”的计算机的最终硬件实现的关系来讨论的。

大脑和计算机:颠倒了的比喻

在控制论诞生之初,可以在新的光明中看到许多古老的形而上学问题。我们的大脑是否是“机器中的魔鬼”?大脑和计算机之间的相似处是什么?它们之间不可归约的差别又是什么?“建立”人工智能的机会又是什么?至少有三个不同的因素支持着对这些问题的兴趣。第一,抽象机器,自动机和算法的理论已经形成,特别是阿兰 · 图灵(Alan Turing)研究了算法而不是公理系统的效率。第二,物理过程中以前被忽视的一个方面——“信息”被引入,并且得到强调:已经定量刻划的信息可以被存贮、传输并且转换。第三,麦克洛 - 皮茨(McCulloch-Pitts)的逻辑神经网络模型为计算神经行为的某些方面提供了可能性。

由于证明了图灵机和逻辑神经网络之间或多或少的等价性,人们对于大脑和计算机之间的类似性的信念得到了加强。然而,逻辑神经元是形式化单元,因而,结论的范围就受到了限制。早期人们认为的类似都是基于逻辑单元的相似性上,而对于作为信息处理的两个极为不同的工具的神经系统和计算机则未予重视。

早期的人工智能研究摆脱了寻求硬件层次上类似的企图。“0”和“1”的序列被更一般化的符号所取代,而符号操纵则被认为是刻划“自然的智能”和“人工的智能”(AI)的过程。

神经科学和人工智能的大目标是一致的,它们都致力于理解思维和“智能”行为的基本过程。神经生物学多少是经验性研究神经单元和中枢的结构和功能,它对机制感兴趣,而人工智能研究则对计算方法精益求精,以研究人脑的特定的功能行为。尽管做了许多努力,这两门学科则似乎各自越走越远,没有希望再凑在一起了。

过去的几年中,动态系统理论得到了巨大的发展。复杂结构(如生物有机体和计算机)都可被解释为具有自组织性质的系统,表现出非同一般的动态行为。考虑到新的研究结果,许多诸如个体神经发育、可塑性行为和学习、与神经无序有关的“异常”神经动力学、计算、视觉和运动控制等基本的神经现象,都可以用算法来逼近,这些算法&述了抽象的模式形成和模式识别。大脑可以在内部故障和输入出错时表现出异乎寻常的容错行为,这一点使人感到迷惑,这表明大脑的操作是基于单元的集体性动作和非串行的计算机制的,对于神经硬件的并行计算的理解是理论神经生物学的主要挑战之一。神经科学家与计算机工程师的合作可以导致设计“基于生物学”的计算器件的新概念。本文旨在有助于这种合作。首先,我们评述某些神经系统的组织原理,接着简要讨论动态系统论方法在神经模式形成和模式识别中的应用,我们还会谈及神经机器人和各种不同的“神经计算机”的最终硬件实现。

神经生物学背景

1)大脑皮层可以被看作哺乳动物的神经系统的高级功能的主要中枢。虽然其它的神经结构也有保留过去事件的痕迹的能力,但大脑皮层是记忆与学习的主要结构基础。

大脑皮层的结构组织反映在它的模块体系结构中。皮层可以被看作是两维的平面,只有几个微米厚,形成六个平行的水平层次;在原始感觉区中,通过生理学方法还发现了垂直柱型组织。后来,垂直柱型结构的方向是皮层组织的一个一般特点这一点变得明显了。虽然发现了柱型体系结构之后,皮层被考虑为包含独立模块的结构,而对于柱面间的(动态)连接和水平整合的作用的论断似乎也正在被人们信服,这些外皮皮层的形状,大小和细胞数目在每柱面有5000个细胞的哺乳动物的相当广泛的遗传范围内似乎都是不变的目前,尚未很好地建立起柱面的重要性。然而,视觉皮层的视觉优先的柱面似乎为整合左眼与右眼的输入提供了机制;在前额叶的相联皮层中极其精致的趋同作用为在细胞水平上研究认知功能提供了可能性。在最近将展开更进一步的研究。

2)有可能采取这样的观点:连接既不是某些严谨的确定性的结果,也不是某种随机事件的后果。确定性 - 随机性难题的一个可能的解答已经由这样一个原则所提供了,即“小处随机性,大处结构化”。这样一个原则接受了大脑中随机效应的存在,但同时也允许波动的“平均化”。与内部噪音源有关的随机性已经被引入神经网络的动力学理论之中,这是受到统计物理学方法启发的。

接受表面皮层柱状结构的动态特性,十分明显,皮层连接的内部连线尽管有极其不寻常的特殊性,仍不能被遗传地预先确定,随机性在有序神经连接的形成中扮演着重要角色。

3)脊椎神经系统的许多部分都是根据位置原则,即位置有序的方式而组织起来的。这意味着神经群体之间的映射保留了空间关系,也即相邻性。视网膜位置和躯体位置映射是这种组织的典型例子,它们均可从数学上考虑为拓扑表示。特别是视网膜位置意味着视网膜上的邻近的点将使得皮层中细胞群的邻近的神经元兴奋。皮层的视网膜位置映射可被看作是点到块式的表示,而不是点到点式的表示。一般而论,范 · 德 · 马尔斯堡(Von der Malsburg)曾提出过特定的大脑状态(定义为突触连接模式)由其拓扑性质而刻划。拓扑结构有时也在某些神经动力学过程中被当作“吸引子”,它可以通过简单的自组织机制而获得。

4)正常的“有序神经结构”的个体发育以及可塑性行为都应由某种共同的机制来解释。由遗传机制和环境因素得到的胚胎和后天的发育结果已多少被接受了。环境可以通过教学或选择机制来发生作用。选择性稳定化假设提供了除了“先天主义”和“经验主义”假设之外的第三种学说。第一种学说强调了神经元连接性是遗传上预先确定的,第二种学说强调了(更精确地说,过分强调了)系统的行为在确定其连接的作用。选择性稳定化假设的主要的概念优点是它提供了一种基因保存机制以确定有序神经结构。可塑性,例如突触的易变性也发生于成人的大脑之中。由于局部损伤或其它外部作用的干扰,原来稳定的结构通过某种再组织过程得到重构。最大的结构变化是由于部分神经摘除而导致的。可塑性行为可对应于下列各情况的组合:(ⅰ)由于突触连接的变化导致的结构变化,(ⅱ)基本上不变的网络的特定连接的突触功能的变化。

5)许多科学家都一致承认神经科学正处在由描述性科学过渡到公理化(但不是物理学风格的)科学的过程。“自底向上”的方法从已知功能的神经元开始研究更复杂的系统的行为,而“自顶向下”的分析方法贝试图确定某些已知功能行为的可能的神经实现。一种操作性大脑理论取决于这两种方法的相互结合。为了建立一种大脑理论,已经假设了某些“形而上学原则”。根据我们自己的方法,这些原则是:

(1)神经系统可以被考虑为(并且应该被对待为)分层的自组织结构;

(2)这些结构要承受各种信息流,并且动态结构可由信息流而修改;

(3)常规的神经功能和“高级”功能事件之间存在一种双向的关系;

(4)大脑的某种分层耦合的动态结构的行为体现了心理现象。

群体理论,非线性动力学,吸引子,计算

大脑和计算机的行为可分别由大量的神经元或计算单元的集体性操作来解释。由大量单元(如纤维丛、分子等)构成的物理系统中出现的集体性现象可利用统计力学来加以研究。对应地,也可以建立神经群体的动力学理论:威尔逊(Wilson)、科旺(Cowan)、文特 · 雷格利亚(Ventriglia)和阿玛理(Amari)等人把生命力注入了统计神经动力学。接受了统计力学的概念和方法,“粗颗粒度”的量,例如,粗颗粒度的激活和抑制:活动就被定义了。更近来的研究还力图描述由可被解释为神经元和计算单元的通用单元组成的非线性网络的行为。更进一步,著名的霍普菲尔德(Hopfield)模型适合于描述旋转玻璃类型的“学习”和“模式识别”。耗散动力学过程导致了吸引子(attractor)。固定点、极限环和奇异吸引子刻划了混沌现象,它们都是典型的例子。具有吸引子的计算已经得到了研究。霍杰(Hogg)和许伯曼(Hubermann)在1985年的一篇文章里通过给出所有单元的内部状态和输出的局部修改规则定义了一种并行计算结构。许多输入被映射为相同的输出:映射到一个给定输出的输入的集合定义了此输出的吸引盆地。对这些导致吸引子的合并和分离的结构的模拟实验使得有希望利用相联技术来识别模糊输入。根据过去几年研究的一般性结果,在物理系统上实现的相对简单的算法能够获得以内容存取的存贮器的主要性质。这些算法最早的思想是由神经生物学所激发的,但这些算法可以很容易地适合集成电路。

模式形成与模式识别

“模式”这一词是当今科学中最经常使用的术语之—,也许它的范围被过分地强调了。但是,在不同层次上发生的生物模式产生机制也许有相同的结构。最普遍的模式形成理论采纳了选择的概念。在神经生物学的范围内,它意味着“满意的(favourable)”并且是动态可修改的)神经元的连接被某种机制所选择。Changeux等人在1984年的一篇文章中强调了神经元的自生活动是选择的主体的可能性。埃德曼(Edelman)和费因克尔(Finkel)在1984年的一篇文章中则道出了群(group)的作用。神经模式的选择阶段就是群限制(即群的大小的限制)、群选择和群竞争。

更进一步,有序神经连接模式的形成和塑性行为已经利用基于噪音归约的选择机制的算法得到了描述。一般而言,由于神经连接可以既不当作某种严密的确定性机制的结果,也不作为随机相互作用的最终输出,因而,可以确定一个基于与活动相关的机制的突触的可修改性概念的模型,在此模型中,确定性的修改“学习”规则是与随机效应相叠加的。与传统的信念相反,噪音在结构形成过程中起着积极的建设性的作用。叠加的噪音可以改变确定性系统的质的行为,特别是吸引子的(拓扑)性质。根据我们的模拟实验的结果,噪音似乎是视网膜以及眼球优势柱状形成的不可避免的因素。

不仅仅突触连接模式,而且时态模式刻划了神经系统的操作。一般而言,周期性行为在生物系统中发生得很频繁。大多数生物周期性现象的稳定性可以利用极限环概念来理解。与初始条件无关的振幅和频率可以导致规则的时态模式。但是,不同的振荡器之间的相互作用会隐涵不同的现象,如诱导、半周期性以及混沌。混沌现象是“不想要的”还是“有用的”,这一点并不是直接明显的,许多神经无序现象是通过把“正常的”时态模式改变为“异常”行为来描述的。这种异常的动力学可以被解释为在一定的控制参数的范围内操作的生理控制系统中发生的疾病的结果。混沌行为是在中枢神经系统的一种模型中发现的,它与精神分裂症有关。利用数值方法研究耦合的神经化学振荡器的行为,结果发现与降压药物的新陈代谢有关的突触层次的周期发生器的规则的周期性操作要求一个精巧调节的神经化学控制系统,甚至循环系统的轻微损害也会隐涵“异常”突触活动。霍登(Holden)和穆罕默德(Muhamed)在1984年曾断言混沌的不规则性至少在进化阶段扮演了正面角色。此外,尼科里斯和楚达(Tsuda)在1985年也已提出了基于作为“认知”设备的混沌模式产生器的信息处理的动力学模型。这些研究的一般性结论在于动力学信息处理机的吸引子的拓扑结构是与所获得的信息处理能力是紧密相关的。

对于不变性模式识别机制的理解是对理论神经生物学家的一大挑战。非常明显,一个客体和另一个同样的客体在视网膜上的表示可以是完全不同的。而大脑则务必要组织一种客体表示,它对于不同的大小、位置和方向等等是不变的。正如范 · 德 · 马尔斯堡在1985年的一篇文章中指出的,两种极端的解决方法是模板匹配和抽取不变性。前者是不现实的,因为必须要识别某种模式的前表示(prerepresentation)。后一种方法的原型是罗森伯莱特(Rosenblatt)提出的知觉机(Perceptron),以及福岛邦彦提出的认知机(Cognitron)的几种版本。福岛邦彦在一系列文章中提出了一种多层神经网络模型,这种模型具有快速自组织能力。彼此非常相像的重复呈现的模式导致了发展能够抽取模式中相重叠部分的电路。结果,甚至最深层的神经元都不必选择性地对一个特定的模式进行反应,而是对两个以上的模式反应。福岛邦彦的方法的主要问题是不变式需要外部明显的指明。技术系统和生物系统中不变性识别的合理的机制已经得到分析。格林德(Glünder)在其1986年的文章中提出了类似于知觉机概念的另外一种方法,此方法强调了这样一种观点,即视觉系统利用图像表示的内部关系的信息以求对于这种表示的变化呈现出不变的性质。

工程师们可以从对大脑的研究中利用的东西很明显就是这样一个事实,即个体发育的模式形成以及模式识别能力均不是彼此分离的功能,因为模式识别(更一般地说,就是知觉)是一个主动的过程。更新的视觉研究力图把神经生理学的实验结果和心理物理学的实验结果统一起来。在生命的最早的六个月的视觉发育的过程中,婴儿逐渐地精化对于视知觉的两个基本问题(即“哪里”和“什么”的问题)的回答。某些功能(例如方向的差别性)以及与皮层有关的视觉诱导电位是在出生后立即呈现的。视觉质量的改进(即空间和时间的辨析度)取决于皮层以及子皮层结构的成熟。能够进行模式识别的结构的个体发育的模式形成的统一模型在当前还没有。此外,并非完全分离的抽象功能,即动作(例如计算和运动执行)应该被结合到一个概念上统一的模型。这个问题将在下节中简单地予以讨论。

神经机器人学

唐纳德 · 麦凯(Donald Mackay)几十年来都是神经系&的信息工程方法的先驱。输入信息的知觉和动作可以通过评价(evaluation)互相联系起来。类似地,智能有机体和智能机器的理论应该描述系统中由输入信息模式到动作的转换过程。Pellionisz在1983年的文章中曾提出利用根据小脑的“张量网络理论”而提出的一种脑理论来把神经生物学和机器人学结合起来的思想,即神经机器人学(neurobotics)。虽然目前理论神经科学家之间就关于脑中的感觉 - 运动机制究竟是什么还没有达成一致性的意见(Arbib和日本人甘利俊一在1985年的一篇文章中就对张量网络理论提出过批评),但人们一致在探索机器人学和生理学的共同基础。凑近并且抓住一个客体并不完全是分开的过程,因为模式识别、知觉和动作可能内部就是相关的。一个特定的“自顶向下”的脑理论的知觉和运动模式的时态组织的知识已经导致了一个机器人系统的协调控制程序的详细说明。

很明显,人大脑和智能机器均具有分层的结构。热力学和信息论都使用了“熵”这一术语作为它们各自的主要概念,而这两门学科都被扩展来描述大脑和智能机器的分层问题。分层的智能控制系统可由三个层次组成,可按智能递减而精度递增的顺序排列为组织层、协调层和硬件层。组织层应该执行最高层的“认知”功能。协调层是组织层与硬件执行层之间的中间结构。协调层还执行诸如决策和学习的功能,不过都只是借助于短期记忆而完成的。硬件层次的控制过程涉及到运动的执行。优化控制理论可以在这一最低层次中得到应用。

具有可运动结构的类人脑机器的设计者不仅可从对生物机制的研究中受益,而且还可通过提出新问题来改变神经科学。

硬件的希望:连接机和分子计算

神经生物学计算的一种颇为极端的方法的代表是费尔德曼(Feldman)和巴莱德(Ballad)在1982年发表于《认知科学》杂志上的题为“连接主义模型及其性质”的重要文章中提出的连接主义模型。根据这种模型,至少脑的一部分可以利用适合于并行问题求解的“连接主义计算机”来建立模型。神经科学家们一般都接受这样一种观点,即大脑皮层的计算能力基于神经连接的细节,根据这种颠倒了的比喻,一种并行的“连接机”已经利用64,000个简单的处理机构成,这架“连接机”的设计师就是海利斯(W. D. Hillis)。连接机中处理机之间的互连类似于大脑中的突触连接,而类似于生物学习方式的学习算法也正在设计之中。

在许多不同领域内积累的知识(如聚合物化学、酶生物化学、计算机科学和分子生物物理学)都趋向于提出设计基于碳的计算机的可能性。做出具有容错体系结构的适应性的灵活的计算机在很大程度上是基于酶的信息处理能力。此外,还有一个折衷原理:“一个系统不能同时既是有效可编程的,又对于通过变化和选择而得到的进化是易变的,在计算上是高效率的。”传统的计算机侧重于折衷原理的可编程性方面,而逐渐可修改的聚合物和蛋白质的应用则转到了折衷原理的效率——可适应性方面。建造一台“分子计算机”的希望的关键点在于与分子同样大小>的开关单元的可实现性。已经提出并研究了三种开关机制,即短周期阵列中的电子隧道效应,soliton开关和soliton阀,更进—步,这些机制与细胞自动机之间的联系都是值得分析的。

我们在这里可以谨慎地提出:来自不同学科的知识(如神经生物学、理论计算机科学和统计物理学)提供了解决我们可以怎样利用我们所拥有的有关大脑的知识来建造计算机这一问题的可能性。

皮层谷子之间的动态连接、神经群体之间的拓扑映射、神经连接的专一性的极限、在有序神经结构形成期间随机性和基因保存机制的作用、正常的个体发育和塑性行为的共同机制以及受控周期时态模式的出现等等,所有这一切都证明自组织是神经组织的基础。对于下一代计算机的工程师们的一个真正的挑战就是如何利用我们所拥有的有关神经系统的结构和操作的知识来设计并建造出具有类人脑结构的机器。

[Biosystems,1988年vol 21]