大脑只是深度学习网络?专家揭人脑和计算机的区别

人类的理性是一个混合系统。大脑可以经由模式关联找出家族相似性并累大量统计资料,同时也能利用符号逻辑将概念组织为命题并做出推论。 图/ingimage ▍逻辑计算相对于模式关联 如果…

人類的理性是一個混合系統。大腦可以經由模式關聯找出家族相似性並累大量統計資料,同...

人类的理性是一个混合系统。大脑可以经由模式关联找出家族相似性并累大量统计资料,同时也能利用符号逻辑将概念组织为命题并做出推论。 图/ingimage

▍逻辑计算相对于模式关联

如果人类的许多判断朦胧模糊,没办法进行逻辑分析,我们到底怎么思考?少了必要条件与充分条件,怎么知道橄榄球是一种运动、克莉丝.詹纳是位母亲、共和党议员之外的人认为披萨不是蔬菜?

倘若理性不是一连串内建于心智的命题和逻辑规则,又以什么机制存在?

一系列认知模型或许能够提供答案,包括模式关联、感知器、链接主义式网络、分布式平行处理、人工神经网络、深度学习系统。主轴在于智能系统并不只是操作规则中的符号,还可以累积成千上万,甚至是以亿为单位的分级信号,藉此判断某个性质的强度。

例如「蔬菜」这个概念出乎意料地常有争议,显而易见要以家族相似度为出发点。生物学的林奈分类法没有一个类别能囊括胡萝卜、蕨菜、蘑菇,单一植物器官名称无法涵盖绿花椰菜、菠菜、马铃薯、芹菜、豌豆、茄子,连味道、颜色或质地都无法明确说明蔬菜到底是什么。但就和卡戴珊家族一样,我们通常看到就知道,因为整个蔬菜家族有几项特征反复出现:莴苣又绿又脆有叶子,菠菜绿色有叶子,芹菜绿色而且脆口,紫甘蓝是紫红色但也有叶子。像蔬菜的特征越多且越明确,我们就越倾向认知为蔬菜,所以莴苣毫无疑问是蔬菜,相比之下香芹会有人怀疑,大蒜就距离更远。反过来说,有其他特征会使某样东西不像蔬菜,虽然也有橡子南瓜这种偏甜的蔬菜,但太甜的植物如哈密瓜就会被称为水果。洋菇多肉、金线瓜(spaghetti squash)像面条,可是真的以肉类或面粉制作的食物都不会列入蔬菜。(有缘再相会吧,披萨!)

这也代表人类可以透过复杂的统计公式捕捉到蔬菜这个概念究竟是什么。一个东西的特征(多绿、多脆、多甜、多像面糊等等)可以量化,而每个特征依照符合分类标准的程度还会得到权重:绿度是高度正比,脆度是低度正比,甜度是低度反比,面糊度是高度反比。特征分数乘以权重之后全部相加,总分超过门坎时称为蔬菜,分数越高越具有代表性。

当然人类并非主动在脑袋里加减乘除之后才做出判断,这些算数经由类神经元单位构成的网络进行。每个单位以不同频率「发讯」,频率越高代表模糊认知里的真值越高,可参考上面的示意图。图下方是一群输入神经元,处理感知器官讯号并转译为单纯的特征,例如「绿」或者「脆」。图上方是输出神经元,代表认知网络对分类的猜测。每个输入神经元都与每个输出神经元透过不同强度的「突触」连结,突触分为兴奋性(代表正向权重)与抑制性(代表负向权重)。输入单位发送讯号,经过突触时得到权重,输出神经元根据讯号总分决定强度。兴奋性连结的尾端为箭头,抑制性连结的尾端为圆点,线条粗细代表突触强度(为了画面清晰,只呈现蔬菜部分)。

圖下方是一群輸入神經元,處理感知器官訊號並轉譯為單純的特徵,例如「綠」或者「脆」...

图下方是一群输入神经元,处理感知器官讯号并转译为单纯的特征,例如「绿」或者「脆」。图上方是输出神经元,代表认知网络对分类的猜测。 图/商周出版提供

有人会问:是谁决定了网络中最关键的链接权重?答案不假外求,就是每个人透过自身经验得来的。只要有各种不同食物作为范例,加上能够正确指导的教师,这套网络就能经由训练而成形。婴儿时期脑部连结少、权重是随机数,所以只能乱猜。然而大脑具备渐进调整的学习机制,比对每个节点的讯号与指导教师提供的参数值之后上修或下修,最终得到正确答案。经过数十万个案例训练,连结权重会达到最佳状态,神经网络的分类就变得精准。

可是这种网络结构从输入到输出太过线性,而且只能加总运算。分类标准是所有部分的总和时没问题,但若标准包含了取舍、甜蜜点、致胜组合、毒药丸防御、破局风险、完美风暴、过犹不及等状况就会失灵。甚至简单的逻辑联结词互斥或(xor),也就是「x或y取一,不可两者同时」,都超过双层神经网络的能力所及,因为这种时候参数x是正增强,参数y也是正增强,但两者同时发讯却应该是负增强。于是结构单纯的网络能辨识萝卜和猫,却无法精确掌握何谓「蔬菜」。同样是红色、偏球状,脆而有梗的东西通常是水果(如苹果),脆而有根的东西是蔬菜(如甜菜),口感似肉而有梗也是蔬菜(如西红柿)。蘑菇、菠菜、白花椰菜、红萝卜、牛排西红柿这些东西又如何在颜色、形状、质地找出共同组合?讯号错综复杂的时候,仅两层的网络结构每次碰见新案例都要再调适,权重上上下下无法固定,很难区分类别成员和非成员。

这个问题只要在输出和输入之间加入一层「隐藏」神经元就能解决,左图是一张新的示意图。经过改造,网络不再受限于刺激和反应模式,而是具有内在表征的结构—说白话一点,就是能建立概念。被隐藏的神经元可能代表具整合性的中阶分类,例如「像甘蓝菜的东西」、「好吃的果实」、「 瓜类」、「 绿色食物」、「 菌菇」、「块茎与块根」等等,也各自有一组输入权重与对应的刻板印象,与外层「蔬菜」之间就有特别强的关联性。

經過改造,網路不再受限於刺激和反應模式,而是具有內在表徵的結構—說白話一點,就是...

经过改造,网络不再受限于刺激和反应模式,而是具有内在表征的结构—说白话一点,就是能建立概念。被隐藏的神经元可能代表具整合性的中阶分类 图/商周出版提供

神经网络能否顺利运作,关键在于如何训练,而重点就是如何从输入层进入隐藏层—既然中间的单元自环境隐藏,就无法和教师给予的「正确」值比对猜测正确与否。不过一九八○年代的研究有了新突破,「 误差反向传播」(error back-propagation)学习算法可以解决这个问题。首先,比对输出层的猜测与正确答案,以得到的误差校正隐藏层至输出层的连结权重,并将结论置于顶层。再来,将误差的总和往下传播至各个隐藏单元,校正输入层至隐藏层的连结权重,结论置于中层。乍看之下这个机制效率很差,但经过数百万个案例训练后,上下两层连结的参数就能够分辨山羊与绵羊的差异。同样惊人的是,若能用于分析,隐藏单元可以主动找出如「菌菇」、「块茎与块根」这种抽象分类。但一般状况下,隐藏单元并没有我们能以语言命名的卷标,只是能完成验算任务的公式集合,好比「这个特征只要一点点就好,那个特征不可以太多,除非另一个特征真的很多很多」。

二十一世纪进入第二个十年之际,计算机运算能力随图形处理器技术发展越来越强大,数百万用户上传文字与影像到网络也代表数据量暴增。举例而言,若计算机专家现在针对大剂量维生素疗法制作一个多层次网络,中间可以设置两个、十五个,以至于上千个隐藏单位层,透过数十亿到上兆的范例进行分析。由于输入与输出之间存在大量层次,这种架构称作「深度学习系统」(并非指对于主题有深度理解)。深度学习为「人工智能大觉醒」(the great AI awakening)揭开序幕,应运而生的产品包括语音和图像辨识、机器问答、自动翻译及其他很人性化的功能。

深度学习网络的表现通常优于传统的GOFAI(Good Old-Fashioned Artificial Intelligence,直译为「有效的老式人工智能」),因为GOFAI 以类似逻辑演绎的方式处理以程序代码形式建立的命题和规则。两者差异十分明显,人工神经网络和逻辑推理不同,内部处理无法判读,数百万的隐藏单元绝大多数不是可理解的连贯概念,就连训练计算机的专家自己都无法解释计算机怎么得出目前的答案。因此许多科技评论感到忧虑,一旦人类将命运交给人工智能,如果计算机决策有偏见也没人能察觉和根除。二○一八年,美国前国务卿季辛吉(Henry Kissinger)提出警告:深度学习系统的基础不是人类能够检视与论断的命题,有可能为启蒙划下句点。虽然话说得极端了些,但也强调了逻辑与类神经两种运算的对比多强烈。

人脑只是一个巨大的深度学习网络吗?当然没这么简单,然而两者相似处值得深思。大脑神经元数量在千亿左右,彼此间的突触更多达百兆。一个人到了十八岁,脑袋清醒的时间已超过三十亿秒,每一秒钟都从环境吸收案例进行比对。人类和深度学习系统一样,不断进行模式匹配与关联,而深度学习网络正是针对定义模糊的家族相似性而生。家族相似性是人类建立概念的重要基准,神经网络研究结果呈现出人类认知很大一部分虽属于理性,却又不符合严谨定义的符号逻辑,同时还为直觉、本能、感应、下意识、第六感这些难以解释却很玄的心智能力掀去神秘面纱。

尽管Siri 和Google 翻译等服务使生活更加便利,也别误以为有了神经网络就再也不需要逻辑。这类系统背后建立在模糊的关联性上,断句或分辨规则的能力还很弱,有时会笨得很好笑。比方说,要Google 语音助理找「附近不是麦当劳的快餐店」,得到的反而会是方圆五十里内的麦当劳分店名单。问Siri :「乔治.华盛顿使用计算机吗?」答案会是华盛顿总统的计算机面部重建图,以及乔治.华盛顿大学的计算器中心网页。目前自动驾驶采用的视觉辨识模块还是常常将路标看成冰箱,将翻倒的车辆当作拳击训练吊袋、消防艇或长雪橇。

人类的理性是一个混合系统。大脑可以经由模式关联找出家族相似性并累大量统计资料,同时也能利用符号逻辑将概念组织为命题并做出推论。

后者可以称为系统二、递归认知、基于规则的理解力,而形式逻辑的功用是纯化这种思维模式,除去因社会性和情绪产生的逻辑错误。

命题推理让人类不会受困于相似性与刻板印象,催生出理性的最高成就,如科学、道德、律法。若从家族相似性来看,鼠海豚应该是鱼,但运用生物学林奈分类法(例如「若会哺乳喂养后代,则属于哺乳类」)我们明白事实不然。经由一连串定言推理,我们知道了人类由猿演化而来,太阳是恒星,固态物体分子间有很多空隙。社交场合中,大家善用模式比对,自然而然分辨出人与人的差异:有些人富裕、有些人聪明、有的强壮、有的敏捷、有的好看,还有人与自己共同点特别多。可是回到人生而平等这个命题时(若X为人类,则X具有权利),我们也懂得在法律和道德层面摒除成见,公正对待每个人。

※ 本文摘自《理性:人类最有效的认知工具,让我们做出更好的选择,采取更正确的行动》。

《理性:人类最有效的认知工具,让我们做出更好的选择,采取更正确的行动》

作者:史迪芬‧平克

译者:陈岳辰

出版社:商周出版

出版日期:2022/01/24

作者: admin

为您推荐

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

联系我们

工作时间:周一至周五,9:00-17:30,节假日休息

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

关注微博
返回顶部