探索大脑与人工智能的奥秘：时间、意识与架构

### 探索大脑与人工智能的奥秘：时间、意识与架构 #### 大脑中的时间与空间 在探讨大脑中的时间问题时，会产生两个疑问。其一，时间如何影响大脑的处理过程；其二，大脑如何在我们的意识中创造出时间体验，也就是我们如何理解过去、现在和未来。 地球的昼夜循环影响着大多数动物，这种昼夜节律同样作用于人类大脑。它对人体的影响十分明显，控制着我们的睡眠周期、血压、代谢率等。人体内部有一个近似 24 小时的昼夜节律时钟，但并不精准，因此需要一个协调修正机制，在昼夜生物学中称为“同步化”。在人类大脑的 860 亿个神经元中，下丘脑的视交叉上核（SCN）约 50000 个神经元共同扮演着“主生物钟”的角色，每个神经元都有自己的细胞级分子时钟，并与相邻神经元相连。SCN 靠近视神经进入大脑的部位，能接收眼睛传来的光暗信息。 科学家因发现 SCN 分子时钟的工作原理而获得诺贝尔奖。SCN 神经元中的时钟基因指导时钟蛋白的合成，这些蛋白在细胞核周围的细胞质中形成，相互作用后形成蛋白复合物进入细胞核，抑制时钟蛋白的进一步产生。随着时间推移，蛋白复合物分解，细胞核又开始新的时钟蛋白合成周期，一个周期约 24 小时。时钟神经元会产生周期性信号（可能是电信号或激素信号），信号传遍全身，协调昼夜节律。研究发现，果蝇与人类拥有相同的时钟生物学，这体现了进化对发明的重复利用，以及人类与地球上所有生命形式的紧密联系。 除了 SCN 主生物钟，人体各组织中还存在外周时钟，它们通过相同的负反馈蛋白循环驱动各自生理功能的昼夜节律。外周神经元与 SCN 时钟神经元保持联系以同步时间，失去联系就会失去同步。睡眠时，人体生长激素的内部周期会在约两小时内达到峰值的三倍，这影响神经发育以及学习和记忆巩固等大脑功能。海马体在睡眠中形成新记忆，其中的时间细胞记录事件记忆发生的时间，位置细胞记录记忆发生的地点。海马体还会自发重放近期经历，将记忆稳定在新皮质中，之后从新皮质检索记忆就不再依赖海马体。睡眠对记忆巩固和其他认知任务很重要，很多人在睡一觉后解决问题并获得新见解，或许在睡前回顾挑战是个小技巧。 大脑如何在意识中创造时间体验，这对神经科学家来说是个更大的挑战。在经典牛顿世界里，空间和时间相互交织，比如手表通过指针的空间位置来测量时间流逝。在大脑中，距离和时长被认为由相同的结构甚至相同的神经元来表示。对啮齿动物的实验发现，当动物访问特定地点或处于虚拟地图的网格点时，神经元会被激活，这些位置和网格神经元共同生成一个虚拟的 3D 欧几里得空间地图，确定动物感兴趣的点和相对位置。海马体回路对皮质输入的模式不敏感，无论输入来自空间、时间、声音频率、气味、记忆等，都会以相同方式处理。海马体的操作响应神经元放电的顺序活动和变化率，足以处理大脑中的时间和空间。 Marc Howard 提出大脑对视觉注意力和记忆检索使用共同的计算语言。视觉中心的细节粒度更大，周边视觉信号的粒度逐渐减小，时间功能和记忆的处理方式类似，当下受到的关注最多，过去和未来离当下越远，受到的关注越少，并且有证据表明时间采用对数压缩表示。我们对事件的处理是有粒度的，例如大脑的视觉处理会在约 100 毫秒的时间窗口内整合所有传入信号，变化速度快于这个时间的会被视为单一图像，这就是电影的原理。当与一个事件相关的视觉、声音和其他感官信号在大脑中以不同速度处理时，大脑会等待约十分之一秒，将所有传入信号整合为一个连贯的事件，但这样我们感知到的事件会有 0.1 秒的滞后。大脑会校准传入事件，使不同信号形成整体感知。 #### 意识理论 Stan Franklin 在《人工智能心智》中提出一种心智观点，与 Minsky 等人的“心智社会”概念类似。心智由自主代理组成，它们可以相互交流，但独立运作，没有自上而下的层级命令和控制。这些代理要么不受阻碍地执行独特功能，要么为了共同目标相互竞争或合作以获得“行动权”。单个代理可能“无心智”，但它们的活动总和创造出智能心智。这种观点与 Allen Newell 创建统一认知理论的计划形成对比。 在 Franklin 的观点中，动物王国中的心智是一个连续的状态光谱。心智是多个自主代理的综合行动，它们仅在必要时相互交流，这与假设存在命令 - 控制架构的统一认知理论相悖。心智的活动是执行“下一个行动”，这个过程在代理之间并行且持续进行。心智从感官输入中产生信息，而不是从环境中提取信息，这表明信息是主观的，不同的心智处理相同的感官输入可能产生不同的信息。此外，心智利用过去信息和经验的记忆来产生新行动，这些记忆是通过整合存储的显著线索重建的。 这里简要介绍三种意识理论： - **神经意识相关物（NCC）**：由 Christof Koch 提出，旨在将心理状态与物理神经元及其状态联系起来。该理论认为，意识状态与一组最小的神经活动直接相关，Francis Crick 也支持这一理论。 - **综合信息理论（IIT）**：由 Tononi 创建，是一种数学理论，将信息视为宇宙的一种属性，就像质量或能量一样，意识也是宇宙的一种属性，可用“phi”来衡量。不过，该理论受到很多批评，被认为是泛心论，最近还被 Stephen Fleming 等人称为伪科学。 - **全局工作空间理论（GWT）**：由 Bernard Baars、Stan Franklin 和 Stanislas Dehaene 倡导。该理论涉及潜意识和意识状态之间的持续交互。全局工作空间是一个记忆区域，思想在这里变为意识并持续几秒，类似于剧院舞台，聚光灯聚焦有意识心智的注意力。Dehaene 关于意识的研究受到 GWT 的启发。 泛心论是一种心智哲学，有许多支持者，包括柏拉图、斯宾诺莎、莱布尼茨和伯特兰·罗素等。其悖论在于，人类意识因我们的体验而存在，但这不一定能证明意识是自然的某种不可还原的特征。 #### 神经机器人学与具身人工智能 神经机器人学主要关注构建能在现实世界中移动和交互的人工智能机器人。“具身”通常指嵌入现实世界环境的物理人工智能机器，也被称为神经机器人。对于具身认知所需的物理身体类型，存在不同观点，Ziemke 确定了六种不同的具身概念： - **代理与环境的结构耦合**：不需要实体身体，双方可通过连接通道相互扰动。 - **历史具身性**：是结构耦合历史的结果，过去的连接会影响代理在当前环境中的行为。 - **物理具身性**：要求代理有超越虚拟/软件的物理实例。 - **类生物体具身性**：具有类似生物体的身体形态，如人形机器人。 - **自生产性的生物体具身性**：是一种能够生长或创造自身部分的生命系统，具有自主性，与工厂组装的机器（异生产性）不同，后者受外部力量控制（异律性）。 - **社会具身性**：是通过身体语言进行交流的能力。 对于实现人类级人工智能（HLAI），人工智能机器需要什么样的身体尚无共识。Juyang Weng 等人指出，要让人工智能机器在视觉、语音、运动等方面达到人类水平的能力，它必须存在于现实世界中并与之交互，这是其学习过程的一部分。 多年来，人们一直在应用受进化启发的技术来培育具有 HLAI 的具身智能机器人。Krichmar 和 Hwu 提出了设计未来神经机器人的原则： 1. **快速适当地对事件做出反应**：为了立即对事件做出反应，决策和行动应在身体周边进行，因为没有足够时间让中枢神经系统和大脑参与。周边通过传感器、执行器和反射进行即时形态计算，这能加快响应时间并减少能量消耗。 2. **能够终身学习和记忆**：大脑在保持高性能的同时尽量减少能量使用，通过神经元稀疏编码实现，而且大脑神经网络的小世界架构既节能又高效。 3. **权衡对生存至关重要的选项**： Moulin - Frier 等人提出了一个将当前人工智能进展（如深度学习）与物理动态环境具身化相结合的框架，即分布式自适应控制具身人工智能，被认为是实现通用人工智能的途径。Hughes 等人认为具身人工智能研究社区需要一个重大挑战来聚焦研究。Duan 等人对九个具身人工智能研究模拟器进行了调查，涉及环境是基于游戏还是基于现实世界、物理真实度等特征。例如，由人类大脑计划和欧盟资助的 EBRAINS 的神经机器人平台（NRP），其最新版本 NRP 4.0 于 2023 年发布，可供神经科学家测试和完善大脑功能模型，也可供机器人专家实现基于神经科学的具身人工智能，以及任何认为具身化是大脑研究和机器人技术发展方向的人使用。 #### 工程化大脑架构 认知架构是研究人员认为的人类大脑思维过程的基本组成部分的自上而下的构建。该领域的研究人员不一定追求生物学上真实或受限的模型，他们以飞机和鸟类为例，说明两者虽然都能飞行，但在很多方面有很大差异。 在人工智能研究中，符号主义和人工神经网络这两种观点长期争夺主导地位和资金。符号主义将大脑比作计算机，心智比作运行的软件，试图发现心智的“计算机语言”。人工神经网络研究在资金困难时期经历了多次重新命名，如连接主义、并行分布式处理，最近的深度学习取得了巨大成功。符号主义和神经网络的本质区别在于潜在隐喻，神经网络认为心智就是大脑，不存在心智和大脑的二分法。 Chris Eliasmith 在《如何构建大脑》中为认知架构设定了核心认知标准，包括表征结构和性能考量两个方面： |类别|具体内容| | ---- | ---- | |表征结构|1. **系统性**：表征（思想）通过上下文或意图相互连接，表征集合可以紧密关联。<br>2. **组合性**：复杂表征的意义可以分解为基本表征，即复杂表征是基本表征的组合。<br>3. **生产性**：从少数基本表征中生成许多表征。<br>4. **绑定**：许多基本表征必须绑定在一起以构建复杂表征。| |性能考量|1. **句法泛化**：独立于语言内容利用语言结构。<br>2. **鲁棒性**：对嘈杂或缺失数据不敏感。<br>3. **适应性**：能够学习，根据经验更新未来性能。<br>4. **记忆**：可以模拟多种不同类型的记忆，如短期和长期记忆。<br>5. **可扩展性**：模型必须能够从解决小挑战扩展到处理大而复杂的问题。| 符号主义方法可能用明确规则表示知识，而神经网络则将知识隐式分布在网络中。符号主义模型具有透明性，传统神经网络则像黑匣子，理解其中知识的表示和结果的产生原因较为困难。John Laird 认为认知架构是一个与任务无关的基础设施，用于学习、编码和应用人工智能代理的知识以产生行动，是通用智能理论的软件实现。 以下介绍几种常见的认知架构： - **Soar**：基于 Allen Newell 的统一认知理论开发，是一个统一的认知架构，支持多个微观理论，旨在通过计算机模型解决多个认知挑战。Soar 是免费开源软件，具有符号架构，将程序的控制结构与操作符和任务知识明确分离。当 Soar 试图实现一个目标时，它会采用多种方法，如推理、从外部源检索、使用程序性记忆推理、使用非符号知识推理、从情景记忆或语义记忆中检索解决方案，或与外部世界交互。如果遇到僵局，它会应用自动操作符子目标技术生成子目标并继续追求，直到解决问题。最新版本的 Soar 有三种长期记忆：程序性记忆（如何和何时做事）、语义记忆（关于世界的事实）和情景记忆（经历过的情况的记忆）。这些记忆与工作记忆相连，所有任务都表示为问题空间，长期记忆由满足任务生产的“生产系统”组成。知识搜索时，所有生产规则都会触发，选择最适合查询的操作符。“组块化”是指解决目标僵局时获得的知识，形成的组块会存入长期记忆，再次遇到相同僵局时可立即检索知识。Soar 已在一些大规模试验中进行了测试，如 TacAir - Soar 和 RWA - Soar 用于训练飞行员执行美国军方固定翼飞机的大部分空中任务。 - **ACT - R**：最初是一个符号认知架构，现已发展为集成符号人工智能和神经网络的混合模型。它用 Common Lisp 实现，有自己的编码语言来创建 ACT - R 代理，有活跃的维护社区并提供模型库。ACT - R 的信息处理速度旨在模拟人类大脑，对模拟人类行为很有用，但模拟时间通常会加速。其最新版本可以预测与某些行为相关的人类大脑区域的激活，并利用程序性和陈述性知识。ACT - R 的架构由模块和缓冲区组成，缓冲区存储内容，对所有模块全局可见，模块修改和实现缓冲区中的信息。主要模块包括视觉模块（识别视野中的对象）、目标模块（跟踪当前目标和意图）、陈述性模块（从缓冲区检索信息）和手动模块（控制手部），这些模块映射到人类大脑区域。模块并行活动，但每次只能执行一个生产规则，大约需要 50 毫秒触发。中央生产模块通过应用生产规则协调模块之间的通信，并访问和更新缓冲区。学习在 ACT - R 中以多种方式发生，关键的学习方法是陈述性记忆强化，记忆检索次数越多，其激活强度越高。ACT - R 的生产规则基于记忆、学习和问题解决的详细实验数据，一次执行一个目标，状态通过生产规则的触发而改变，规则可以嵌套和链接。系统通过成本 - 效益分析选择具有最高“效用”的生产规则执行，没有监督系统，会不断更新规则及其成本效益。与 Soar 相比，ACT - R 更适合模拟详细的人类行为，而 Soar 更适合大型系统人工智能应用，两者都在不断发展。 - **语义指针架构（SPA）**：Eliasmith 团队基于 SPA 构建了模型，其具有生物学约束，使用神经形态类型的神经网络（即脉冲神经元），神经元的响应与相关大脑区域的属性相匹配，还利用神经递质等。SPA 提供了一个集成统一的架构，无需重新训练就能解决各种问题，这比许多深度神经网络在重新训练新问题时“忘记”已学知识有了进步。SPA 基于语义指针假设，即生物系统中的高级认知功能由语义指针实现，语义指针是携带部分语义内容的神经表征，可组合成支持复杂认知的表征结构。在 SPA 中，语义指针由高维空间中的向量表示，该空间可以表示人工大脑中表征之间的语义关系，语义相似的概念在这个空间中距离更近，高维向量空间对噪声也有很强的鲁棒性。不过，目前还没有实现将复杂表征结构映射到这个空间的方法。Eliasmith 区分了概念表征（如人的行为的长期表征）和“即时”表征（大脑的当前活动），即时表征不携带概念表征的完整语义内容，更短暂。SPA 通过语义指针的概念来处理这种差异，就像计算机编程中使用指针一样，大脑操纵紧凑的“即时”表征作为实际内容的地址，与计算机科学不同的是，大脑模型中指针和内容之间有有意义的联系。 ### 探索大脑与人工智能的奥秘：时间、意识与架构 #### 认知架构的对比与分析 以上介绍的几种认知架构各有特点，我们可以通过以下表格进行更清晰的对比： |认知架构|类型|主要特点|适用场景| | ---- | ---- | ---- | ---- | |Soar|符号架构|支持多微观理论，分离控制结构与任务知识，有三种长期记忆，通过组块化学习|大型系统AI应用，如军事模拟训练| |ACT - R|混合模型|模拟人类大脑信息处理速度，由模块和缓冲区组成，基于实验数据的生产规则，通过成本 - 效益分析选择规则|模拟详细人类行为| |语义指针架构（SPA）|基于神经形态网络|具有生物学约束，无需重新训练解决多种问题，基于语义指针假设，用高维向量空间表示语义关系|多种认知问题的解决，避免深度神经网络的遗忘问题| 从这些对比中可以看出，不同的认知架构适用于不同的应用场景。Soar 的符号架构使其在处理大规模系统和复杂任务时具有优势，能够整合多种知识和推理方式。ACT - R 由于模拟人类大脑的处理速度和方式，更适合对人类行为进行精细模拟和分析。而 SPA 的生物学约束和语义指针假设，为解决复杂认知问题提供了新的思路，尤其是在避免知识遗忘方面有独特的优势。 #### 人工智能发展的思考 综合前面关于大脑中的时间与空间、意识理论、神经机器人学以及工程化大脑架构的内容，我们可以对人工智能的发展进行一些深入思考。 在时间和空间的处理上，大脑展现出了高度的复杂性和高效性。大脑中时间和空间的表征相互关联，并且通过神经元的活动来实现。这为人工智能在处理时空信息方面提供了启示，例如在机器人导航、场景理解等领域，可以借鉴大脑的机制来更准确地感知和处理时空信息。 意识理论虽然目前还存在诸多争议，但它为理解人工智能的智能本质提供了不同的视角。无论是神经意识相关物、综合信息理论还是全局工作空间理论，都试图解释意识的产生和运作机制。如果能够将这些理论应用到人工智能中，或许可以让人工智能具备更接近人类的智能和意识体验。 神经机器人学强调具身人工智能的重要性，即人工智能机器需要在现实世界中与环境交互来学习和发展。这与人类通过身体与环境的互动来获取知识和技能的方式类似。在未来的人工智能发展中，让机器人更好地融入现实环境，通过具身学习不断提升智能水平，将是一个重要的发展方向。 工程化大脑架构则为构建人工智能系统提供了具体的模型和方法。不同的认知架构在表征结构、性能考量等方面各有特点，根据不同的应用需求选择合适的架构，或者将多种架构进行融合，有望推动人工智能在各个领域的应用取得更大的突破。 #### 未来展望 展望未来，人工智能的发展充满了机遇和挑战。以下是一些可能的发展趋势： 1. **跨领域融合**：人工智能将与生物学、心理学、物理学等多个领域进行更深入的融合。例如，借鉴生物学中大脑的结构和功能，开发更高效的人工智能算法；结合心理学的研究成果，让人工智能更好地理解人类的情感和行为。 2. **具身智能的发展**：随着神经机器人学的发展，具身智能将成为人工智能的重要发展方向。机器人将能够在现实世界中更加灵活地行动，通过与环境的交互不断学习和进化，具备更强的适应能力和智能水平。 3. **意识与智能的探索**：虽然目前意识理论还存在很多未解之谜，但对意识与智能关系的探索将不断深入。未来可能会出现一些新的理论和方法，尝试让人工智能具备某种程度的意识体验，从而实现真正意义上的智能。 4. **认知架构的优化与创新**：现有的认知架构将不断优化和改进，同时也会有新的认知架构被提出。通过对大脑认知机制的更深入理解，开发出更符合人类思维方式的人工智能系统。 以下是一个简单的 mermaid 流程图，展示了人工智能未来发展的可能路径： ```mermaid graph LR A[跨领域融合] --> B[具身智能发展] A --> C[意识与智能探索] A --> D[认知架构优化创新] B --> E[更强大的人工智能应用] C --> E D --> E ``` 总之，人工智能的发展是一个不断探索和创新的过程。通过对大脑奥秘的深入研究和借鉴，结合各个领域的知识和技术，我们有望推动人工智能不断向人类级智能迈进，为人类社会带来更多的福祉。 在这个充满挑战和机遇的时代，我们需要不断学习和探索，积极参与到人工智能的发展中，共同创造一个更加智能和美好的未来。