为什么人脑的效率如此之高？

大脑是复杂的；在人类中，它由大约1000亿个神经元组成，大约有100万亿个连接。人们经常把它与另一种具有巨大解决问题能力的复杂系统相比较：数字计算机。大脑和计算机都包含大量的基本单元-分别是神经元和晶体管-这些单元连接到复杂的电路中，以处理由电信号传达的信息。在全球层面上，大脑和计算机的体系结构彼此相似，主要由输入、输出、中央处理和存储器的独立电路组成。1个。

大脑和计算机哪个解决问题的能力更强？考虑到过去几十年来计算机技术的快速发展，你可能会认为计算机具有优势。事实上，计算机已经被建造和编程来在复杂的游戏中击败人类大师，比如20世纪90年代的国际象棋和最近的围棋，以及百科全书式的知识竞赛，比如电视节目《危险边缘》(Jeopardy)！然而，在撰写本文时，人类在许多现实世界的任务中都战胜了计算机-从在拥挤的城市街道上识别自行车或特定行人，到伸手拿一杯茶并平稳地送到嘴边-更不用说概念化和创造性了。

那么，为什么计算机擅长某些任务，而大脑在其他任务上做得更好呢？比较计算机和大脑对计算机工程师和神经科学家都有指导意义。这种比较始于现代计算机时代的黎明，约翰·冯·诺伊曼(John Von Neumann)在一本小而深刻的书中开始了这种比较，这本书的标题是计算机和大脑，他是一名博学者，在20世纪40年代开创了计算机体系结构的设计，这种体系结构至今仍是大多数现代计算机的基础。2让我们用数字来看一下其中的一些比较(表1)。

在基本运算的速度上，计算机比人脑有巨大的优势。如今的个人计算机能够以每秒100亿次运算的速度执行基本的算术运算，例如加法。我们可以通过神经元传递信息和相互交流的基本过程来估计大脑中基本操作的速度。例如，神经元“激发”动作电位--在神经元细胞体附近启动的电信号尖峰，并向下传递其称为轴突的长延伸，轴突与其下游的伙伴神经元相连。信息以这些尖峰的频率和定时进行编码。神经元放电的最高频率约为每秒1000次。作为另一个例子，神经元主要通过在轴突终端的特殊结构(称为突触)释放化学神经递质来向其伙伴神经元传递信息，它们的伙伴神经元在一个称为突触传递的过程中将神经递质的结合转换回电信号。最快的突触传输大约需要1毫秒。因此，在尖峰电位和突触传输方面，大脑每秒最多可以执行大约1000次基本操作，或者说比计算机慢1000万倍。4.。

在基本运算的精确度方面，计算机也比大脑有巨大的优势。计算机可以根据分配给每个数字的位(二进制数字或0和1)以任何所需的精度表示数量(数字)。例如，32位数字的精度为1/232或42亿。经验证据表明，神经系统中的大多数数量(例如，神经元的放电频率，通常用来表示刺激的强度)由于生物噪音的影响，变异性只有几个百分点，或者充其量也就是1/100的精度，这比计算机差数百万倍。5个。

然而，大脑进行的计算既不慢也不精确。例如，职业网球运动员在网球以高达每小时160英里的速度发球后，可以跟随网球的轨迹，移动到球场上的最佳地点，放置他或她的手臂，然后在对手的球场上挥动球拍回球，所有这些都在几百毫秒内完成。此外，大脑可以完成所有这些任务(在它控制的身体的帮助下)，功耗大约是个人电脑的十分之一。大脑是如何做到这一点的呢？计算机和大脑之间的一个重要区别是在每个系统中处理信息的方式不同。计算机任务在很大程度上是以串行步骤执行的。这可以从工程师通过创建顺序指令流来对计算机编程的方式中看出。对于这种顺序级联操作，每一步都需要高精度，因为误差在连续的步骤中累积和放大。大脑也使用一系列的步骤进行信息处理。在网球回击的例子中，信息从眼睛流向大脑，然后流向脊髓，以控制肌肉收缩。

这种大规模并行的策略是可能的，因为每个神经元都从许多其他神经元收集输入并向其发送输出-哺乳动物神经元的输入和输出平均约为1000个数量级。(相比之下，每个晶体管总共只有三个输入和输出节点。)。来自单个神经元的信息可以传送到许多平行的下游通路。同时，许多处理相同信息的神经元可以将它们的输入汇集到相同的下游神经元。后一属性对于提高信息处理的精度特别有用。例如，单个神经元代表的信息可能是有噪声的(例如，精度为1/100)。通过取携带相同信息的100个神经元的平均输入，共同的下游伙伴神经元可以更高的精度表示信息(在这种情况下，大约每1000个神经元中有1个)。6个。

计算机和大脑在其基本单元的信号方式上也有相似之处和不同之处。晶体管采用数字信令，它使用离散值(0和1)来表示信息。神经元轴突中的尖峰也是一个数字信号，因为神经元在任何给定的时间都会发射或不发射尖峰，当它发射时，所有尖峰的大小和形状都大致相同；这一特性有助于可靠的远距离尖峰传播。然而，神经元也使用模拟信号，它使用连续的值来表示信息。一些神经元(就像我们视网膜中的大多数神经元一样)是非尖峰的，它们的输出是由分级电信号(与尖峰不同，大小可以连续变化)传递的，这些电信号可以传递比尖峰更多的信息。神经元的接收端(接收通常发生在树突中)也使用模拟信号来整合多达数千个输入，使树突能够执行复杂的计算。7个。

大脑的另一个显著属性，显然在网球发球的例子中发挥了作用，那就是神经元之间的连接强度可以根据活动和经验而改变-神经科学家普遍认为这个过程是学习和记忆的基础。重复训练使神经元电路能够更好地配置正在执行的任务，从而大大提高了速度和精度。

在过去的几十年里，工程师们从大脑中汲取灵感来改进计算机设计。并行处理原理和依赖于使用的连接强度修改原理都已被并入现代计算机。例如，增加并行度，例如在一台计算机中使用多个处理器(核)，是当前计算机设计的趋势。又如，机器学习和人工智能领域的“深度学习”受到哺乳动物视觉系统发现的启发。近年来，机器学习和人工智能领域取得了巨大成功，计算机和移动设备的对象和语音识别技术也取得了突飞猛进的进步。8与哺乳动物视觉系统一样，深度学习使用多层来表示日益抽象的特征(例如，视觉对象或语音)，并且不同层之间的连接的权重是通过学习而不是由工程师设计来调整的。这些最新的进展扩大了计算机能够执行的任务的范围。尽管如此，与最先进的计算机相比，大脑具有更好的灵活性、通用性和学习能力。随着神经科学家揭开更多关于大脑的秘密(越来越多地受到计算机使用的帮助)，工程师们可以从大脑的工作中获得更多灵感，以进一步改善计算机的架构和性能。无论哪一个成为特定任务的赢家，这些跨学科的交叉融合无疑将推动神经科学和计算机工程的发展。

罗立群是人文与科学学院教授，也是斯坦福大学神经生物学教授。

作者感谢伊桑·里奇曼和熊景雄的评论，感谢大卫·林登的专家编辑。

作者：罗立群，出版于“智库：四十位科学家探索人类经验的生物根源”，大卫·J·林登编辑，耶鲁大学出版社出版。

1.本文改编自“神经生物学原理”(Garland Science，New York，NY，2015)一书导论部分。

2.von Neumann，J.The Computer and the Brain(耶鲁大学出版社，纽黑文，康涅狄格州，2012年)，第3版。

3.Patterson，D.A.&Amp；Hennessy，J.L.Computer Organization and Design(爱思唯尔，阿姆斯特丹，2012)，第4版。

4.这里的假设是算术运算必须将输入转化为输出，因此速度受到动作电位和突触传递等神经元通讯基本操作的限制。这些限制也有例外。例如，有电突触的非尖峰神经元(神经元之间的连接不使用化学神经递质)原则上可以比大约1毫秒的限制更快地传输信息；树突中局部发生的事件也可以。

5.噪声可以反映出许多神经生物学过程，如神经递质的释放，都是概率的。例如，在重复试验中，相同的神经元可能不会对相同的刺激产生相同的棘波模式。

6.假设每个输入的平均值(σ平均值)的标准偏差近似于噪声(它反映了与平均值相同的单位中的分布有多宽)。对于n个独立输入的平均值，平均值的期望标准偏差是σ平均值=σ/√·n。在我们的例子中，σ=0.01n=100；因此σ平均值=0.001。

7.例如，树突可以作为符合检测器，对来自许多不同上游神经元的近乎同步的兴奋性输入进行求和。他们还可以从兴奋性输入中减去抑制性输入。在某些树枝晶中电压门控离子通道的存在使它们能够表现出“非线性”特性，如电信号的放大而不只是简单的加法。

8.LeCun，Y.Bengio，Y.和Amp；Hinton，G.深度学习。《自然》521,436-444(2015)。