AI Is Nothing Like a Brain, and That’s OK
18:49 Share

说到底，我知道我正在测试的这个聊天机器人并没有真正思考，但这是一种相当令人信服的模仿。我知道，或者我认为我知道，它背后的大型语言模型实际上只是在处理海量数据以预测下一个词，最终告诉我我想听到的内容或我要求的内容。但是等等，我的大脑不也是一直在做类似的事情吗？

欢迎收听Quanta播客，我们将在这里探索科学和数学的前沿。我是Samir Patel，Quanta杂志的主编。在本播客的首期节目中，我们将讨论人工智能和人脑，探讨它们实际上有多么不同，以及它们可能有哪些相似之处。

人类思想、智力、学习、神经元，甚至幻觉的语言，都融入到我们今天谈论人工智能的方式中。因此，当我们计划最近一篇关于人工智能如何改变数学和科学的专题文章时，我们想问一下，将人工智能，特别是语言模型，用这些术语来思考是否准确、有用或令人不安。

我今天邀请到的是这篇专题文章作者之一，她比较了人工神经网络和由实际神经元组成的网络。她是Quanta的撰稿人Yasmin Saplakoglu。Yasmin，欢迎来到节目。谢谢你的邀请，让我可以尽情讨论这个话题。我很高兴能深入探讨这个话题。所以，我们喜欢在这些采访开始时问的一个问题是，这里最大的问题是什么？我们的谈话最后会得出什么结论？

所以，最大的问题是，你拥有令人难以置信的人工智能系统，也拥有令人难以置信的大脑。它们有多相似？它们有多不同？我们为什么要问这个问题？它有什么用？是的。现在，我认为……

我们将人工智能背后的系统称为神经网络的部分原因是，它们受到了大脑、生物学的启发。那么，神经科学与我们开始编程计算机的方式之间有什么历史联系呢？

人工神经网络深深地受到了人脑的启发。这并不奇怪，因为我们长期以来都被大脑所吸引。你知道，我们总是将每一项技术与之进行比较。这是我们所知道的。我的一个消息来源用一种非常好的方式表达了这一点，他说这是已知宇宙中最复杂的活性物质。顺便说一句，这让我大吃一惊。就像，已知宇宙，从字面上看，是宇宙中最复杂的系统或物质块。

就是我们每个人头部内几磅重的奇怪物质。是的。是我们头脑中的肉。这让我有点震惊。即使我们正在做，哦，你知道，学习天体物理学让我们感觉如此渺小。就像这是一个让我……

人类感觉特殊的事实。这不同寻常。很奇怪。是的。而大脑实际上是在探究所有这些问题。它帮助我们首先提出所有这些存在主义的问题。你知道，这是我们的意识。这是我们的智力。这是我们具有好奇心的能力。这一切都来自于我们头骨中携带的这种原材料。是的。所以让我们回到大脑启发计算机这个想法。感觉就像

无论是科幻小说还是类似的东西，在数字空间中重现我们的思维方式长期以来一直是一个目标或一个故事。但实际上，我们最早的一些神经网络确实受到了至少某种抽象的启发，这种抽象方式是我们实际大脑的工作方式。是的，即使是最早的人工神经网络也深深地受到了我们从神经科学中获得的见解的启发。因此，较早的神经网络之一被称为感知器。

好吧，这比科幻小说更好。听起来像是来自Flash Gordon或其他什么东西。感知器。是的。听起来很疯狂，不是吗？而且它并不特别先进。它可以读取简单的代码，一系列打在卡片上的孔，它可以预测下一个孔是否会出现在左边或右边。这是一个二进制代码，所以它会说零或一。但它是第一批真正令人惊叹的机器之一，因为它可以学习。当我们说它可以学习时，这意味着什么？

所以，我将简要概述一下人工神经网络。它是一堆相互连接的节点，它们一起工作以处理某种信息。是的。而节点本质上就像我们神经元的数字版本。

它们要么打开，要么关闭，要么根本不反应，或者其他什么。是的。在这种情况下，学习是调整这些节点之间的连接以具有某种权重，这会影响它与下一个神经元的通信方式。而这正是我们大脑一直在做的事情。我们有一个输入进入神经元，而神经元根据其其他连接来决定该输入对大脑中接下来发生的事情的影响有多大。

没错。大脑学习的一个重要方式是突触可塑性。因此，越来越多地相互交流的神经元会获得更强的连接，而那些没有相互交流的神经元则会获得更弱的连接。这有时被称为“一起放电的神经元，一起连接”。这个想法基本上被应用于人工神经网络的最早形式，并被用作所谓的权重。

所以，即使回到感知器，那是什么时候，比如50年代？是的。好的，所以是20世纪50年代。他们已经在思考，好吧，让我们制作一个大脑的数字版本，让我们拥有可以打开或关闭的这些节点。

让我们看看是否可以将一些突触可塑性构建到该系统中，以便我们可以根据输入进行调整。这就是它的学习部分，对吧？没错。是的。如果这发生在50年代，为什么我们现在才获得强大的神经网络？所以……

感知器真的很棒，人们对此非常兴奋。但当时，人工智能学习并没有真正兴起。你知道，计算能力非常有限，而且资金不足。所以很多人，这个领域基本上又回到了编程，人工智能被忽视了一段时间。而部分原因是

导致今天真正强大的神经网络的进步也出现在随后的几十年中的神经科学中。我们必须对大脑有更多的了解，才能在数字空间中创建它的模型。是的。神经科学和计算机科学领域的进步共同导致了今天令人难以置信的人工神经网络的出现。那么它们是否仍然具有一定的……

类似大脑的结构。是的。所以，今天令人惊叹的神经网络与非常早期的神经网络（如感知器）的区别在于，它们具有更多层相互连接的节点，因此它们可以做更多的事情，并且可以以更复杂的方式进行。

好的，我们已经讨论了它们相似之处，对吧？我们认为神经网络中的节点是神经元，它们要么放电，要么不放电，就像我们神经元一样。我们可以训练它们，但是这种比较是有限制的，对吧？有一个但是。是的，这里最大的“但是”是什么？是的。如果你眯起眼睛，当然，它们是相似的，这是有道理的，因为人工神经网络深深地受到了所有这些神经科学以及我们所知道的最复杂的机器（即大脑）的启发。但是……

当你深入研究时，它们实际上根本不相似，因为大脑非常复杂，充满了多样性。而我们今天拥有的任何人工神经网络都没有真正代表这一点。当你提到多样性时，我们指的是哪种多样性？首先，大脑中有860亿个神经元。860亿个，用B表示？860亿个，用B表示。好的。但是……

它们并不是大脑中唯一存在的细胞。你还有数十亿计的神经胶质细胞也在执行许多不同的任务。即使你放大神经元本身，

神经元并不都相同。你知道，它们看起来不同，行为不同，它们以不同的方式相互连接。无论你从哪个尺度来看，都有复杂性和多样性。是的。很难将数百万年的进化、一生的学习以及所有这些随着时间推移在大脑中积累起来的复杂性，用所有都相同的节点或神经元在数字上进行模拟。没错。

我们所说的意思是，大脑的架构比我们能够用神经网络做到的要复杂得多。它甚至超出了它的架构，你知道，它的化学性质。神经元通过它们相互投掷的各种分子的巨大网络进行交流。

我的意思是，如果你仔细想想，大脑在任何特定时刻都在做很多事情。它有助于调节你的体温。它帮助你思考早餐吃了什么或午餐要吃什么。它正在调取记忆。它帮助你闻到气味。它帮助你看到东西。它现在正在帮助我与你交谈。而所有这些都在同时发生，通过所有这些化学物质、复杂性和信息流网络。

你谈到的这个想法，即神经网络是对大脑中发生的事情的极度简化版本，对我来说并不令人惊讶。但是，当我阅读你的文章时，让我感到惊讶的是，大脑和人工智能之间的比较实际上是有用的。那么计算机科学家如何利用

思考如何利用实际神经元的一些复杂性来改进它们的人工智能？目前正在进行许多不同的努力。其中一些努力围绕着，例如，找到方法将大脑具有的某些多样性引入人工神经网络。

以及找到方法使用神经调节剂，神经调节剂是神经递质的一个子集，大脑会发送它们来进行交流。如果他们能够找到方法将大脑中使用神经调节剂的信息包含在内，那么他们或许能够创造出能够更好地推理或具有更多一点……

具有知识的能力的人工神经智能系统。有一些团队正在积极从事这类工作吗？是的，有一些团队正在从事这类工作。然后还有一些团队试图通过研究是否可以将生物神经元连接到人工组件来结合这两个领域。

这听起来很疯狂。好的。我们这里有点像赛博格了。但实际上是将活的神经元整合到数字网络中。是的。所以他们认为，如果他们可以使用生物神经元本身，而不是试图将它们抽象成某种数字形式，那么他们或许能够改进这些系统，无论是数字上

是为了帮助它们更好地推理，还是为了提高它们的能量效率，这是大脑非常擅长的事情。

我猜想这项研究仍处于早期阶段。是的。因为我觉得如果我们有由实际活的神经元提供动力的AI，我们会知道的。是的。这完全、完全处于早期阶段。是的。这非常有趣。但是让我们从另一方面来看。神经科学家和我们对大脑的理解是如何从人工智能的工作方式中受益的呢？

这有点好笑，因为几十年来，神经科学一直是影响计算机科学的领域，所有这些发展都是如此。但现在，钟摆已经摆向了另一边，许多神经科学家实际上正在寻求人工智能来帮助他们理解生物学和人脑本身。我们知道，人工智能是真实神经网络的巨大简化版本，

它怎么能告诉我们更多关于大脑本身的信息呢？人工神经网络作为模型，比我们过去拥有的任何模型都更类似于人脑的某些部分。因此，神经科学家正在研究人工神经网络，例如那些参与语言处理或图像处理的神经网络，以查看他们是否可以了解大脑是如何做到这一点的。这很有趣，因为很明显，如果我们想知道

大脑在看到猫的图片并将其识别为猫时会如何精确地反应。我们无法打开

那个神经网络来了解它内部发生了什么。但是，如果我们有一个简化版本，它基于我们认为是类似架构的东西运行，一个AI图像识别软件程序，我们可以尽可能地打开它，并尝试查看它内部发生了什么。没错。当然，在了解神经网络内部究竟发生了什么方面，仍然存在问题，就像大脑一样。

仍然有很多未知数。但即使如此，人工神经网络，我们仍然可以以这种方式进行探测，它仍然能够给我们提供我们无法从观察我们自己大脑中获得的见解。是的。我认为我从你的文章中获得的最大收获是（顺便说一句，这篇文章很棒），实际神经网络和人工神经网络的历史和关系有多么复杂，而且随着我们的不断发展，它实际上会变得更加复杂。是的。因此，最终我们可能会看到一个世界，在这个世界中，人工智能实际上是建立在比我们预期的更像大脑的东西之上的，或者它们可能会朝着完全不同的方向发展，并对构成思想或智力的内容有完全不同的定义。完全正确。完全正确。

我的一个消息来源说了一些非常好的话。明尼苏达大学的神经科学家Thomas Nassolaris说：“将人类与人工智能进行比较永远不会没有意义，因为我们这里有了第二种形式的智能。”

谁又能说我们需要以进化构建我们智力的相同方式来构建这种智力呢？你知道，有不同的方法可以做到这一点。我认为，探究和研究这些不同的方法，在未来几年将会非常、非常有趣。Yasmin，在你离开之前，我们想得到一个推荐。你可以推荐一本书、音乐或一篇文章，任何东西都可以。最近有什么东西让你充满想象力吗？

我最近在《纽约时报》上读了一篇文章，名为《她爱上了ChatGPT》，作者是Kashmir Hill。这篇文章是关于那些实际上爱上了像ChatGPT这样的聊天机器人的人，因为你知道，它的答案已经变得如此逼真，几乎像人一样。尤其是在我报道这件事的时候，我发现它是一个对我们所处的这个新时代的迷人探索。

太棒了。谢谢你，Yasmin。非常高兴你加入我们。我们希望所有收听节目的听众都能阅读Yasmin的文章。这篇文章的标题是什么？“人工智能与大脑完全不同，这没关系。”它是我们最近在网站上发布的专题文章的一部分，名为“人工智能时代的科学、承诺与危险”。里面还有一些其他的精彩故事。有一些很棒的解释器、词汇表。你应该有机会就看看。

本周在Quanta上，你还会看到关于手性现象的故事，在这种现象中，分子与其自身的镜像不同，以及与物理学家Sidney Nagel的问答，他喜欢解决日常生活中的奥秘。我们今天将用Cold Spring Harbor实验室的神经内分泌学家Simone Sun博士的音乐项目来结束节目。

除了研究之外，他们还使用来自神经元的实验数据作为原材料来制作电子音乐。这是来自名为“分析”的曲目，可以在他们的网站simonesun.com上找到。Quanta播客是Quanta杂志的播客，Quanta杂志是一个由西蒙斯基金会支持的编辑独立出版物。我是Quanta的主编Samir Patel。

西蒙斯基金会的资金决定不会影响本播客或Quanta杂志中主题、嘉宾或其他编辑决定的选择。Quanta播客是与PRX Productions合作制作的。制作团队包括Ali Budner、Deborah J. Balthazar、Genevieve Sponsler和Tommy Bazarian。PRX Productions的执行制片人是Jocelyn Gonzalez。

来自Quanta杂志，Simon France和我本人在Matt Karlstrom、Samuel Velasco、Simone Barr和Michael Kenyongolo的支持下提供编辑指导。我们的主题音乐来自APM Music。如果您有任何问题或意见，请发送电子邮件至[email protected]。感谢收听。来自PR。