新浪科技综合|科学大家|奇特“新脑”：意识从物质中产生的几种形式(11)_

文章图片
图23/27

文章图片
图24/27

小脑架构
这是人类视网膜的示意图，是我们最好用的图像处理器，在许多方面的表现，比任何计算机都要优秀。这是人类小脑的示意图。这部分是专门用来同步我们的肌肉，保持我们运动平衡的。同样，它也有这种分层结构。没人知道它的详细工作原理，但是它非常强大，非常擅长它的工作。没有一个人类设计的机器人可以像人类一样自如地移动。
所以，尽管这些单元很小、很慢，不像人工计算机部件那样制作精密、那样可靠，但它运作起来非常流畅，这就是人类特有的优势。基于这种观察和经历，人类得到启发，这种非同寻常的架构可以很好地实现思维，构建第三种奇特新“脑” 。这里的基本构件不是一个单元，不是经典计算中的1或0 ，也不是它的量子推广（如量子计算中的），而是所谓的神经元。

文章图片
图25/27

这是一个神经元模型。你所要做的是进行输入，输入的是数字和权重，权重也是数字。然后，你对基于数字和权重的输入进行相乘或者其他处理，然后将其导入你的神经元，神经元根据输入值产生输出，如此循环。你可以用一种神经元的输出作为下一层神经元的输入。这是一个简单的理想化模型，以进入神经元并产生输出信号的电信号来描述实际的生物神经元是如何工作的。其优点是我们可以用程序进行设计和操作。
这个领域的伟大发现经历了几个阶段，但如今已经发展成一个非常精细和强大的实践理论，那就是可以自主学习的简单神经元的网络。它们可以通过改变权重来学习，这样它们的表现就会越来越好。这一基本原理是这样的：假设你的神经网络通过观察大量的图像来获取输入，并对它们所看到的进行编码，然后将信息发送给另一层神经元，然后将它们的输出传播到再一层的神经元，然后再传递到输出端，这可以解释为一条信息，告诉你原始图像中编码的信息是什么。例如，你可能有一个神经元，如果原始图像包含猫、人或某一类人脸，它就会发光。现在假设你的图像包含一只猫，但是你的输出中没有猫或者只有其他事物。这就是一个错误，那么如何做得更好？神经元知道产生了错误的答案，就像一个老师告诉它答案是对还是错。如果有一个错误，这个神经元会告诉大脑，告诉它的前一层神经，它犯了一个错误，进而改变它的权重，这样就会更正错误。神经元说，好，我稍微改变一下，这样我会给你一个更好的答案。然后，如果这个单元也错了，它责怪上面的那层单元，告诉它：你犯了一个错误。这层单元会说：哦，我犯了一个错误，所以如果我有不同的权重，我可以做得更好；我会稍微改变一下权重。如此反复进行。