首页科技快讯脑与电脑究竟有多像？

脑与电脑究竟有多像？

来源：晰数塔互联网快讯时间：2019年05月17日 11:28

本文来自微信公众号：返朴（ID: fanpu2019），撰文：顾凡及（复旦大学生命科学院），封面：Valve

今年7月1日，将是美国生物学家埃德尔曼（Gerald Maurice Edelman）诞辰90周年纪念，而今天（5月17日）则是他的5周年忌辰。纵观他半个多世纪的科学生涯，前一半贡献给了免疫机制的研究，其高潮是1972年与英国生物学家波特（Rodney Robert Porter）分享了诺贝尔生理学或医学奖。最后的35年则倾注给脑科学研究，特别是意识研究和神经机器人研究。而达尔文主义的群体、竞争和选择思想则贯穿了埃德尔曼的科研始终。

埃德尔曼

本文并非是埃德尔曼的传记，也不全面介绍他对科学的贡献，而仅介绍他对脑的一些独特见解和探索，特别是有关脑与机器的问题。笔者以为其中既有发人深省之处，也有可以商榷的地方，值得人们深思。趁此机会，笔者也发表一点个人看法以与读者共同探讨。

神经达尔文主义

在免疫系统中，人们早就知道抗体有一些特别的部位可以与任何外来分子或抗原进行部分匹配，这对免疫防御至关重要。但是抗体怎样和抗原匹配？传统观点认为，抗体环绕着抗原折叠，并且以适当的形式把形成的折叠保持下来，这是一种“指令性”的理论。

埃德尔曼却发现事实并非如此：变异会产生各种各样的抗体，每种抗体都有不同的结合位点。当各种各样不同的抗体碰到某个外来分子以后，只有那些适合外来分子（抗原）结构的抗体会被选中增生。这和物种进化过程中群体通过变异和选择适应环境很类似，虽然两者在时空尺度上相差很大——他把前者（抗体的变异和选择）称为是一种“躯体选择”。

埃德尔曼在做出这样的发现之后，开始考虑脑功能很可能也像免疫机制一样是作为两种选择过程的结果而产生的——自然选择和躯体选择。人脑是漫长的进化过程中自然选择的产物，除此之外，脑与神经回路的结构和功能也可能是在发育过程、后天学习过程中由神经元群竞争和选择的结果。这一思考最终转化为1987年出版的《神经达尔文主义》[1]。这本书刚刚问世就引起了很大的反响和争议。

埃德尔曼认为，达尔文主义的精髓是从群体的观点出发去考虑问题：一个群体中的个体具有各种各样的变异（即多样性），这是自然选择所必需的“竞争”的基础——自然选择就是从一个物种群体中分化出那些能适应环境的个体，并让它们繁殖下去。简而言之，选择性系统需要在有各种变异的个体中不断产生多样性，按照这些变种能否适应环境进行选择，并且更多地繁殖（也就是放大）那些更能适应环境的个体。

埃德尔曼发现免疫系统是这样，脑也一样。每个脑最突出的特点就是其个体性和多变性。脑的所有组织层次上都表现出这种多变性，它使脑在面对未知世界的各种信号时，得以选择和增强那些能使机体适应环境的神经元群之间的联系。他由此提出了“神经达尔文主义”，其主要内容是:

1. 发育选择

虽然脑的宏观解剖结构是由遗传因素决定的，但每一个个体的神经元在突触水平上相互联结并组织成功能性神经元群却是在生长和发育期间由躯体选择确定的，处于同一神经元群中的神经元之间联系更强。这个过程使神经回路产生了巨大的多样性——没有两个人的同一脑区会有完全相同的突触结构。因其高度的功能可塑性和多样性，神经元群能自我组织成许多复杂且适应性强的“模块”。

2. 经验选择

从发生直到死亡，在脑的整个发育过程中，各种各样的神经元群中都在不断地进行着突触选择。期间，神经元群之间的联系既可能加强也可能被削弱，并受到“价值”的约束。所谓“价值”，是指动物先天对环境和动作后果的利害判断。

埃德尔曼认为，价值系统是由一些神经回路构成的，它们弥散性地投射到广大脑区，并分泌各种神经递质或神经调质作为价值信号。动物通过其价值系统调整行为、适应环境；价值系统向脑的其他部分发出非特异性的调制信号，从而改变突触效能以满足机体的整体需求；主体的行为结果也会不断修饰这一调制过程。

3. 复馈

复馈是指不同脑区之间不断进行着的双向信号交流，由此把这些脑区在时空两方面关联起来。复馈使得不同脑区中神经元群的活动同步化，并把它们绑定成某种整体。因此，复馈是在时空上协调各类感觉事件和运动事件的核心机制。

脑不是计算机

从数字计算机诞生之日起，人们就一直把计算机称为“电脑”。直到今天也还有许多人认为脑就是一种计算机，只要计算机的运算速度和存储量足够，那么就可以完成脑的一切功能，甚至全面超越人脑[2]。他们忽略了脑和计算机的许多本质差别，所以他们的结论也就有了问题。

埃德尔曼在提出神经达尔文主义之后，就一再指出，脑是进化的产物，是一种选择系统，这种选择体现在上面所讲的发育选择、经验选择和广泛的复馈联结之上。脑有极其丰富的多样性，从各种层次来说，都没有两个脑是完全一样的；而计算机则是人设计出来的产物，是一种指令系统，同一型号的计算机在结构上完全一样，逻辑是计算机的主要工作原则。

具体来说，按照埃德尔曼的看法[3]，脑和传统意义下的计算机存在下列差别：

没有两个脑像同一型号的计算机一样会完全相同，即使同卵双胞胎的脑也不会完全一样。脑中所有的联结都不精确，都要随发育和经历而不断变化，发育过程和后天经历都独一无二地印记于每个脑中，每一天，脑中的突触联结都会发生或大或小的变化，所有这一切都有赖于这个脑的特定历史。这种千差万别使得每个脑都独一无二——个体差异并不只是噪声或误差，它们会影响到我们记忆事情的方式，也是脑能够适应将来可能发生的、无数不可预测事件并对其起反应的关键因素。

现在还没有哪一种人造的机器，在设计时会把该类机器的多样性作为一条主要原则来加以考虑。相反，在人造系统中，同一型号的机器，结构都是完全相同的，不同种类结构元件的数量要尽可能少，同一种元件要规范化，并且要尽量减少冗余。

而脑则可以通过许多不同的回路实现同样的或类似的功能，埃德尔曼称此为“简并”，这大大增强了脑工作的鲁棒性。脑所接收到的信号并不像给计算机的数据那样精确。脑要依靠其记忆和“价值”对这些信号进行知觉上的分类，也就是把不同的刺激分成一些对其生存有意义的类别。计算机则根据预先规定好的编码方案把接收到的信号转换成确切无误的代码。

脑中存在大量的复馈联结。在脑内相互联结的区域之间，不断发生着并行的递归性相互交换，这些相互交换在时空两个方面不断地协调着这些区域的活动。这种相互交换（也就是复馈）不同于单纯的反馈，它有许多并行的通道，并且没有特别的指令性误差函数。

复馈最令人惊异的结果之一，是分布在许多不同功能区的不同神经元群的活动能够大范围同步。由复馈所联结起来的、分布各处的神经元的同步发放是知觉过程和运动过程整合的基础。这种整合最终导致知觉分类，使得脑为了“适应”，能够把一个对象或是事件从背景中区别出来。计算机靠的是中央处理器、时钟和各种算法、指令，来协调功能上分离的各个区域，而脑则并不依靠这一切。

在计算机中，存储（也就是记忆）是把外界信号经过编码以后一丝不差地写入到存储器中，当读出时又完全恢复原样，所以存储的信号是对原信号的一种表征。但是脑中的记忆是非表征性的。

埃德尔曼认为，在价值约束的条件之下，从外界或者脑的其他部分来的信号，会从现有的大量可能回路中选取某个回路，并改变其突触效能或强度。至于是哪些特定的突触发生改变，则取决于以前的经验，也取决于价值系统。当以后“回想”时，不一定得百分之百触发原先那个回路，而只要产生与过去类似的反应即可，这就成了“复现”或“不重复做某个智力活动或身体活动（埃德尔曼认为这就是记忆的含义）”的基础。

这种观点认为，记忆是由所有神经回路中某些选定出来的子集合的活动动态地产生的。这些子集合是简并的，也就是说不同子集合可以实现同样的功能：比较可以发现，不同子集合包含的回路并不完全一样；但是激活任何一个子集合，都能够复现某个特定的输出。正是由于神经回路具备这种简并性，当外界条件发生变化和有了新经验的时候，特定的记忆就可以发生变化。

因此，在一个简并选择性系统中的记忆是一种重建而不是严格复制。决定记忆分类的并不是预先设定好的某些代码，而是先前的网络群体结构、价值系统的状态，以及在特定时刻所执行的身体动作。这种记忆方式虽然牺牲了精确性，却为联想和创造性创造了条件。

脑中存在有一些特殊的有弥散性投射的核团——价值系统。遇到突发事件，价值系统会向整个神经系统发出信号通知；它也会根据个体行为的利害（奖惩）而大范围地改变突触强度。奖励将使动物以后在类似环境下加强同样的行为，惩罚的作用则正好相反。所以，埃德尔曼认为脑并非图灵机，这和现在某些人工智能专家的看法正好相反[4]。

如果脑不是一种图灵机，那么对它的工作就需要另作解释。埃德尔曼认为神经达尔文主义就可以给出较好的解释：脑在进化中由自然选择（它决定了价值约束和脑的主要结构）产生出来之后，每个个体脑都要经历躯体选择。

脑并不受一组有效程序的指导，而是为一组简并的有效结构所支配。这种结构的动力学决定了它的相关活动是由选择引起的，而不是由逻辑规则产生的。与此相反，现行计算机的运作则完全基于逻辑之上。埃德尔曼有一个大胆的猜想：不管是有机体还是将来某一天造出的人造物，一共只有两种基本类型——图灵机和选择性系统。因为只有这两种基本的思维模式：选择主义和逻辑——脑和计算机正是这两种不同模式的典型。

达尔文机系列

虽然脑和传统计算机（在冯·诺依曼架构的意义下）从工作原理上来说有着本质的区别，但是埃德尔曼相信，按照脑的选择原理构造出的人工装置，可以执行脑的某些功能。构造的关键在于机器的结构和动力学性质，而并不在于其构成材料。

在现阶段，用计算机模拟脑的某些局部组织和功能是有可能的。埃德尔曼在晚年建立了一所神经科学研究所，该所研制了一系列称为“达尔文机”（Darwin series of automata）的仿脑机（brain-based devices, BBDs）——之所以称为达尔文机，是为了纪念选择进化理论的奠基人达尔文。

这是一些由计算机“脑”控制的、可以在实际环境中自由行动并执行特定任务的机器人。通过无线传输信号，机器人把它的传感器所接收到的信号传输给“脑”，“脑”经过一系列工作之后，再把运动命令传输给机器人。一开始，仿脑机中的“神经元”是按照已知的解剖结构联结成回路的；但是在和环境相互作用的过程中，回路中的神经元之间的连接权重会按照某种奖惩原则发生变化。对每个仿脑机来说，这种变化的模式都是独特的，因为它们的经历不一样。

虽然这些机器还远谈不上有意识，但是它们已经可以不需要明确的指令，而是通过竞争和选择来实现知觉分类、学习、建立条件反射、学会情景性记忆、并在真实世界中定位和寻找目标[5] 。埃德尔曼的主要目的是用仿脑机来检验他对脑工作机制的一些设想，当然他也承认还需要对各种动物做实验。

然而，在同一动物身上很难（甚至不可能）同时（甚至先后）在分子到行为的各种层次上记录脑和身体的活动，这样也就很难、甚至不可能发现复杂神经过程和行为所必需的多层次相互作用。而使用达尔文机则可以详细研究这种跨层次的相互作用，从而帮助我们认识脑的多层次作用及其与行为的关系。

1981年以来，埃德尔曼开发了一系列的达尔文机，开始是一些软件，从1992年开始构建硬件。达尔文机的控制中枢是根据脊椎动物脑的组织结构建立起来的，它通过经验进行学习。和传统的机器人不同，达尔文机是一种“选择系统（selectional system）”，而不是“指令系统”。

也就是说，它是通过从许多不同的仿真神经回路中进行选择来学习的，而不是按照事先编制好的程序指令来工作的。埃德尔曼等人开发了一系列不同型号的仿脑机，模仿不同脑区的功能，本文只介绍某些典型的型号及其模仿的脑功能[6]。

1. 运动控制和运动

图1. 达尔文机在路径中穿行。经过几次摸索，基于小脑模型结构的达尔文机就可自行学会在复杂的过道中行走而不碰到路边的东西。[7]

图1是一个基于小脑模型结构的仿脑机。它根据视觉运动线索，采用预测控制，可以学会在弯曲小径中穿行而不碰到两侧的交通锥。开始时，它的行为很笨拙，只有碰到障碍物或离障碍物很近时，才触发红外传感器，采取“反射”行动躲开或是停下来。但是在经过学习以后，它靠自己运动所产生的光流信号就可以预测环境，从而使穿行越来越顺利[7]。

2. 学习记忆系统

图2. 达尔文机10号在迷宫中找“看不见”的目标（见左侧示意图）。中间的方框表示迷宫，其右上角的黑圆表示“看不见”的目标，四周的彩色条表示在迷宫四边墙上显示的图形标记，数字表示在四次实验中，达尔文机（中心的图标）的四个不同的出发点。实际情形见右侧图。[8]

达尔文机10号（图2）主要模仿的是脑中一个称为海马的结构及其附近的脑结构（图3），它能模仿莫里斯（Morris）著名的水迷宫实验：在迷宫中找到目标。

莫里斯的水迷宫实验是这样做的：把老鼠放到一个盛满了牛奶状液体的池子中，在液面下隐藏着一个老鼠可以安身的平台，老鼠在乱游一气之后，发现这个平台可以休息。池子周围的墙壁上画有不同的标记。经过几次以后，不论在什么地方把老鼠放入池中，它都会径直游向平台。如果破坏了老鼠的海马，它就再也做不到这一点了。

图3. 人脑中的海马结构（来源：goodtherapy.org）

埃德尔曼及其同事在迷宫的墙上涂上不同宽度的色条作为视觉线索。经过一番探索，达尔文机10号从任何起始点都可以凭记忆和墙上的线索直接走向某个隐藏地点（只有当机器正好位于这个地点时才会接收到一个红外线的奖励信号，在其它地方用它的“视觉系统”是看不到这个信号的）。

如果完成训练后暗中把平台移走，达尔文机10号会和老鼠一样，在原来有平台的地点打转。达尔文机10号的训练完成后，埃德尔曼可以找到驱动机器运动的神经单位，然后追溯所有神经单位之间相互连接的类型和强度的变化过程，结果发现，可能有大量各不相同的路径和回路都能最终驱动10号机走向平台。

也就是说，不同的结构可以产生相同的输出——这正是埃德尔曼曾经对神经系统工作原理做出的猜测：简并。这一研究表明他的猜测很可能是对的，但要做动物实验却很难。

3. 价值系统和动作选择

图4. 达尔文机7号在捡取顶上有条纹图形的方块。[9]

达尔文机7号有20,000个仿真的神经单位和450,000个突触联结。它可以在环境中自由行走，避开障碍物，去取它看到的东西。它有两个摄像机作为“眼睛”和一对微音器作为“耳朵”，在其“手掌”上还有测量电导的传感器。设计者只在达尔文机7号的“脑”中设置两条初始“价值观”：光亮是好的、拾取到的物体的表面电导高是好的；其它一切就要靠它自己和环境打交道来获取了。

当达尔文机7号在实验室里游逛时，它会遇到一些顶上涂有条纹记号或圆斑记号的金属积木。当它拿起上面有条纹记号的积木时，发现其表面电导高，它就知道这是“好味道”，而如果它取起上面有圆斑的积木，发现表面电导低，它就认为是“坏味道”。

这样它就把“味道”和看到的图像联系了起来，经过多次这样的经验以后，它就只靠视觉来拾取有好味道的积木（图4），这实际上是模仿了操作条件反射。一开始（仿真）神经元是按照已知的解剖结构联结成回路的，但是在和环境相互作用的过程中，这些回路中的神经元之间的连接权重会发生变化。而对每个仿脑机来说，变化的模式都是唯一的，因为它们的经历不一样[9]。

仿脑机的特点是它能直接和环境互动，主动从和环境打交道的过程中进行学习，而不是由程序员规定输入，也不是由程序员规定每一步动作所需遵循的程序。笔者以为，这些是动物和传统计算机的实质性区别之一。这种区别就像是只能由别人放给你看旅游录像片和你自己到当地一游的差异。事实上，即使是人，如果从小就缺乏和环境的互动，特别是与人类社会的互动，就不可能发展出高度的智能。仿脑机在这方面迈出了重要的一步。

尽管取得了这些不俗的成就，埃德尔曼仍旧很清醒。2007年，他说：

仿脑机依然还只处于它的早期阶段……仿脑机的长远目标是发展出一种有意识的人工物，虽然机器意识充其量也还只是一种遥远的希望。我们成功地建造了各种仿脑机，它们有很好的记忆系统，能够进行知觉分类，在这方面开了一个好头，如果在十年以前，这会被认为是科学幻想[10] 。

他还说：

我认为很有可能在将来某一天造出一台有意识的机器。但这还是一个很遥远的目标，而且即使真做到了这一点，这种机器还是不大可能挑战我们至高无上的地位。要知道脑必须依附于身体，而我们又身处某种生态龛或文化之中，这很难复制，哪怕只是模仿想[11]。

埃德尔曼希望他的达尔文机不仅有助于阐明神经系统的活动机制，而且有朝一日也可以付诸实际应用。但他在2014年过世，没有机会看到这一天了。

除了上面介绍的这一系列问题之外，埃德尔曼后半生的脑研究还集中在意识领域，并写了一系列专著[3,5,11,12,13]。本文篇幅所限，在这里就不展开了。

几点思考

在今天人工智能的热潮中，人们自然会想到埃德尔曼的这一系列研究和人工智能的关系问题。他的思想对我们有什么启发？是不是其中也有可以商榷之处？笔者想就此发表一点管见，和读者共同探讨。

其实，人工智能是面大旗，在这面大旗之下，聚集了许多目的根本不同的研究者，他们研究的问题分属不同的子学科。在这方面，王培教授已经有大量论述[14]，他指出：

“在人工智能的旗帜下，不同的人实际上在干不同的事。有构建脑模型的，有模拟人类行为的，有开拓计算机应用领域的，有设计新算法的，有总结思维规律的。虽然这些研究都有价值且有联系，但它们不可以彼此替代，而把它们混为一谈则容易导致思想混乱。”

按照王培的分类，其中的一派被称为“结构派”。这一派认为，既然人类智能是人脑的产物，那么似乎“尽可能忠实地模拟人脑结构”就是实现人工智能的最可靠途径了。“各种脑模型试图不仅在细节上（如神经元及其相互联系）而且在大尺度上（如层次和区域）都忠实于人脑结构” 著[14]。

王培认为，尽管结构派的理由看上去很有说服力，但在人工智能界只是个少数派。除了其复杂性令人望而却步之外，这一思路最常被人挑战的问题是其必要性。人脑作为进化的产物，其结构自然会反映某些历史的偶然性。作为一个生物器官，人脑结构的生物性特征对于机电设备来说也未必都有被模拟的必要。即使是在神经网络模型中，人脑也一般只是被用作灵感的源泉，而非设计的依据。[14]

笔者以为这些说法很有见地。按照王培的分类来看，埃德尔曼的仿脑机无疑属于结构派，其研究目的主要是阐明脑功能。当然埃德尔曼也希望把他的研究成果付诸实用，但是否真能得到推广，就是另一个问题了。利用仿脑机，埃德尔曼验证了他的某些假设是否有可能在神经系统中实现（例如简并），但仿真毕竟只是仿真，只是对假设的支持而非证明——最终的证明还得靠生物学实验。

另一个关键问题是脑和计算机的关系。没有人会反对从脑研究中寻求启发，以帮助解决工程技术问题。关键是，在人工智能的进一步发展中，究竟是必须照搬脑机制来解决问题呢，还是仅从脑研究中寻求启发，而所用的手段主要还是工程技术手段？笔者的管见是倾向后者。

埃德尔曼所指出的脑和计算机的区别，当然指的是脑和传统冯·诺依曼架构下的数字计算机的区别。我以为他所讲的实质在于脑的多样性、在硬件上的竞争和选择。在可预见的未来，机器都不会采取这些作为设计的原则。非表征性记忆和目前的存储根本不同，但是如果仅就记忆这一功能来说——而不计联想和创造——没有一位工程师会喜欢存储之物在每次取出时都会改变或重建。

另外，在神经科学界，主流见解似乎仍认为记忆是一种表征。笔者以为，埃德尔曼的非表征记忆假说对于理解虚假记忆（这是经常发生的）很有启发。同时，由非表征记忆方式带来的联想和创造，也回答了笔者自己一个长期的疑问：“我们的记忆既然那么不可靠，那么工程技术从生物记忆中可以学习些什么？”目前对此问题的研究还很少，由此还应该思考些什么，都值得探讨。

至于埃德尔曼所讲的其他各点，他在世时情况确实大体如此。不过，经过这些年的技术发展，脑与机器的界限多多少少变得不那么绝对了。比如说，现在计算机的输入已经不一定要求程序员给出严格的代码了，图像和语言都可以作为输入，计算机所接收的信息也不再必须是程序员“喂”给它的了，像达尔文机这样的机器已经可以主动给自己输入；虽然现在的计算机还几乎没有用到复馈，但是像递归神经网络这样的软件已经有了复馈的萌芽；而现在大红大紫的强化算法则与“价值系统”执行着同样的原则；甚至软件上的遗传算法和进化算法也用到了竞争和选择的思想。

但这些依然只是原则上的借鉴，而不是细节上的照搬。在细节上，两者的差别依旧很大，例如对接收到的输入信号，现在的计算机极少对多模态信号进行综合，也不会对其进行知觉分类。主动收集不精确的外界信号也依然只是例外而非常规。当然，人们可以争辩说随着研究的深入，这些差别都是可以弥合的。

此话虽然从原则上来说是不错的，但是否实际可行，以及带来的好处和代价都还是问题。因此埃德尔曼所指出的脑与机器的差别，值得我们深思，对于我们向脑学什么，以及怎样学都会有启发。笔者以为，从实际应用方面来看，必须从工程实现的可行性出发，看脑的哪些原则可以作为借鉴，哪些性质则在目前无法照搬或解决不了实际问题。

现在的自动驾驶汽车并没有采用仿脑机的路线，用的还是人工智能技术就是一个例子。

还有一个反过来的情况：目前的神经科学和认知科学也借用了大量信息科学的概念，如“表征”“编码”“计算”等。当然，多学科交叉对于打开思路、借用其他学科的成果很有益，但是我们也不能陷入盲目，而应该思考这些概念是否适用于脑，以及适用的范围。

有些概念如“表征”“编码”等在感觉信号接收的早期阶段有意义，但是一旦进入到知觉阶段，我们感受到的就不再是刺激的表征，而要加上记忆和价值约束以后的意义。再举一例，笔者曾经问了许多专家：脑中的“计算”究竟是什么意思？指的就是数字计算机中所执行的那些操作吗？如果是的话，脑是如何具体实现这些操作的？

如果脑中的计算就是计算机中执行的那些操作，那么现有的计算机只要加快速度和增大存储量就应该能执行脑的任何功能，包括创造性和意识在内，这是颇成问题的；如果不是，那么脑中的计算究竟指的是什么？有哪些超出图灵意义下的计算？可惜迄今为止还没有任何人给笔者一个令人满意的回答。因此，如何恰当使用这些概念也都值得生物学家仔细权衡。

关于“机器是否可以有意识”这个问题，埃德尔曼是谨慎的，不过笔者并没有他那么“乐观”。

为了解开意识这个“世界之结”，埃德尔曼提出了一个“动态核心假设”[3] ：如果脑中有对意识作贡献的“核心”，那么组成这个核心的神经元群必须通过复馈构成一个整体，同时又保持各自的功能特异性，每个神经元群中的变化都必须也引起核心中其他神经元群的变化，并且核心的组成部分是随时间而变化的——这一设定就称为“动态核心假设”。

按照这一假设，该核心就具有埃德尔曼所认为的意识的两大特性：整体性和复杂性（信息性）。

然而，在这一假设中，他完全回避了意识最核心的性质：主观性和私密性——尽管他也承认私密性是意识的主要特点。他所做的计算机仿真或是仿脑机实验虽然表明人工装置也能在不同程度上表现出整体性和复杂性，但是并没有丝毫主观性的痕迹。所以他的假设只是意识涌现的必要条件，而非充分条件。

近年来人们津津乐道的一些理论，如迪安提出的意识的“神经全局工作空间假设”[15] 、埃德尔曼的合作者托诺尼提出的意识“整合信息理论”[16] ，也都有同样的问题，都是提出了意识涌现的某些必要条件而非充分条件。因此，现在还看不到任何迹象，能在可预见的未来取得这方面的突破。

当然，既然作为物理系统的人脑能够有意识，那么从原则上来说，有朝一日仍有可能造出有意识的机器。不过，即使真的造出了这样的机器，人们也依然难于判断它是否真有内心意识，因为即使是对除了本人之外的其他人和动物，也还存在一个如何判断他们也有意识的“他人心智”的问题呢。因此以笔者管见，谈论“人工意识”现在还为时尚早，是否需要让机器有人工意识也是个大问题。

没有意识的人工智能，再强大也依然只能是人类的工具。就像原子能一样，为善为恶完全是使用者的选择。只有当人工智能万一真有了自己的意识，才会发生许多人当今谈人工智能色变的危险。

当然，上述仅仅是笔者的管见，像埃德尔曼这样的智者在其千虑中也可能有一失，而愚者千虑或许也可有一得，谨与读者诸君共同探讨。不管怎么说，埃德尔曼给我们提出了许多值得思考的问题，无论答案是什么都对脑科学和人工智能的健康发展会有助益。

参考文献：

[1] Edelman G. (1987) Neural Darwinism: The Theory of Neuronal Group Selection[M], Basic Books, New York

[2] Kurzweil R (2005) The Singularity Is Near: When Humans Transcend Biology[M], Viking, New York.

[3] Edelman G and Tononi G (2000) A Universe of Consciousness: How Matter Becomes Imagination, Basic Books, New York

中译本：埃德尔曼和托诺尼著，顾凡及译（2019）意识的宇宙：物质如何转变为精神（修订版）上海科学技术出版社，上海

[4] 尼克（2017）人工智能简史。人民邮电出版社，北京

[5] Edelman G (2006) Second Nature: Brain Science and Human Knowledge, Yale University Press, New Haven

[6] Krichmar J (2008), Neurorobotics [J] Scholarpedia, 3(3):1365.doi:10.4249/scholarpedia.1365

[7]McKinstry, J. L., Edelman, G. M., and Krichmar, J. L. (2006). A cerebellar model for predictive motor control tested in a brain-based device.[J] Proc Natl Acad Sci U S A 103, 3387-3392.

[8] Krichmar, J. L., Seth, A. K., Nitz, D. A., Fleischer, J. G., and Edelman, G. M. (2005). Spatial navigation and causal analysis in a brain-based device modeling cortical-hippocampal interactions. [J] Neuroinformatics 3, 197-221.

[9] Krichmar, J. L., and Edelman, G. M. (2002). Machine Psychology: Autonomous Behavior, Perceptual Categorization, and Conditioning in a Brain-Based Device. [J] Cerebral Cortex 12, 818-830.

[10] Edelman GM (2007) Learning in and from Brain-Based Device. [J] Science 318:1103-1105

[11] Edelman GM (2004) Wider than the Sky: The Phenomenal Gift of Consciousness [M] Yale Univ. Press, New Haven

[12] Edelman GM (1990) The Remembered Present: A Biological Theory of Consciousnes [M].Basic Books, New York

[13] Edelman GM (1992) Bright Air, Brilliant Fire: On the Matter of the Mind [M] Basic Books, New York

[14] 王培（2015）当你谈论人工智能时，到底在谈论什么? [J] 赛先生，2015-08-07 。还有系列文章都可以在他的个人网页（https://cis.temple.edu/~pwang/）中找到。

[15] Dehaene S. (2014) Consciousness and the brain: deciphering how the brain codes our thoughts. [M] New York: Viking Press.

[16] 托诺尼G.著，林旭文译. (2015) PHI：从脑到灵魂的旅行[M] . 北京: 机械工业出版社.

顾凡及：复旦大学生命科学学院退休教授，专业是计算神经科学。毕业于复旦大学数学系，先后在中科大生物物理系、复旦大学生命科学学院任教。退休后主要从事科普著译，已出版8本科普著译，曾获七次奖项。他还获得了第四届认知神经动力学国际会议（瑞典）授予的成就奖，以及2017年上海市科普教育创新奖（个人贡献，二等奖）。

《返朴》，致力好科普。国际著名物理学家文小刚与生物学家颜宁联袂担任总编，与几十位学者组成的编委会一起，与你共同求索。关注《返朴》（微信号：fanpu2019）参与更多讨论。二次转载或合作请联系fanpu2019@outlook.com。