大腦是複雜的，每個人類大腦包含約1000億個神經元，能產生100多萬億個連接，常被拿來和另一個複雜系統做比較：電子計算機。它們都具有強大的問題處理能力，都包含大量基本單元——分別是神經元和電晶體，這些基本單元都相連成複雜的環路，處理以電信號形式傳輸的信息。整體上看，人腦和計算機也有著相似的架構：用於輸入、輸出、中央處理和記憶存儲的環路可以被大致區分開，又能協同工作。
它們誰處理問題的能力更強？人腦還是計算機？考慮到過去幾十年計算機技術發展之快，你可能會覺得答案是計算機。的確，通過適當的組裝構建和編程，計算機已經能在複雜遊戲中打敗人類頂尖高手了：上世紀90年代它打敗了西洋棋世界冠軍，最近Alpha Go打敗了圍棋頂尖高手，還有百科知識競賽電視節目《危險邊緣》中機器人也獲得了勝利。然而，在我落筆之際，人類仍然能在眾多日常任務中更勝一籌——例如在擁擠的城市街道上認出一輛自行車或一個特定的人，例如舉起茶杯將它平穩地移到嘴邊 ——更不用說大腦的概念化能力和創造力。
所以為什麼計算機擅長完成某類任務，而人腦在其他方面更為優秀？計算機工程師和神經科學家都曾從計算機和人腦的對比分析中得到過啟示。這種對比最早可以追溯到現代計算機時代早期一本簡短卻影響深遠的書：《計算機與人類大腦》，它的作者，博學家約翰·馮·諾伊曼在20世紀40年代開創的計算機系統結構至今仍是大多數現代計算機的基礎。
我們來看看數字上的比較。
計算機在基本運算速度方面有著人腦難以企及的巨大優勢。現在的個人計算機可以以每秒100億次的速度執行基本的算術運算，比如加法。 我們也可以根據神經元傳遞信息的基本過程和的通訊速度來估計大腦中基本運算的速度。舉個例子，神經元「激起」動作電位被稱為「放電」，也就是在神經元細胞胞體附近引發電信號的尖峰，尖峰電位沿著稱為軸突的細胞突起傳遞，軸突末端又與下遊神經元相連。信息以這些尖峰的出現時間和出現頻率編碼。神經元放電的頻率最高大約每秒1,000次。 再舉個例子，神經元主要通過在軸突終端特定結構——突觸上釋放化學神經遞質來將信息傳遞給下遊神經元，後者將其重新轉換為電信號——這個過程我們稱之為突觸傳遞。突觸傳輸最快大約需要1毫秒。因此無論是尖峰還是突觸傳遞，大腦每秒最多可執行大約1000次基本運算，比計算機慢1000萬倍。
計算機在基本運算的精確度方面也佔有巨大優勢。計算機可以根據分配給每個數字的位以期望的任何精度表示數量。比如，一個32位數字的精度可達2^32分之一，也就是40多億分之一。實驗證據表明，由於生物噪聲，神經系統中的大多數物理量，例如神經元發放率，只存在幾個百分點的可變性，最好的情況下精確度能達到百分之一，僅是計算機的百萬分之一。
職業的網球運動員可以追蹤以160英裡/小時運行的網球的運動軌跡。
然而，大腦的計算表現既不算慢也不算壞。比如，一個職業的網球選手可以追蹤高達160英裡/小時速度運行的網球的運動軌跡，移到球場最佳位置，揮動手臂，甩動球拍，將球擊回對面，一系列動作發生在幾百毫秒之間。此外，大腦完成所有這些任務，功耗比計算機大約低十倍。大腦是怎麼做到的？計算機和大腦之間的一個重要區別是每個系統內部處理信息的模式。計算機任務主要以順序步驟執行，這點我們可以從工程師創建順序指令流的編程方式中看出來。對於這種連續級聯運算，每個步驟都需要高度精確，因為誤差會在連續步驟中積累、放大。大腦也使用連續步驟來處理信息。在網球回擊的例子中，信息從眼睛傳向大腦，然後傳向脊髓，從而控制腿部、軀幹、手臂和手腕的肌肉收縮。
但利用數量眾多的神經元和每個神經元發出的大量連接，大腦也同時採用大規模的並行處理。例如，移動的網球會激活視網膜中許多稱為光感受器的細胞，它的作用是將光轉換為電信號。這些信號隨之被並行傳送給視網膜中許多不同類型的神經元。只消兩個至三個突觸傳遞的時間，球的位置、方向、速度的相關信息已經被不同神經環路提取，並平行地傳輸到大腦。同樣地，運動皮層會發出平行的指令分別控制腿部、軀幹、手臂和手腕的肌肉收縮，這樣身體和手臂能同時協調，調整身體到接球的最佳姿勢。
這種大規模並行策略是是可行的，因為每個神經元都從許多其他神經元那兒輸入、輸出信息——一個哺乳動物神經元平均有數以千計的輸入和輸出。相比之下，計算機每個電晶體僅有三個輸入和輸出節點。來自單個神經元的信息可以被傳遞到許多並行的下遊路徑。與此同時，許多處理相同信息的神經元，可以將它們的輸入信息集中到相同的下遊神經元。後一種特性對於提高信息處理的精度特別有用。例如，由單個神經元表示的信息可能是「嘈雜」的。通過取平均值，下遊的神經元小夥伴通常能夠從100個輸入神經元中提取更精確的信息 。
計算機和大腦相比，基本單元的信號模式也有相同和不同之處。電晶體採用數位訊號，使用離散值來表示信息。神經元軸突中的峰值也是一個數位訊號，因為神經元在任何時間要麼處於尖峰狀態，要麼處於非激活狀態。當神經元被激活時，所有尖峰都是差不多相同大小、形狀，這一特性有助於實現可靠的遠距離尖峰傳播。不過，神經元也利用模擬信號，它使用連續的值來表示信息。一些神經元是無尖峰的，它們的輸出通過分級的電信號傳輸的，可傳輸比尖峰信號更多的信息。
你的大腦比計算機慢1000萬倍。
回擊網球的例子還彰顯了大腦另一個顯著特點：它可以基於當前狀態和歷史經驗，修改神經元之間的連接強度——神經科學家們普遍認為，這是學習與記憶的基礎。重複的訓練能使神經元環路為任務優化其連接方式，從而大幅提高速度與精確度。
在過去的幾十年裡，工程師不斷受大腦啟發來改進計算機設計。並行處理的原則，還有根據使用情況調整連接強度，都被納入了現代計算機。比如，增加並行性，即在單個計算機中使用多個核心處理器，已經是當前計算機設計的趨勢。又比如，機器學習和人工智慧領域的「深度學習」，近年來取得了巨大的成功，計算機和行動裝置中的物體識別和語音識別方面的迅速進展都得益於它，其就是受到了哺乳動物視覺系統的啟發[8]。和哺乳動物的視覺系統一樣，深度學習採用越來越深的層次來表示越來越抽象的特徵，不同層次之間的連接權重也通過機器學習動態調整，而不是由工程師手工設計。這些最新進展已經擴展了計算機能夠執行的任務的指令表。儘管如此，大腦還是比最先進的計算機具有更高的靈活性、泛化與學習能力。
隨著神經科學家發現越來越多關於大腦的秘密，工程師可以從大腦的工作原理中獲得更多靈感，進一步改善計算機的結構和表現。最後，不管特定任務中誰將成為贏家，跨學科交融無疑會促進神經科學和計算機工程的發展。
關於作者：駱利群，史丹福大學人文與科學學院教授，神經生物學教授。本文發表於《智庫：四十位科學家探索人類經驗的生物根源》，由David J. Linden編輯，由耶魯大學出版社出版。
1. This essay was adapted from a section in the introductory chapter of Luo, L. Principles of Neurobiology (Garland Science, New York, NY, 2015), with permission.