原創 COBB 神經現實 收錄於話題#深度 | Deep-diving104#神經科學3
理解大腦的偉大事業
我們正經歷著最偉大的科學事業之一——試圖理解宇宙中最複雜的物體——腦子。科學家們正在收集大量關於腦結構和功能的數據，從最小的腦到我們自己的腦。成千上萬的研究人員正投入大量的時間和精力研究腦的功能，而令人驚訝的新技術使我們能夠描述和操縱腦的活動。
現在，我們可以讓老鼠記住它從未聞過的氣味，把老鼠糟糕的記憶變成好的記憶，甚至使用電流來改變人們對面孔的感知。我們正在繪製越來越詳細和複雜的人類和其他物種的腦功能圖譜。在某些物種中，我們可以隨意改變腦的結構，從而改變動物的行為。隨著我們技藝的不斷提高，一些最深刻的影響已經發生，比如我們使癱瘓的人能夠用他們的思維能力來控制機械手臂。
每天，我們都能聽到關於大腦如何工作的新發現，以及新技術所帶來的希望與威脅。這些新技術將使我們能夠做一些難以置信的事情，比如讀心術，偵查罪犯，這些新技術甚至被上傳到電腦上。各種各樣的書層出不窮，每一本都聲稱用不同的方式解釋了大腦。
- Macrovector -
然而，一些神經科學家越來越相信，我們未來的道路並不清楚。除了簡單地收集更多數據或指望最新的激動人心的實驗方法之外，很難看出我們應該往哪裡走。正如德國神經學家奧拉夫·斯波恩（Olaf Sporns）所言：「神經科學在很大程度上仍然缺乏能將腦數據轉化為基本知識和理解所需要的組織原則或理論框架。」儘管積累了大量的事實，但我們對腦的理解似乎已接近僵局。
2017年，法國神經學家伊夫·弗雷格納克（Yves Frégnac ）針對以昂貴的大項目收集大量數據的潮流，批評道，他們產生的海量數據正在走向研究進展中的主要瓶頸，部分原因，正如他概括道，「大數據不是知識。」
「僅僅在20-30年前，神經解剖學和神經生理學的信息還相對稀缺，而理解與精神相關的過程似乎觸手可及。」弗雷格納克寫道，「如今，我們正淹沒在信息的洪流中。矛盾的是，所有的宏觀理解都面臨著被推翻的嚴重危險。每一次技術上的突破都打開了潘多拉的盒子，揭示了隱藏的變量、機制和非線性，增加了新層面上的複雜性。」
神經科學家安妮·丘奇蘭德（Anne Churchlan）和拉裡·艾伯特（Larry Abbott）也強調，我們的困難在於去解釋在世界各地的實驗室產生的海量數據：「要從信息的衝擊中獲得深刻的理解，除了熟練和創造性地應用實驗技術外，還需要在數據分析方法方面取得重大進展，並大量應用理論概念和模型。」
確實有一些理論方法可以研究腦的功能，包括人腦能做的最神秘的事情——產生意識。但這些框架都沒有被廣泛接受，因為它們都還沒有通過實驗研究的決定性考驗。反覆呼籲更多的理論可能只是一種虔誠的希望。我們可以說，腦功能不可能有單一的理論，甚至對蛔蟲也是如此，因為腦不是單一的東西。（科學家們甚至發現很難給腦下一個精確的定義。）
正如DNA雙螺旋結構的共同發現者弗朗西斯·克裡克（Francis Crick）所觀察到的，腦是一個完整的、演化的結構，在演化的不同時刻，腦的不同部分出現，並適應解決不同的問題。我們目前對它是如何運作的理解非常片面，例如大多數神經科學感官研究都集中在視覺上，而不是嗅覺，嗅覺在概念上和技術上都更具挑戰性。但是嗅覺和視覺的工作方式是不同的，無論是在計算上還是在結構上。通過關注視覺，我們對腦的功能以及它是如何運作的只獲得了非常有限的理解。
機器的隱喻
腦的本質——既體現了集成性，也表現出一定的獨立性——可能意味著我們對未來的理解將不可避免地支離破碎，對不同部分有不同的解釋。丘奇蘭德和艾伯特解釋了這句話的含義：「當整體性的理解到來的時候，它出現的形式很可能是高度多樣化的面板鬆散地縫合在一起，就像拼布被子一樣。」
半個多世紀以來，我們所開展的所有這些高度多樣化的拼合研究都基於這樣的想法，即大腦處理過程與計算機處理類似。但這並不意味著這個比喻在未來會繼續有用。在1951年，數字時代剛剛開始的時候，先鋒神經學家卡爾·拉什利（Karl Lashley）就反對使用任何基於機器的隱喻。
「笛卡爾對皇家花園裡的水工雕像印象深刻，並發展出了大腦活動的水力學理論。」拉什利寫道，「從那以後，我們有了電話理論、電場理論，現在又有了基於計算機和自動舵的理論。我認為，通過研究大腦本身和行為現象，我們更有可能發現大腦是如何工作的，而不是沉溺於牽強附會的物理類比。」
神經學家卡爾·拉什利
—
Wikipedia
最近，法國神經學家羅曼·布雷特（Romain Brette）進一步地摒棄了這類隱喻，他挑戰了腦功能最基本的隱喻：編碼。自20世紀20年代建立以來，神經編碼的概念一直主導著神經科學的思考，在過去的10年裡，關於這個主題的論文發表了1萬1千多篇。布雷特的基本批評是，研究人員在思考編碼時，無意中從一種技術意義（刺激與神經元活動之間存在聯繫）轉向了一種表徵意義（神經元編碼代表刺激）。
在大多數關於神經編碼的描述中，隱含的意思是神經網絡的活動是呈現給大腦中的理想觀察者或讀者的，通常被描述為能夠以最佳的方式解碼信號的「下遊結構」（downstream structures）。但是這種結構處理這些信號的方式是未知的，甚至在簡單的神經網絡功能模型中也很少明確地提出假設。
大腦的核磁共振掃描圖。
—
Getty / iStockphoto
神經編碼的處理通常被看作是一系列線性步驟，就像一連串的多米諾骨牌一樣。然而，大腦是由高度複雜的相互連接的神經網絡組成的，這些神經網絡與外部世界相連，從而產生行動。只關注一組感覺和處理神經元，而不把這些網絡與動物的行為聯繫起來，就會忽略處理的重點。
把大腦看作是一臺被動地對輸入做出反應和處理數據的計算機，我們就會忘記它是一個活躍的器官，是身體介入世界的一部分，它的演化歷程塑造了它的結構和功能。匈牙利神經科學家尤裡·布薩基（György Buzsaki）在他的新書《大腦由內而外》（The Brain from Inside Out）中概述了這種關於大腦的觀點。根據布薩基的說法，大腦並不是簡單地被動地吸收刺激，並通過神經代碼將它們表現出來，而是積極地搜索各種可能性，以測試各種選項。他跟隨19世紀的科學家得出的結論是，大腦並不表徵信息，而是構建信息。
關於神經科學的隱喻——計算機、編碼、接線圖等，都不可避免地有所偏頗——這就是隱喻的本質。它們似乎在科學家們的思維方式中舉足輕重，科學哲學家和科學家們都對它們進行了深入研究。但同時隱喻也蘊含豐富，它幫助著我們去洞察、去發現。總有一天，隱喻所帶來的限制會超過它們所帶來的啟迪，但在考慮關於大腦的計算性和具象性隱喻時，研究者們對這一時刻是否已經來臨並未達成一致。從歷史的角度來看，這一爭論的發生表明我們可能確實正在接近計算性隱喻的終結。然而我們還不清楚，取而代之的將會是什麼。
- Macrovector -
當科學家們意識到他們的觀點是如何被隱喻塑造的，並意識到新的類比可能會改變他們對自己工作的理解，甚至使他們能夠設計新的實驗時，他們常常會感到興奮。想要想出這些新的比喻是一種挑戰，因為過去使用的大多數與腦有關的詞彙都與新技術有關。這可能意味著，有關腦的新的、有洞察力的隱喻的出現以及它如何發揮作用取決於未來的技術突破，就像液壓動力、電話交換機或計算機一樣。目前還沒有這種發展的跡象；儘管關於區塊鏈、量子霸權（或量子任何東西）、納米技術等最新的流行詞彙鋪天蓋地，但這些領域不太可能轉變技術或我們對腦的看法。
湧現和意識上傳
我們的隱喻可能正在失去其解釋力的一個跡象是，人們普遍認為神經系統的大部分功能都是如此，從簡單的系統到人類意識的出現，只能解釋為（emergent properties）——這類事物你無法通過分析組成部分來預測，它們只以系統功能的形式出現。
1981年，英國心理學家理察·格裡高利（Richard Gregory）認為依賴「湧現」來解釋腦功能顯示出一個問題：「『湧現』的出現很可能是一個信號，它表明需要一個更普遍的（或至少是不同的）概念框架……優秀理論的作用就是移除湧現解釋（所以關於湧現的解釋是虛假的）。」
- Liravega -
這種說法忽略了一個事實，即有不同種類的湧現：弱的和強的。弱的湧現特徵，如魚群對鯊魚的反應，可以根據支配其組成部分行為的規則來理解。顯然，在這種情況下，神秘的群體行為是建立在個體行為的基礎上的，而個體行為是對諸如鄰近的運動等因素或外部刺激（如捕食者的接近）做出反應。
這種弱湧現就連最簡單的神經系統的活動也解釋不了，更不用說解釋你的大腦如何工作，所以我們求助於強湧現，即出現的現象不能用單個組成部分的活動來解釋。你和你正在閱讀這篇文章的頁面都是由原子構成的，但是你的閱讀和理解能力來自於你身體中形成更高層次結構的原子所產生的特徵（比如神經元和它們的放電模式），而不僅僅來自於原子的相互作用。
最近，一些神經科學家批評強湧現有「形上學的不可信」的風險，因為對於強湧現是如何發生的，沒有明顯的因果機制，也沒有任何單一的解釋。像格裡高利一樣，這些批評者聲稱，依靠湧現來解釋複雜現象表明，神經科學正處於一個關鍵的歷史轉折點，就像看到鍊金術慢慢轉變為化學一樣。但面對神經科學的奧秘，湧現往往是我們唯一的出路。深度學習程序的驚人特性本質上是湧現性的，而設計這些特性的人根本無法解釋這些特性。
有趣的是，雖然一些神經科學家對湧現的形上學感到困惑，人工智慧領域的研究人員陶醉於這個想法，他們相信，現代計算機的純粹複雜性，或它們通過網際網路的相互連接，將導致所謂的奇點。機器將變得有意識。
關於這種可能性有很多虛構的探索（在這些探索中，事情的結局對所有相關的人來說都很糟糕），這個主題當然會激發公眾的想像力，但除了我們對於意識是如何起作用這一問題的無知以外，我們沒有理由假設它會在不久的將來發生。原則上，這多半是可能的，因為我們假設精神是物質的產物，因此我們應該能夠在一個裝置中模仿它。但即使是最簡單的腦，其複雜性的規模也令我們目前所能想像的任何機器都相形見絀。在未來的幾十年甚至幾個世紀裡，奇點只會出現在科幻小說中，而不是科學中。
一個有關意識本質的相關觀點把大腦作為計算機的比喻變成了一個嚴格的類比。一些研究人員將思維視為一種在神經硬體上實現的作業系統，這意味著我們的精神，被視為一種特殊的計算狀態，可以被上傳到某個設備或另一個大腦中。這種觀點的常規表述，是錯誤的，或者充其量是無可救藥的天真。
唯物主義的工作假設是，在人類和蛆以及其他一切事物中，大腦和精神都是一樣的。神經元和它們支持的過程（包括意識在內）也是一樣。在計算機中，軟體和硬體是分開的；然而，我們的大腦和我們的精神由所謂「溼件」的東西組成，其中正在發生的事情和它們在哪裡發生完全交織在一起。
- Macrovector -
想像我們可以改變我們的神經系統來運行不同的程序，或者把我們的思想上傳到伺服器上，這聽起來很科學，但是在這個想法背後隱藏著一種非唯物主義的觀點，可以追溯到笛卡爾或是更早的時候。這意味著我們的思想以某種方式漂浮在我們的大腦中，並且可以轉移到另一個頭部或被另一個精神所取代。通過閱讀一組神經元的狀態並將其寫入新的（有機或人造）基質，我們有可能給這個想法披上一層科學的體面外衣。
但即便是要開始想像這在實踐中如何可行，我們也需要對神經元功能的理解，這遠遠超出了我們目前所能設想的，而且還需要難以想像的巨大算力和精確模仿腦結構的模擬。甚至於我們僅僅去探討原理上的可能性，那首先也需要能夠完全模擬一個神經系統的活動，這個神經系統能夠保持一個單一的狀態，更別提思維了。我們離邁出第一步如此之遙，以至於上傳你的思想的可能性可以作為一個幻想而被摒棄，至少直到遙遠的未來。
大腦是臺「計算機」？
目前，「大腦作為計算機」這個比喻仍佔主導地位，儘管人們對這個比喻的強度存在分歧。2015年，機器人專家羅德尼·布魯克斯（Rodney Brooks）在他的論文集《這個想法必須死亡》（This Idea Must Die）中，聲稱自己最討厭的想法就是大腦的計算隱喻。20年前，歷史學家瑞安·詹森（Ryan Johansson）也得出了類似的結論：無休止地爭論腦即電腦這類比喻的真偽，是在浪費時間。所提出的關係是隱喻性的，它指導我們去做某事，而不是試圖告訴我們真相。
另一方面，美國人工智慧專家加裡·馬庫斯（Gary Marcus）對「計算機」這個比喻進行了有力的辯護：簡言之，計算機是接收輸入、編碼和操作信息，並將輸入轉化為輸出的系統架構。據我們所知，腦就是這樣。真正的問題不在於大腦本身是否是個信息處理器，而在於大腦如何存儲和編碼信息，以及一旦信息被編碼，大腦會對這些信息進行哪些操作。
美國人工智慧專家加裡•馬庫斯
—
Boston.com
馬庫斯接著說，神經科學的任務是對腦進行逆向工程，就像研究計算機一樣，檢查其組成部分及其相互連接，以破譯其工作原理。這個建議已經存在一段時間了。1989年，克裡克認識到它的吸引力，但因為大腦複雜而混亂的演化史，克裡克覺得它不會成功。他戲劇性地宣稱，這就像試圖逆向設計一項外星技術。他認為，試圖從大腦結構的邏輯流動中找到大腦如何工作的整體解釋註定是失敗的，因為幾乎可以肯定的是，出發點是錯誤的——不存在整體的邏輯。
計算機逆向工程通常被用作思維實驗，以展示我們如何在原則上理解大腦。不可避免地，這些思維實驗是成功的，鼓勵我們以這種方式去理解我們大腦中柔軟的器官。但是在2017年，兩位神經科學家決定在一個真實的計算機晶片上做這個實驗，這個晶片有真實的邏輯，真實的組件和明確設計的功能。事情並不像預期的那樣發展。
埃裡克·喬納斯（Eric Jonas）和康拉德·保羅·科德（ Konrad Paul Kording）兩人使用的技術通常用於分析大腦，他們將之用於MOS 6507處理器上。這種處理器常見於70年代末和80年代初的電腦中，它使這些機器能運行如《大金剛》（Donkey Kong）和《太空入侵者》（ Space Invaders）這樣的視頻遊戲。
視頻遊戲《大金剛》（Donkey Kong）
—
遊戲截圖
首先，他們通過掃描晶片所包含的3510個增強型電晶體，並在一臺現代計算機上模擬該設備（包括將遊戲程序運行10秒鐘），獲得了晶片的連接圖譜。然後他們用了各種各樣的神經科學技術，如「損毀」（把電晶體從模擬中移除），分析虛擬電晶體的「脈衝」活動並研究它們的連通性，觀察各種操作對系統行為的影響——通過其運行每一款遊戲的能力來衡量。
儘管部署了強大的分析武器，儘管對晶片的工作原理存在明確的解釋（用技術術語來說，它是有基礎的），但這項研究未能探測到晶片內部信息處理的層次結構。正如喬納斯和科德所說，這些技術無法產生有意義的理解。他們的結論是悲觀的：「最終，問題不在於神經科學家理解不了微處理器，而在於以他們目前採用的方法，他們無法理解它。」
這個令人警醒的結果表明，儘管計算機隱喻很有吸引力，而且腦確實在處理信息，以某種方式表徵外部世界，但要取得進展，我們仍需要取得重大的理論突破。即使我們的大腦是按照邏輯來設計的（其實不是），我們目前的概念和分析工具也完全不足以解釋它們。這並不意味著模擬項目是毫無意義的。通過建模（或模擬），我們可以驗證假設，通過將模型與可以精確操縱的已建立的系統聯繫起來，我們可以深入了解真正的腦是如何運作的。這是一個極其強大的工具，但是當涉及到為這類研究所作的聲明時，需要一定程度的謙虛，並且需要以現實主義來面對在大腦和人工系統之間進行類比的困難。
目前的「逆向工程」技術還不能提供對雅達利控制臺晶片的正確理解，更不用說人腦了。
—
Radharc Images / Alamy
甚至像計算大腦的存儲容量這樣簡單明了的事情，在嘗試時也遭遇失敗。這種計算充滿了概念上和實際上的困難。大腦是自然進化的現象，而不是數字設備。雖然通常認為，大腦中的特定功能被定位在某個腦區，就像它們是在一個機器中，但這種確定性一再被新的神經解剖學發現和意料之外的腦區間的連接所挑戰；或被驚人的可塑性案例挑戰，在這些例子中，大腦部位有缺損的人可以執行正常的功能，這些部位被認為致力於某些特定行為。
可能無限，跬步須積
實際上，大腦和計算機的結構是完全不同的。2006年，拉裡·艾伯特寫了一篇名為《開關在哪裡?》（Where are the switches on this thing?）的論文。其中，他探索了電子設備最基本的組件——開關——的潛在生物物理基礎。儘管抑制性突觸可以通過使下遊神經元失去反應來改變活動流，但這種相互作用在大腦中相對少見。
神經元不像二進位開關，可以打開或關閉，形成接線圖。相反，神經元以一種模擬（analogue ）的方式做出反應，改變它們的活動來回應刺激的變化。神經系統通過改變由大量單元組成的細胞網絡的激活模式來改變其工作；正是這些網絡在引導、轉移和分流活動。與我們目前所設想的任何設備不同，這些網絡的節點不像電晶體或閥門那樣的穩定點，而是一組數以百計、成千上萬的神經元，它們可以像網絡一樣隨著時間的推移做出一致的響應，即使各個組成細胞表現出不一致的行為。
- Macrovector -
即使是最簡單的這樣的網絡，我們現在也無法理解。布蘭迪斯大學的神經科學家伊芙·馬德（Eve Marder）花了職業生涯的大部分時間，試圖弄明白龍蝦胃裡的幾十個神經元是如何產生有節奏的摩擦的。儘管我們付出了巨大的努力和智慧，但我們仍然無法預測：改變這個微小網絡的一個組成部分，會產生怎樣的影響。這甚至算不上一個簡單的大腦。
這是我們必須解決的大問題。一方面，大腦由神經元和其他細胞組成，它們在網絡中相互作用，它們的活動不僅受到突觸活動的影響，還受到神經調節質等各種因素的影響。另一方面，很明顯，大腦功能涉及神經集群層面的複雜的動態神經活動。我猜想，在本世紀餘下的大部分時間裡，要找到這兩種分析層級之間的聯繫將是一項挑戰。而恰當地理解精神疾病案例中所發生的事情的前景則更加遙遠。
並非所有的神經科學家都持悲觀態度，有些科學家自信地宣稱，新的數學方法的應用將使我們能夠理解人腦中無數的相互聯繫。像我這樣的其他人則喜歡研究尺度另一頭的動物，將注意力集中在蠕蟲或蛆蟲的微小大腦上，採用行之有效的方法，尋求理解一個簡單系統是如何工作的，然後將這些經驗應用到更複雜的案例中。許多神經科學家，如果他們還在思考這個問題的話，只是簡單地認為進展將不可避免地是零碎的和緩慢的，因為沒有關於大腦的大統一理論潛伏在角落裡。
- rawpixel.com -
關於我們對大腦理解的未來會如何發展，有許多可供選擇的設想：也許各種計算項目會成功，理論家會破解所有腦子的功能；或者，連接圖譜會揭示目前我們還不知道的腦功能的原理；或者，一個理論將以某種方式從我們正在生成的大量成像數據中冒出來；或者，我們將從一系列獨立但令人滿意的解釋中慢慢拼湊出一個理論（或多個理論）；或者，通過關注簡單的神經網絡原理，我們可以理解更高層次的組織；或者，某種將生理學、生物化學和解剖學結合起來的激進的新方法，將對正在發生的事情提供決定性的啟示；或者，新的比較進化研究將展示其他動物是如何有意識的，並為了解我們自己的大腦功能提供見解；或者，無法想像的新技術將通過為腦子提供一個全新的隱喻而改變我們所有人的觀點；或者，我們的計算機系統將通過變得有意識，為我們提供令人擔憂的新見解；或者，從控制論、控制理論、複雜性和動力系統理論、語義學和符號學中產生一個新的框架；或者，我們會接受沒有理論可尋，因為大腦沒有全面的邏輯，只是對每一個微小的部分有充分的解釋，而我們必須對此感到滿意；或者……
本文摘自Matthew Cobb新書《大腦思想》（The Idea of the Brain），該書於3月12日在英國由Profile出版，於4月21日在美國由Basic Books出版。
作者：Matthew Cobb | 封面：Matt Chinworth
譯者：Index | 校對：馬丘比秋、OrangeSoda
排版：文英
原文：
https://www.theguardian.com/science/2020/feb/27/why-your-brain-is-not-a-computer-neuroscience-neural-networks-consciousness
原標題：《被誤導的神經科學：我們是否能將人腦比作電腦？》
閱讀原文