這本書談的是人類的腦如何認知的理論
這本來是我最不感興趣的題目之一..不過看完這本書後卻改變了我的想法
推薦給任何想了解人類如何學習和如何成為有智慧生物的人看
(在台灣有中譯本"創智慧")
我認為這本書分為三個部份
第一部份是作者描述自己和腦科學分分合合的故事..雖然是和主題最無關的部份
但也是讓我把"Steve Jobs"放一旁..將這本書先看完的原因
第二部份是作者在看過非常大量的腦科學的研究資料後..自己歸結出來的大腦皮質的運作理論
第三部份則是著重在基於他的理論下..未來可能可以產生出的應用
以及對於常見的大問題..像是什麼是consciousness和creativity等等..試圖給出個方向 (給答案是不可能的)
主要作者Jeff Hawkins是Palm的founder (Palm去年被HP買了..大概和他的重心都轉到腦科學有關吧:p)
他和腦科學的分分合合是一個很激勵人心的故事
他大學畢業和多數人一樣..也不知道要做什麼..就進了大家都認為的好公司Intel工作
結果在看過某一期Scientific American介紹人腦運作的特刊後..就開啟了他對於人腦運作的解密之路
他絕對是一流的工程師..從他發明Palm Pilot就可以知道..所以他追求心中目標的方法也是十足的工程師
"尋找最小阻力的道路"
於是他直接寫信給當時Intel chairman, Gordon Moore..建議公司應該要有部門來研究腦
但很明顯在可見的幾年內對公司是不會有獲利上的幫助..所以被拒絕了
接下來的第二小阻力的路..就是去當時人工智慧AI的大本營MIT Media Lab
然而那裡的大師們..沒有人對於了解腦有一絲的興趣..所以又被拒絕一次
過了幾年的工作後..在多數人開始想著買房生小孩等等該穩定下來的年紀
在老婆的同意下..他申請了UC Berkerly的biophysics program
他終於有時間大量的閱讀腦科學的文獻..然而發現大部份都是零散的實驗結果
沒有一個能解釋人腦運作的unified framework
後來他提出的博士論文提議是關於pattern recognition的實作..結果完全不符那裡教授的興趣
所以他中斷了在Berkerly的program..又繼續了他的工作之路
後來他平步青雲..成為了矽谷的超新星..但他在這期間總還能抽出時間研究腦的問題
這份執著和毅力就值得敬佩了
在他擁有了成功的產業經驗和金錢後..他終於可以放手去做他心中的最想做的事了
這是不是很像"American dream"的好例子呢?
但我覺得最重要的是..他一直到現在還是認真的做著這方面的研究..實在是個幸運的人
看完書後..心裡最大的疑問是..這理論框架只有性質上的描述..缺乏數學化的法則
如同觀測天文數據後..說出萬物之間有種力互相吸引..大家都互相在繞圈圈..但完全不知道數學公式
在這種情況下..科技是無法前進的
所以我對於作者和他自行投資的研究機構Numenta做了一些小追蹤
結論是作者絕不是口上說說的人..他正一步步的將自己的想法推廣
而且做事的順序和方法..都比一堆別的大project..像是 IBM的Blue Brain Project有意義的多了
簡單來說..他們已經把該理論框架數學化..甚至能免費地提供核心軟體給研究機構用
如同作者在一些別的文章提到的..他認為當一個東西確定有用的時候..企業永遠比學術界腳步快得多 (在美國是這樣子的沒錯)
我最後對於這個新興的領域得到的結論和心得如下:
computer science的成功來自於"運算"這概念的實現具體化
在Boole和Turing等人將運算數學化後
如同Von Neumann的處理器架構..所有人想出來的演算法..都可以用處理器和記憶體的架構來完成
所以人類一直以來在這方面的成功都奠基於: 定義問題->分析問題->找出最佳演算法->實現該演算法
前三項工作都是人類在做的(要不然大家就都失業了)..然後最後一件事才是交給機器去做
而整個業界的重點核心就在於如何提高處理器的速度以及記憶體容量和速度上
然而這方法在一些人腦輕易能做到的事情上..卻看似不太管用
像是把一堆超級電腦湊在一起..在指認狗和貓這件事上..可能還不如一個四歲的小孩
就算電腦在下西洋棋或是在機智問題(Jeopardy)上可以勝過人類..但該演算法也只能做那件事
今天你把遊戲換成圍棋..同一個程式就整個失敗了
簡單來說..處理器架構不懂得什麼是學習
它只是一個能執行被人類高度研究過的問題的解決方法的僵屍而已
在另一方面..人們早就對於人腦的運作充滿了好奇..像科幻小說裡總是不斷出現擁有人腦能力的機器人
對於製造出有智慧的機器人..一直是許多人的夢想
然而詭異的是..人類在這條路上一開始卻選擇了無視腦的運作方法
CS的人們想的是..若我對於某問題能找出演算法..我們根本不需要了解腦是怎麼運作的
甚至可以得到比腦更好的結果
這種想法絕對不是沒理由的自大
觀察人類在交通工具上的成功可知一二..人類羨慕很多動物跑得很快..羨慕鳥可以飛
雖然一開始也有試圖模仿那些動物..但最後發現運用我們對自然法則的知識
可以製造出比馬跑得快的車子..比鳥飛得快N倍的飛機
在這些成功的歷史下..為何我們需要去管大腦是如何運作的呢?
然而在一波又一波的學術浪潮下..像腦這樣能有效率學習和預測的機器..還是不太成功
這一路上..我們有過AI的大浪潮..有過神經網路的浪潮..也有像模糊計算的小浪潮
可惜最後全都躺在沙灘上
我認為主要的原因就在於問題太難定義..對於定義完善的問題..我還是相信處理器還是很好的解決方法
然而這裡的問題都像是..給你一張圖請找出哪裡有人? 哪些是別的動物?
在定義人和不同動物上有數也數不完的特例會出現..這也造成實用上傳統方法都會失敗
作者想的卻是和大多數人不同的方向..在前述的失敗下..更加深了他的信心 (也是他深信可以投入這領域時機到來的原因)
他認為人類的腦..尤其是讓人類站在動物金字塔頂端的皮質(neocortex)..會有我們要的答案
neocortex的運作法則可以用於許多不同的問題上..許多是出生前大腦根本不知道的事情
例如大腦不可能有地方是先被歸納好學習玩Wii的地方吧?
但經過練習..人們和Wii remote卻很容易就能人機合一
所以作者的論調是..應該要學習人腦是如何運作..了解它的演算法則後..建出可以解決不同問題的機器
然而在寫完這本書時..作者也只有描述性的理論框架
但在遇到一些別的領域的專家後..他們發現數學可以用Bayesian network來補足 (一點也不令人意外)
而且事後也發現其實在AI領域..類似的學習模型也早已有人提出..當然許多細節也是不同的
要我來舉例的話..就像是Markov Random Field可以當作該框架的數學基礎
然後如何決定哪裡該有edge以及機率函數的假設呢?
傳統做法是基於不同問題..基於不同假設..給出不一樣的解法
但這裡的話..反過來利用人腦在解剖學上的線索來決定node是如何連結的..以及更新的法則
這新興起的領域..的確是令我感覺有些很重要的新東西..甚至能影響我們未來的東西會出現
最近一堆基於人腦的IC研究也是越來越多
這將會成為新一波躺在沙灘上的浪潮..還是真的能碰觸到人工智慧的聖杯呢?
這只能由時間來證明了
不過不管如何..作者自我實現的精神和踩在這浪頭上的勇氣..都是令人值得學習和佩服的!
留言列表
