本文来自微信公众号： 神经现实（ID：neureality），作者：Matthew Cobb，译者：Index，题图来自：视觉中国
理解大脑的伟大事业
我们正经历着最伟大的科学事业之一——试图理解宇宙中最复杂的物体——脑子。科学家们正在收集大量关于脑结构和功能的数据，从最小的脑到我们自己的脑。成千上万的研究人员正投入大量的时间和精力研究脑的功能，而令人惊讶的新技术使我们能够描述和操纵脑的活动。
现在，我们可以让老鼠记住它从未闻过的气味，把老鼠糟糕的记忆变成好的记忆，甚至使用电流来改变人们对面孔的感知。我们正在绘制越来越详细和复杂的人类和其他物种的脑功能图谱。在某些物种中，我们可以随意改变脑的结构，从而改变动物的行为。随着我们技艺的不断提高，一些最深刻的影响已经发生，比如我们使瘫痪的人能够用他们的思维能力来控制机械手臂。
每天，我们都能听到关于大脑如何工作的新发现，以及新技术所带来的希望与威胁。这些新技术将使我们能够做一些难以置信的事情，比如读心术，侦查罪犯，这些新技术甚至被上传到电脑上。各种各样的书层出不穷，每一本都声称用不同的方式解释了大脑。
Macrovector
然而，一些神经科学家越来越相信，我们未来的道路并不清楚。除了简单地收集更多数据或指望最新的激动人心的实验方法之外，很难看出我们应该往哪里走。正如德国神经学家奥拉夫·斯波恩（Olaf Sporns）所言：“神经科学在很大程度上仍然缺乏能将脑数据转化为基本知识和理解所需要的组织原则或理论框架。”尽管积累了大量的事实，但我们对脑的理解似乎已接近僵局。
2017年，法国神经学家伊夫·弗雷格纳克（Yves Frégnac ）针对以昂贵的大项目收集大量数据的潮流，批评道，他们产生的海量数据正在走向研究进展中的主要瓶颈，部分原因，正如他概括道，“大数据不是知识。”
“仅仅在20~30年前，神经解剖学和神经生理学的信息还相对稀缺，而理解与精神相关的过程似乎触手可及。”弗雷格纳克写道，“如今，我们正淹没在信息的洪流中。矛盾的是，所有的宏观理解都面临着被推翻的严重危险。每一次技术上的突破都打开了潘多拉的盒子，揭示了隐藏的变量、机制和非线性，增加了新层面上的复杂性。”
神经科学家安妮·丘奇兰德（Anne Churchlan）和拉里·艾伯特（Larry Abbott）也强调，我们的困难在于去解释在世界各地的实验室产生的海量数据：“要从信息的冲击中获得深刻的理解，除了熟练和创造性地应用实验技术外，还需要在数据分析方法方面取得重大进展，并大量应用理论概念和模型。”
确实有一些理论方法可以研究脑的功能，包括人脑能做的最神秘的事情——产生意识。但这些框架都没有被广泛接受，因为它们都还没有通过实验研究的决定性考验。反复呼吁更多的理论可能只是一种虔诚的希望。我们可以说，脑功能不可能有单一的理论，甚至对蛔虫也是如此，因为脑不是单一的东西。（科学家们甚至发现很难给脑下一个精确的定义。）
正如DNA双螺旋结构的共同发现者弗朗西斯·克里克（Francis Crick）所观察到的，脑是一个完整的、演化的结构，在演化的不同时刻，脑的不同部分出现，并适应解决不同的问题。我们目前对它是如何运作的理解非常片面，例如大多数神经科学感官研究都集中在视觉上，而不是嗅觉，嗅觉在概念上和技术上都更具挑战性。但是嗅觉和视觉的工作方式是不同的，无论是在计算上还是在结构上。通过关注视觉，我们对脑的功能以及它是如何运作的只获得了非常有限的理解。
机器的隐喻
脑的本质——既体现了集成性，也表现出一定的独立性——可能意味着我们对未来的理解将不可避免地支离破碎，对不同部分有不同的解释。丘奇兰德和艾伯特解释了这句话的含义：“当整体性的理解到来的时候，它出现的形式很可能是高度多样化的面板松散地缝合在一起，就像拼布被子一样。”
半个多世纪以来，我们所开展的所有这些高度多样化的拼合研究都基于这样的想法，即大脑处理过程与计算机处理类似。但这并不意味着这个比喻在未来会继续有用。在1951年，数字时代刚刚开始的时候，先锋神经学家卡尔·拉什利（Karl Lashley）就反对使用任何基于机器的隐喻。
“笛卡尔对皇家花园里的水工雕像印象深刻，并发展出了大脑活动的水力学理论。”拉什利写道，“从那以后，我们有了电话理论、电场理论，现在又有了基于计算机和自动舵的理论。我认为，通过研究大脑本身和行为现象，我们更有可能发现大脑是如何工作的，而不是沉溺于牵强附会的物理类比。”
神经学家卡尔·拉什利—Wikipedia
最近，法国神经学家罗曼·布雷特（Romain Brette）进一步地摒弃了这类隐喻，他挑战了脑功能最基本的隐喻：编码。自20世纪20年代建立以来，神经编码的概念一直主导着神经科学的思考，在过去的10年里，关于这个主题的论文发表了1万1千多篇。布雷特的基本批评是，研究人员在思考编码时，无意中从一种技术意义（刺激与神经元活动之间存在联系）转向了一种表征意义（神经元编码代表刺激）。
在大多数关于神经编码的描述中，隐含的意思是神经网络的活动是呈现给大脑中的理想观察者或读者的，通常被描述为能够以最佳的方式解码信号的“下游结构”（downstream structures）。但是这种结构处理这些信号的方式是未知的，甚至在简单的神经网络功能模型中也很少明确地提出假设。
大脑的核磁共振扫描图。—Getty / iStockphoto
神经编码的处理通常被看作是一系列线性步骤，就像一连串的多米诺骨牌一样。然而，大脑是由高度复杂的相互连接的神经网络组成的，这些神经网络与外部世界相连，从而产生行动。只关注一组感觉和处理神经元，而不把这些网络与动物的行为联系起来，就会忽略处理的重点。
把大脑看作是一台被动地对输入做出反应和处理数据的计算机，我们就会忘记它是一个活跃的器官，是身体介入世界的一部分，它的演化历程塑造了它的结构和功能。匈牙利神经科学家尤里·布萨基（György Buzsaki）在他的新书《大脑由内而外》（The Brain from Inside Out）中概述了这种关于大脑的观点。根据布萨基的说法，大脑并不是简单地被动地吸收刺激，并通过神经代码将它们表现出来，而是积极地搜索各种可能性，以测试各种选项。他跟随19世纪的科学家得出的结论是，大脑并不表征信息，而是构建信息。
关于神经科学的隐喻——计算机、编码、接线图等，都不可避免地有所偏颇——这就是隐喻的本质。它们似乎在科学家们的思维方式中举足轻重，科学哲学家和科学家们都对它们进行了深入研究。但同时隐喻也蕴含丰富，它帮助着我们去洞察、去发现。
总有一天，隐喻所带来的限制会超过它们所带来的启迪，但在考虑关于大脑的计算性和具象性隐喻时，研究者们对这一时刻是否已经来临并未达成一致。从历史的角度来看，这一争论的发生表明我们可能确实正在接近计算性隐喻的终结。然而我们还不清楚，取而代之的将会是什么。
Macrovector
当科学家们意识到他们的观点是如何被隐喻塑造的，并意识到新的类比可能会改变他们对自己工作的理解，甚至使他们能够设计新的实验时，他们常常会感到兴奋。想要想出这些新的比喻是一种挑战，因为过去使用的大多数与脑有关的词汇都与新技术有关。
这可能意味着，有关脑的新的、有洞察力的隐喻的出现以及它如何发挥作用取决于未来的技术突破，就像液压动力、电话交换机或计算机一样。目前还没有这种发展的迹象；尽管关于区块链、量子霸权（或量子任何东西）、纳米技术等最新的流行词汇铺天盖地，但这些领域不太可能转变技术或我们对脑的看法。
涌现和意识上传
我们的隐喻可能正在失去其解释力的一个迹象是，人们普遍认为神经系统的大部分功能都是如此，从简单的系统到人类意识的出现，只能解释为涌现属性（emergent properties）——这类事物你无法通过分析组成部分来预测，它们只以系统功能的形式出现。
1981年，英国心理学家理查德·格里高利（Richard Gregory）认为依赖“涌现”来解释脑功能显示出一个问题：“‘涌现’的出现很可能是一个信号，它表明需要一个更普遍的（或至少是不同的）概念框架……优秀理论的作用就是移除涌现解释（所以关于涌现的解释是虚假的）。”
Liravega
这种说法忽略了一个事实，即有不同种类的涌现：弱的和强的。弱的涌现特征，如鱼群对鲨鱼的反应，可以根据支配其组成部分行为的规则来理解。显然，在这种情况下，神秘的群体行为是建立在个体行为的基础上的，而个体行为是对诸如邻近的运动等因素或外部刺激（如捕食者的接近）做出反应。
这种弱涌现就连最简单的神经系统的活动也解释不了，更不用说解释你的大脑如何工作，所以我们求助于强涌现，即出现的现象不能用单个组成部分的活动来解释。你和你正在阅读这篇文章的页面都是由原子构成的，但是你的阅读和理解能力来自于你身体中形成更高层次结构的原子所产生的特征（比如神经元和它们的放电模式），而不仅仅来自于原子的相互作用。
最近，一些神经科学家批评强涌现有“形而上学的不可信”的风险，因为对于强涌现是如何发生的，没有明显的因果机制，也没有任何单一的解释。像格里高利一样，这些批评者声称，依靠涌现来解释复杂现象表明，神经科学正处于一个关键的历史转折点，就像看到炼金术慢慢转变为化学一样。但面对神经科学的奥秘，涌现往往是我们唯一的出路。深度学习程序的惊人特性本质上是涌现性的，而设计这些特性的人根本无法解释这些特性。
有趣的是，虽然一些神经科学家对涌现的形而上学感到困惑，人工智能领域的研究人员陶醉于这个想法，他们相信，现代计算机的纯粹复杂性，或它们通过互联网的相互连接，将导致所谓的奇点。机器将变得有意识。
关于这种可能性有很多虚构的探索（在这些探索中，事情的结局对所有相关的人来说都很糟糕），这个主题当然会激发公众的想象力，但除了我们对于意识是如何起作用这一问题的无知以外，我们没有理由假设它会在不久的将来发生。
原则上，这多半是可能的，因为我们假设精神是物质的产物，因此我们应该能够在一个装置中模仿它。但即使是最简单的脑，其复杂性的规模也令我们目前所能想象的任何机器都相形见绌。在未来的几十年甚至几个世纪里，奇点只会出现在科幻小说中，而不是科学中。
一个有关意识本质的相关观点把大脑作为计算机的比喻变成了一个严格的类比。一些研究人员将思维视为一种在神经硬件上实现的操作系统，这意味着我们的精神，被视为一种特殊的计算状态，可以被上传到某个设备或另一个大脑中。这种观点的常规表述，是错误的，或者充其量是无可救药的天真。
唯物主义的工作假设是，在人类和蛆以及其他一切事物中，大脑和精神都是一样的。神经元和它们支持的过程（包括意识在内）也是一样。在计算机中，软件和硬件是分开的；然而，我们的大脑和我们的精神由所谓“湿件”的东西组成，其中正在发生的事情和它们在哪里发生完全交织在一起。
Macrovector
想象我们可以改变我们的神经系统来运行不同的程序，或者把我们的思想上传到服务器上，这听起来很科学，但是在这个想法背后隐藏着一种非唯物主义的观点，可以追溯到笛卡尔或是更早的时候。这意味着我们的思想以某种方式漂浮在我们的大脑中，并且可以转移到另一个头部或被另一个精神所取代。通过阅读一组神经元的状态并将其写入新的（有机或人造）基质，我们有可能给这个想法披上一层科学的体面外衣。
但即便是要开始想象这在实践中如何可行，我们也需要对神经元功能的理解，这远远超出了我们目前所能设想的，而且还需要难以想象的巨大算力和精确模仿脑结构的模拟。甚至于我们仅仅去探讨原理上的可能性，那首先也需要能够完全模拟一个神经系统的活动，这个神经系统能够保持一个单一的状态，更别提思维了。我们离迈出第一步如此之遥，以至于上传你的思想的可能性可以作为一个幻想而被摒弃，至少直到遥远的未来。
大脑是台“计算机”？
目前，“大脑作为计算机”这个比喻仍占主导地位，尽管人们对这个比喻的强度存在分歧。2015年，机器人专家罗德尼·布鲁克斯（Rodney Brooks）在他的论文集《这个想法必须死亡》（This Idea Must Die）中，声称自己最讨厌的想法就是大脑的计算隐喻。20年前，历史学家瑞安·约翰逊（Ryan Johansson）也得出了类似的结论：无休止地争论脑即电脑这类比喻的真伪，是在浪费时间。所提出的关系是隐喻性的，它指导我们去做某事，而不是试图告诉我们真相。
另一方面，美国人工智能专家加里·马库斯（Gary Marcus）对“计算机”这个比喻进行了有力的辩护：简言之，计算机是接收输入、编码和操作信息，并将输入转化为输出的系统架构。据我们所知，脑就是这样。真正的问题不在于大脑本身是否是个信息处理器，而在于大脑如何存储和编码信息，以及一旦信息被编码，大脑会对这些信息进行哪些操作。
美国人工智能专家加里•马库斯—Boston.com
马库斯接着说，神经科学的任务是对脑进行逆向工程，就像研究计算机一样，检查其组成部分及其相互连接，以破译其工作原理。这个建议已经存在一段时间了。1989年，克里克认识到它的吸引力，但因为大脑复杂而混乱的演化史，克里克觉得它不会成功。
他戏剧性地宣称，这就像试图逆向设计一项外星技术。他认为，试图从大脑结构的逻辑流动中找到大脑如何工作的整体解释注定是失败的，因为几乎可以肯定的是，出发点是错误的——不存在整体的逻辑。
计算机逆向工程通常被用作思维实验，以展示我们如何在原则上理解大脑。不可避免地，这些思维实验是成功的，鼓励我们以这种方式去理解我们大脑中柔软的器官。但是在2017年，两位神经科学家决定在一个真实的计算机芯片上做这个实验，这个芯片有真实的逻辑，真实的组件和明确设计的功能。事情并不像预期的那样发展。
埃里克·乔纳斯（Eric Jonas）和康拉德·保罗·科德（ Konrad Paul Kording）两人使用的技术通常用于分析大脑，他们将之用于MOS 6507处理器上。这种处理器常见于70年代末和80年代初的电脑中，它使这些机器能运行如《大金刚》（Donkey Kong）和《太空入侵者》（ Space Invaders）这样的视频游戏。
视频游戏《大金刚》（Donkey Kong）—游戏截图
首先，他们通过扫描芯片所包含的3510个增强型晶体管，并在一台现代计算机上模拟该设备（包括将游戏程序运行10秒钟），获得了芯片的连接图谱。然后他们用了各种各样的神经科学技术，如“损毁”（把晶体管从模拟中移除），分析虚拟晶体管的“脉冲”活动并研究它们的连通性，观察各种操作对系统行为的影响——通过其运行每一款游戏的能力来衡量。
尽管部署了强大的分析武器，尽管对芯片的工作原理存在明确的解释（用技术术语来说，它是有基础的），但这项研究未能探测到芯片内部信息处理的层次结构。正如乔纳斯和科德所说，这些技术无法产生有意义的理解。他们的结论是悲观的：“最终，问题不在于神经科学家理解不了微处理器，而在于以他们目前采用的方法，他们无法理解它。”
这个令人警醒的结果表明，尽管计算机隐喻很有吸引力，而且脑确实在处理信息，以某种方式表征外部世界，但要取得进展，我们仍需要取得重大的理论突破。即使我们的大脑是按照逻辑来设计的（其实不是），我们目前的概念和分析工具也完全不足以解释它们。这并不意味着模拟项目是毫无意义的。通过建模（或模拟），我们可以验证假设，通过将模型与可以精确操纵的已建立的系统联系起来，我们可以深入了解真正的脑是如何运作的。这是一个极其强大的工具，但是当涉及到为这类研究所作的声明时，需要一定程度的谦虚，并且需要以现实主义来面对在大脑和人工系统之间进行类比的困难。
目前的“逆向工程”技术还不能提供对雅达利控制台芯片的正确理解，更不用说人脑了。—Radharc Images / Alamy
甚至像计算大脑的存储容量这样简单明了的事情，在尝试时也遭遇失败。这种计算充满了概念上和实际上的困难。大脑是自然进化的现象，而不是数字设备。虽然通常认为，大脑中的特定功能被定位在某个脑区，就像它们是在一个机器中，但这种确定性一再被新的神经解剖学发现和意料之外的脑区间的连接所挑战；或被惊人的可塑性案例挑战，在这些例子中，大脑部位有缺损的人可以执行正常的功能，这些部位被认为致力于某些特定行为。
可能无限，跬步须积
实际上，大脑和计算机的结构是完全不同的。2006年，拉里·艾伯特写了一篇名为《开关在哪里?》（Where are the switches on this thing?）的论文。其中，他探索了电子设备最基本的组件——开关——潜在生物物理基础。尽管抑制性突触可以通过使下游神经元失去反应来改变活动流，但这种相互作用在大脑中相对少见。
神经元不像二进制开关，可以打开或关闭，形成接线图。相反，神经元以一种模拟（analogue ）的方式做出反应，改变它们的活动来回应刺激的变化。神经系统通过改变由大量单元组成的细胞网络的激活模式来改变其工作；正是这些网络在引导、转移和分流活动。
与我们目前所设想的任何设备不同，这些网络的节点不像晶体管或阀门那样的稳定点，而是一组数以百计、成千上万的神经元，它们可以像网络一样随着时间的推移做出一致的响应，即使各个组成细胞表现出不一致的行为。
Macrovector
即使是最简单的这样的网络，我们现在也无法理解。布兰迪斯大学的神经科学家伊芙·马德（Eve Marder）花了职业生涯的大部分时间，试图弄明白龙虾胃里的几十个神经元是如何产生有节奏的摩擦的。尽管我们付出了巨大的努力和智慧，但我们仍然无法预测：改变这个微小网络的一个组成部分，会产生怎样的影响。这甚至算不上一个简单的大脑。
这是我们必须解决的大问题。一方面，大脑由神经元和其他细胞组成，它们在网络中相互作用，它们的活动不仅受到突触活动的影响，还受到神经调节质等各种因素的影响。另一方面，很明显，大脑功能涉及神经集群层面的复杂的动态神经活动。我猜想，在本世纪余下的大部分时间里，要找到这两种分析层级之间的联系将是一项挑战。而恰当地理解精神疾病案例中所发生的事情的前景则更加遥远。
并非所有的神经科学家都持悲观态度，有些科学家自信地宣称，新的数学方法的应用将使我们能够理解人脑中无数的相互联系。像我这样的其他人则喜欢研究尺度另一头的动物，将注意力集中在蠕虫或蛆虫的微小大脑上，采用行之有效的方法，寻求理解一个简单系统是如何工作的，然后将这些经验应用到更复杂的案例中。许多神经科学家，如果他们还在思考这个问题的话，只是简单地认为进展将不可避免地是零碎的和缓慢的，因为没有关于大脑的大统一理论潜伏在角落里。
rawpixel.com
关于我们对大脑理解的未来会如何发展，有许多可供选择的设想：也许各种计算项目会成功，理论家会破解所有脑子的功能；或者，连接图谱会揭示目前我们还不知道的脑功能的原理；或者，一个理论将以某种方式从我们正在生成的大量成像数据中冒出来；或者，我们将从一系列独立但令人满意的解释中慢慢拼凑出一个理论（或多个理论）。
或者，通过关注简单的神经网络原理，我们可以理解更高层次的组织；或者，某种将生理学、生物化学和解剖学结合起来的激进的新方法，将对正在发生的事情提供决定性的启示；或者，新的比较进化研究将展示其他动物是如何有意识的，并为了解我们自己的大脑功能提供见解；或者，无法想象的新技术将通过为脑子提供一个全新的隐喻而改变我们所有人的观点。
或者，我们的计算机系统将通过变得有意识，为我们提供令人担忧的新见解；或者，从控制论、控制理论、复杂性和动力系统理论、语义学和符号学中产生一个新的框架；或者，我们会接受没有理论可寻，因为大脑没有全面的逻辑，只是对每一个微小的部分有充分的解释，而我们必须对此感到满意；或者……
本文摘自Matthew Cobb新书《大脑思想》（The Idea of the Brain），该书于3月12日在英国由Profile出版，于4月21日在美国由Basic Books出版。
作者介绍：
2002年，Matthew Cobb回到英国担任曼彻斯特大学的讲师。
在巴黎期间，Matthew Cobb在遇到的各种历史学家的鼓励下开始了Matthew Cobb的科学史研究，其中包括Matthew Cobb翻译过的著作的让·盖恩和米歇尔·莫朗日。
2002年，Matthew Cobb回到英国，在这里工作。2007年，Matthew Cobb被FLS评为年度最佳教师，并获得了大学卓越教学奖。
2006年，Matthew Cobb出版了 《卵子与精子竞赛：揭开性别，生命与成长秘密的十七世纪科学家》杂志；2008年，伦敦动物学学会授予Matthew Cobb传播科学奖。
2009年，法裔美国人基金会和弗洛伦斯古尔德基金会与Matthew Cobb的翻译奖一起，授予了Matthew Cobb与马尔科姆·德贝沃斯（Malcom DeBevoise）一起，翻译了米歇尔·莫兰奇（Michel Morange）的著作《 人生解释》。
2009年，Matthew Cobb出版了 《抵抗力量：第二次法国抵抗纳粹的斗争》一书，并获得了英法学会奖。2013年，Matthew Cobb出版了 《八月的十一天：巴黎的解放》，1944年8月。
2015年，Matthew Cobb最近出版了《 生命的最大秘密：破解遗传密码的竞赛》 （英国简介书籍；美国基础书籍），该书入围了英国皇家学会温顿图书奖。
原文：https://www.theguardian.com/science/2020/feb/27/why-your-brain-is-not-a-computer-neuroscience-neural-networks-consciousness
本文来自微信公众号： 神经现实（ID：neureality），作者：Matthew Cobb，译者：Index