Showing posts with label brain. Show all posts
Showing posts with label brain. Show all posts

Tuesday, July 11, 2006

腦中的海馬(hippocampus)

創智慧》強烈建議海馬迴(hippocampus)在新皮質區域階層中,扮演最頂層的角色。所以我特地找了《海馬體:大腦真的很有意思》複習複習,更詳細地認識腦中的這對海馬。

本書內容以訪談的對話形式進行。受訪者是專門研究海馬迴的學者,是東京大學藥學系助理教授池谷裕二。其對話過程用了許多比喻。雖某種程度可以幫助人們瞭解相關議題,在我看來,卻有資訊密度過低的缺點。

無論如何,書中確實聊了許多有趣的東西:

page 83 到 page 90 提出一系列很具說服力的盲點(scotoma)實驗,說明即使簡單的視覺,也很大成分是大腦建構出來的東西,不是單純的感光輸入而已。

人類海馬迴的神經細胞大約有一千萬個,用來擔任資訊篩選、分類的任務,以避免大腦被感官送來的大量訊息淹沒。篩選資訊時,海馬迴會參考扁桃核的情緒訊號。

睡夢時,海馬迴會把清醒時所發生的事件作整理、回想(reminiscence)、排列組合。海馬迴和大腦各個皮質區都有廣泛的雙向連接,藉此把篩選的資訊,慢慢轉移到各個皮質區。

成年後,海馬迴是大腦少數神經細胞會不斷再生的地方。大多數的神經細胞在人們成年後,只會不斷消亡;嗅神經細胞是另一種會在人的一生中,不斷消亡、再生,細胞更替的神經種類。

池谷裕二據此提出假設:海馬迴只是製造記憶的地方,並非保存記憶的地方,所以經常更新是必要的。海馬迴為了製造記憶而製造一個模子,但這個模子會被推擠到別的地方。因為模子永久留下來會占空間,所以形成記憶後,就把舊模子丟掉,然後準備製造新的模子。 [page127]

有趣的是,池谷裕二還根據實驗證明,神經細胞間的連結,收訊者握有主導權。 [page198]

……

Friday, July 07, 2006

A Big Buying

既然要再回到象牙塔蹲一陣子,趁機大拜書一下是一定要的啦 :)

除了到各圖書館抱些書過過癮外,買書勢必是免不了的!

說到買書,這年頭誰不是在網路買呢?是吧!(事實是有些書在實體書店找不著 :p)

於是我就逛逛 Amazon ,晃晃若水堂,找些對味的:

Modeling Neural Development
上次被關在塔裡搞論文時,就一直想翻翻這本,跟學校請購卻沒下文;如今再次入塔,當然要抱一本回來當枕頭,也好斷了當年的念 ^_^b

The World in my Mind, My Mind in the World
幾年前拜讀了 Aleksander 的論述後,我整理了〈Weighted and Weightless〉;現在出新書了,當然要忙裡偷閒一下,聽聽他說些什麼 ^____^

Second Nature : Brain Science and Human Knowledge
有沒有搞錯!十月才要出版的書,也到上面兜售,想讓人口水乾流嗎?衝著作者 Edelman 是諾貝爾獎得主, 就值得聽聽他想說些什麼~ Hmm... 不過,我是不預購的,暫時放過這本吧 :p

小小世界
這本是 Duncan Watts 的博士論文,雖說是小世界(Small World)領域的經典,但連這都有人翻譯,會不會太閒了,不不不,是太令人感動了。嗯,給它來個最實際的支持…… :p

深入淺出 ARM7
哇勒,好慫的書名喔,這本是大陸那小有名氣的周立功出的,不久前在街上混吃時翻過,藉這次大採購,順便買本回來存參。

Tuesday, June 20, 2006

On Intelligence

上週四(6/15)經過書街,不小心發現此書,瀏覽之下,驚為天人,二話不說,(當下放棄原本採購 LCD 螢幕的計畫)抱一本回去好好端詳先。

竟然還是洪蘭譯的。哎呀!怎麼以前沒發現這本?哦,原來是今年才上架的。雖稍感安慰,但內心還是怪自己太久沒 update 這方面的資訊了。

有趣的是,作者就是那位發明 PalmPilot 的 Jeff Hawkins;更讓人意外的,這本書還有 WatsonKandel 這兩位諾貝爾生醫獎得主推薦。

  • 註一:Watson 於 1953 年和 Crick 共同發現 DNA 雙螺旋結構,是上個世紀生物學最大的發現。
  • 註二:Kandel 是神經科學的權威,也因為突觸變化的效應及其改變如何影響記憶及學習方面的研究,榮獲 2000 年的諾貝爾獎,他寫了幾本 Bible 級的書,跟人合著的《透視記憶》也很值得一讀。
  • 註三:Crick 在得到諾貝爾獎後,將心力整個投入腦神經科學的研究,寫了一本科普書《驚異的假說》,啟迪了許多人相繼投入該領域的研究。

中譯《創智慧》,原文《On Intelligence》,作者 Hawkins 提出一套大腦新皮質(neocortex)運作的理論:

Hawkins 很賞識 Venon Mountastle (1978) 發表的〈An Organizing Principle for Cerebral Function〉,並推崇該論文為神經科學的 Rosetta Stone 。Mountastle 論文中總結說:整個皮質有著共同的功能、共同的計算規則,並且這些是由整個皮質各區域來執行。「視覺跟聽覺沒有差別,聽覺又跟動作的產生沒有差別。」 我們的基因決定大腦的區域間該怎麼連結,這在功能上或物種間有很大的特異性,但是皮質組織本身無論在何處都在做同樣的事。[p81]

「百步算則」(one hundred-step rule)[p99] 告訴我們,人們在一張照片辨認一隻貓的不到半秒的時間內,訊息只可能走了一百個神經元的長度而已(每個神經元要耗掉 5 ms)。而現代的數位電腦需要幾十億的步驟才能做完這件事 。造成這巨大差異最主要的原因是「人腦並不去『計算』問題的答案,它是將答案從儲存處提取出來」。

Hawkins 強調,大腦不是電腦,而是個記憶系統,用來儲存經驗。這些經驗是種途徑,可以反映世界的真實結構,記憶一連串的事件和它們錯雜的關係,然後利用「記憶」來進行「預測」。

這就是「記憶-預測系統」(memory-prediction system)。記憶-預測系統是智慧(intelligence)、洞察(perception)、創造(creativity),及事件知覺(event consciousness)的基礎。

Hawkins 還強調,新皮質的記憶跟電腦的記憶至少有四個基本的差異:

  • 新皮質儲存的是序列的型態(sequeuces of patterns)。
  • 新皮質是自體連結的(auto-associatively)回憶出型態。
  • 新皮質是以不變的結構形式(invariant form)儲存型態。
  • 新皮質以階層性(hierarchy)儲存型態。

第六章〈皮質如何運作〉是本書的精華,也是我費最多時間閱讀的部份:

  • 你的皮質(cortex)必須有一套方法,以記住過去事件的序列並儲存起來;要能對新奇的事件作預測,皮質必須形成不變的表徵(invariant representations)。你的皮質需要創造及儲存外在世界的模式(model),這個模式必須獨立於你周遭不斷變化的情境送進來的型態(pattern)。 [p147]
  • 當你開始瞭解大腦的核心功能是作預測(prediction)時,就需要將回饋(feedback)加到你的模式中,大腦必須能將訊息送回一開始接受輸入的區域,因為作預測需要比較「現在正發生的」以及「預期將發生的」:現在正在發生的是「向上送的輸入」,預期要發生的是「向下流的預測」。 [p154]
  • 整個皮質、所有的感覺皮質及聯結區都是一體的。 [p161]
  • 運動皮質就像感覺皮質,所以皮質處理往下流動的感覺預測,就像它處理往下流動的運動指令一樣。 [p162]
  • 皮質的每一區都形成不變的表徵(invariant representations)。 [p165]
  • 皮質的階層結構儲存了外在世界的階層結構模式,而構築真實世界的結構就反映在構築皮質的階層性上。 [p167]
  • 你對你家的記憶並非儲存在大腦皮質的某一區上,它是存在皮質的階層性中,反映出的正是你家的階層結構。大規模的關係儲存在階層的頂端,小規模的關係儲存在底端,階層性存在於外界及大腦之中。 [p168]
  • 你對外界物體的經驗會產生一個序列,這個序列反應出外面世界的不變性,你所經驗到的世界各個部份的順序是由世界的結構所決定的,……你對外界經驗的順序正是世界真正的結構,這也是皮質真正想記住的。 [p180]
  • 上行皮質階層是彙集型態,下行皮質階層是擴散型態,透過視丘(thalamus)的延拓回饋…… [p190]
  • 在你學習一個序列前,你可以傳遞細節;一旦習得了序列,能成功預測哪個神經柱將活化後,就應該只傳遞固定的型態。 [p195]
  • 知覺和行為是一體兩面。……運動行為也必須有一個不變表徵的階層結構。 [p203]
  • 觀察到的型態向高階傳送,而預測往低階流動。 [p206]
  • 學習的兩個基本成分是「型態分類」以及「建立序列」 ……將同一物體各個型態部份結合起來的方式之一,是將時間上連續發生的型態放在一起。 [p212]
  • 海馬迴(hippocampus)是新皮質最上端的組織,並非分離的結構。 [p217]
  • ……

在閱讀的過程中,不禁想起《Artificial Minds》第十四章有一段這樣的對話:

Q1) What is cognition?
Ans. Enaction: a history of structural coupling that brings forth a world.

Q2) How does it work?
Ans. Through a network consisting of multiple levels of interconnected, sensorimotor subnetworks.

Q3) How do I know when a cognitive system is functioning adequately?
Ans. When it becomes part of an ongoing existing world (as the young of every species do) or shapes a new one (as happens in evolutionary history).

在我看來, Hawkins 提出的 memory-prediction framework 就是大腦執行 structural coupling 的方法。

Francisco 在接受《第三種文化》採訪時也提到:

整個說來,生物的認知不應該當成是表徵外在的世界,應該想成是持續不斷地在「產生」世界,而憑藉的唯一歷程就是生存本身。 [p240]

當初覺得這段話太過抽象,如今再次玩味,頓時具體起來。

如果你 K 完書後還意猶未盡,《On Intelligence》已有自己的首頁論壇。論壇中,可以看到幾篇有趣的討論:

在神經科學方面, Hawkins 創立了 Redwood Neuroscience Institute, RNI 專門研究新皮質(neocortex)。

在電腦實務上, Hawkins 也成立了 Nemunta, Inc. ,利用新皮質運作的原理,發展新型的電腦記憶系統。讓人興奮的是該機構提出了 Hierarchical Temporal Memory, HTM,並釋出了 HTM 的白皮書,有興趣的,可以共襄盛舉。

其他重要的連結:

一些沒有直接相關的連結:

Wednesday, January 18, 2006

The Silicon Eye

矽眼

在〈The Fitness of Things〉文末提到的《矽眼》,我這個月初在網路上得知此書,於 8 號溜到政大書城購買,當天就熬夜將它閱讀完畢、畫上重點、附上書籤。原本打算寫個評介的,想想還是把我批註的部份整理整理,將內文摘錄摘錄就好:

  • 視覺不是一種感覺,而是一種訊息理解力。[p22]
  • Carver Mead 和他的研究小組發展出對助聽器極有效用的電子耳蝸,也設計出一系列的視網膜晶片。[p23]
  • 一旦你親手建造某樣東西,你就能發掘到光憑思索或測量所無法觸及的層面。一旦了解真意,並抓住其中的物理基本原則,就能發展出更好的實物。[p23]
  • Foveon 相機的特色是,每一個畫素都將影像的真實特徵記錄下來,揚棄數位模擬的方式。[p24]
  • Foveon 的名稱,是由人體視網膜中具有高度色彩解析能力的中央窩(fovea)而來。[p42]
  • 發明的訣竅就在於尋找及延續模式。「這個世界有很多好東西,只要肯去尋找對稱、尋找模式,你就可以找到好東西。」[p49]
  • Peter Ducker 一反常理且無情的定義:「沒有一種改革能夠動搖既有的系統,除非它更優越十倍」。[p59]
  • 在半導體業,一間公司想達到競爭優勢的方法,並不是申請專利然後公諸於世,而是將它藏在製造過程的關鍵步驟內,藏在層層繁複緊密的線路和矽晶設計中。[p70]
  • 對電晶體來說,絕緣又無法通電的 floating gate 是沒有用處的,因為它不能當作控制元件,然而用在 memory cell 上卻很好,因為 floating gate 可以保存電容器的電力長達數年甚至數十年之久。[p77]
  • 只要是任何能簡化成數字的宇宙萬象,數位電腦都有能力模擬。但數位電腦卻無法和真實世界溝通。它們又聾、又啞、又笨、又無生命…人工智慧最大的挑戰不在操弄數字,無論是高中數學或高等微積分,而是真實世界的感官認知──所有視覺、聽覺、觸覺和動作能力,這些是所有生命誕生之後,第一個要學的。[p86]
  • 大腦並不是跟著抽象的時鐘節奏來運作,而是根據訊息進入的時間,再加上同時抵達的其他事件的時機來做運算。舉例來說,大腦能夠從一連串同時出現的、雜亂無章的各種聲音中,區別字和雜音的不同。[p98]
  • Analog VLSI and Neural Systems》 [p102]
  • Misha Mahowald 她的模型涵蓋整個神經組織中的光及能量的流向,從捕捉色彩的視網膜錐細胞,…最後進入皮質層,綜合一切,形成可辨識的影像全貌。從「大量的輸入」到「大量的輸出」,這就是相互關連,有條有理的視覺影像系統。[p116]
  • Carver Mead 的中心思想就是「從做中學」,除非你親自動手作,否則無法徹底了解真相。[p121]
  • Transducer Physiology [p122]
  • Blind Source Separation [p143]
  • Support Vector Machine [p144]
  • 類比似乎只能用在特定的應用上面,流程或輸入必須固定不變。如果要用到記憶體或寫程式,還是需要回歸到數位。[p147]
  • 訊號的時間常數如果在毫秒左右,用類比是很適合的。電荷在你使用前不會衰減,也不會漏掉… [p159]
  • 類比有著極為重要的地位。不過,如果你只需要計算的話,買台電腦就行了。[p163]
  • 大腦是極端區域性的,只有不到 1% 的線路是屬於遙控性質…神經軸索數目大約只占了神經突觸的十億分之一。大腦 70% 的能量處理樹突。雖然 McCullough 及其他首屈一指的類神經網路學者均認為這是一種被動程序,但 70% 這個數據卻意味著一種積極、有改變型態能力的溝通形式。比起 von Neumann 式的電腦,大腦其實更類似 data flow 或 systolic array 。[p171]
Tags: [] [] [] [] [] [] [] [] [] []

Saturday, July 10, 2004

The Neuron Farm

基於興趣,碩士論文我是作 Bio-machine modeling 方面的題目,在歸類上屬於人造生命(Artificial Life, ALife)的範疇,選擇的 target 是神經細胞的生長、發育。以下就先簡述一下整個概念:
這裡並不是要詳盡地模擬腦部的發育和功能執行,而是提出經過大幅簡化的模型,以利電腦模擬,及供我們驗證假設之用。經過長期考量過各種可能方案後,我決定以 Cellular Automata 來模擬神經細胞生長的環境。
考慮在一個由 CA 舖成的空間中,我們在一些選定的位置,滴上特定的化學物質,於是這些化學物質就會由滴定的點,向四周擴散。再考慮到真正的腦,對個別神經細胞而言,並非完全開放的空間,所以我們也在 CA 舖成的空間中設置各種障礙,來對空間作某種區隔。於是我們的神經細胞除了有化學的土壤外,現在也有了障礙的地形。整個生長環境豐富了許多。
有了生長環境之後,該是時候讓細胞在環境中過活了,於是我們就隨手一灑,這些神經幹細胞就被灑到 CA 構成的空間中了。既然有了前面土壤的比喻,就讓我們稱這個“灑”的動作為“播種”吧! ^__^
神經幹細胞的生長也遵循 automata 的模式。完全因應環境中的化學梯度而長出軸突(axon)和樹突(dendrite)……環境中的化學物質有其自然的損耗率、神經細胞的成長也會消耗掉 大量的化學物質……我們可以在其中模擬神經細胞的成長、競爭與凋亡。並觀察最後長成的神經網路拓僕。
~~
為了完成這個模擬,我當然要先 survey 一下現成的東西,決定一下要以哪些工具來達成想要的效果。雖然在大規模的模擬時,在效率的考量下,比較傾向於使用 C++ ;最後我還是決定用 Java 來實作,因為要縮短開發時程下,執行效率的考量就顯得比較次要了。
在決定用 Java 實作後,我 survey 了許多 Java 下的 agent software toolkits 。在它們當中, Swarm 雖是該領域的元老,它的接繼者 Repast 卻比較合我胃口。但由於 Repast 的架構還是顯得龐雜,且我要的許多效果它也沒提供,索性就 參考一下 Repast 的作法後,自己重新開發一套合用的 toolkit 。
為了確認每一步都沒出錯,也為了好玩,在開發過程中我同時利用自己的 toolkit 撰寫了許多測試用的小程式:

左邊那個是用來 Demo 在物理上有名的布朗運動(Brownian Movement)。程式一開始會把固定數量的化學分子置於中央,分子們很快就會以 Random Walk 的方式擴散開來,其中的色溫提示我們每個位置的分子數量的多寡。
右邊那個我管它叫做 Diffusion Sun 。化學分子一開始也是置於中央,隨著每個 time tick 的推進,這個 Demo 程式會繼續滴上給定數量的分子作為補充。在給定的自然分子損耗(lose)及不斷地添加分子間會有個動態平衡,造成一個形狀像抖動的太陽般的圖像,故稱之。
接下來,我們就繼續觀摩一下這個 toolkit 還提供了甚麼:

很明顯地,右邊那兩個綠底、裡面畫有 sine 波的東東,就是示波器(socillograph)的 scope 。比較特別的是這裡的示波器原則上是無限量供應的,只要點選 toolbar 上面代表探針(probe)的 icon 即可。值得一提的還有,這裡的探針量測的不是單純的點的訊號,而是一個指定的範圍。我們可以在左圖的 Imaging 畫布上看到一個虛線框住的範圍,它對應到右上那個 scope ,以這個例子來說,scope 顯示的是整個框框內所有點的平均訊號,實際上我們可以在上面顯示其他更有用的統計。
最後,我這裡也附上 SineSun 的 jar 檔,有興趣的話,諸位看官也可以自行玩玩看 :)

Monday, March 24, 2003

Re: [借鏡靈感篇] 腦的一生 [跳脫式參考]

※ 引述《T2000 (概念語意導向類神經光腦)》之銘言:

感謝你 :)

能不能請ykjiang先提示一下"神經元群選擇"是選擇什麼? 大概是怎麼選擇? 為何選擇?

有ykjiang的導讀,相信我可以花比較少的時間。 謝謝你喔.

目前手邊資料不是很充分, Edelman 的文獻也只是提出大方向上的描述,對實作真正有幫助的細節並未公開...

這裡是其中一本著作的 review:

http://ourworld.compuserve.com/homepages/Joachim_Gruber/Edel.html

大家可以參考看看,有什麼想法再上來討論一下 :)

我再釐清一件事,

生物神經的緩慢只是由於其以離子傳遞電荷的方式,還是其網絡組織結構也有關?

如果速度慢不是緣由其網絡組織結構導致的話,相同的網絡拓僕移植到電路磁路或光路

就我目前的理解,生物神經訊號傳遞的電化學模式,有一部分不是為了單純地對外界訊息作處理與傳遞。而是跟情緒訊號傳遞、長期記憶、學習機制有關。

生物的腦神經元網路,是泡在特殊的化學濃湯中,而神經元間又大都經過這化學湯才把訊號傳遞過去...

當然啦,這裡並不是宣稱人工的神經網路也非要有這包湯不可,只是這裡發覺這包湯在生物上所扮演的角色,在人工的神經網路上很少被強調,這是否意味著前人不小心忽略掉了什麼?還是我想太多了... :p

聯想..

折舊率高一直是有機生命體宿命的缺陷,但人工的IC產業可以不用這樣,至少應該學學生物,受限物理壽命而非規格壽命。

以目前的技術,用軟體模擬較容易達成這個目標,畢竟軟體的本質,就在於“軟”嘛...

Tags: [] [] [] [] []

Sunday, March 09, 2003

Re: [借鏡靈感篇] 腦的一生 [跳脫式參考]

※ 引述《T2000 (概念語意導向類神經光腦)》之銘言:

※ 引述《ykjiang (Woodstock)》之銘言:
  所以我才會急欲進一步了解微核的性質。

小弟我所謂微核(microKernal)是指 dendrite 的脈衝 singal 與
synapse的電荷量memory,指的是軟體,不是指 neuron 硬體。

  我想,那跟你的模擬方式有關,由於你是利用通用電腦來模擬神經網路,我們當然可以指稱,被模擬的東西是軟體、因為它們都存於電腦記憶體中。
至於幹細胞與一般細胞的分裂複製,我是不懂的,我只是看過報導.
幹細胞與一般細胞的分裂複製.....這個我還想請教生物課本、生物學家、
還有造物主—— God。

但是今天我 design computer ,我愛怎麼做就怎麼做,
只是希望它盡可能接近自然生物的天生構造而已。
  也類似艾德曼提出的“神經元群選擇”原理。

這個我想多瞭解一下,能不能請你指點查閱方向?

  艾德曼(Gerald M. Edelman), 1972 年諾貝爾生理醫學獎得主。
  其早期的研究都集中在哺乳動物“免疫系統”運作的機制上。

  後來致力於將相關機制應用在神經系統的研究上,提出神經元群選擇學說(TNGS, theory of neuronal group selection)。
  並據此學說實地建造了許多可以和真實世界互動的實驗機器人,又以 Darwin I, II, III, IV...等方式為這一系列的機器人編號。

  其中一本相關的科普著作:
《Bright Air, Brilliant Fire: On the Matter of the Mind》,
經牛頓翻譯、出版為《先有心靈?還是先有物質?》

  好了,以上這些訊息應該夠你忙一陣子了,閱畢後如有什麼想法,記得提出來分享一下喔! :)
嗯- 軟體靈魂會物競天擇培養優生,硬體神經網絡呢?

  根據艾德曼的說法,動物個體的“神經元群”間也有類似天擇的現象發生。
電路的動態連結配置也是有很多需要考慮如何選擇才優的......
  據手上的資料顯示:神經幹細胞喜歡在安靜的環境下分裂,一但腦部整體佈
線到一定程度,可以開始接收足夠的神經訊號,神經幹細胞就會開始休眠。

對啊- 突然想到: 硬體神經網絡組織結構改變,
那軟體靈魂培養好的神經訊號傳遞路徑是不是也要跟著調整?

  理論上,是這樣的沒錯。
  嗯,期望能跟您好好地聊一下 :)
另外,為什麼人類沒有辦法使用到大部份的神經網絡而只使用到局少部份?

  人腦是個“低密度”開發的器官。沒錯,人腦的細胞數、神經元間的連結數,是一個天文級的數目,但也沒多到數不清。

  一些常見的誤導多來自過時的研究報導,以及過度引申的勵志書籍。
  人類雖有很大的潛能,卻不是源於低密度開發的神經網路所致。

  人腦低密度開發最可能的原因有:
  1. 受限於各種感官所能接收外界輸入訊號的頻寬。
  2. 受限於單一神經細胞緩慢的資訊處理速度。
  3. 妥協於腦細胞的高損耗、高死亡速度。
  4. 腦細胞的高複雜度,一大部分是為了支撐生物營生所需,而非為了思考。

Saturday, June 29, 2002

Re: 顏色是腦神經創造出來的

  查了一下手邊的資料:

  光訊號由進入眼睛經感光細胞→神經節細胞→LGN→V1→...V4
  V4 中有神經元可作“藍德效應”的修正,對特定顏色產生反應。

  藍德(Land)效應使我們可以在粉紅色光線照射時,物體都泛著一層紅時,認出在白光下的紅色物體...

  V1 區的神經元就已經可對不同波長的光線起反應,經 V4 區的藍德效應修正後,就符合我們對“顏色”知覺的反應。

  但是,真正引起我們對顏色產生“意識”的,目前應該還沒有確切的結論。有的只是各家一連串的猜想。

  只是這一路上的光訊號處理過程中,只要有一個環節斷掉了,我們當然就無法對顏色有“意識”。


※ 引述《Corroson (藍月楓鈴)》之銘言:

是的。由於演化的結果,我們對於某些波長比例組成,
有特定的知覺反應,這就是所謂的「顏色」。有誤請指教。
Tags: [] [] [] []

Friday, August 31, 2001

Re: 請問有關人工智慧

  嗯,言之成理。

  關於很多書上所說的一般人平常用腦時只用了1%,我想這實在有誤導的嫌疑。

  我們寧可說,一般人只發揮了大腦潛力的1%,而不是用了腦的1%。

  由記憶的觀點看來,大腦是個低密度使用的器官,不過這是為了因應神經細胞驚人的損耗速度下,還要確保記憶的可靠度使然...

  這又好像空氣的粒子群一樣,今天如果每一個粒子都非常隨機地遊走下,你不能因為沒感覺到風就說氣體分子只有不到1%在活動,其餘都是靜止的。

  同理,大腦的活動有很大的一部份是在潛意識或無意識的情形下運作的。腦細胞無時無刻都在進行訊息處理的工作。只是被人們意識到的部分很少罷了


  當然啦!您可以由上而下設立一個目標,讓個別分子隨機地遊走下,卻產生在整體層次的飄移現象。──此時突然刮起風來了耶... :)

※ 引述《assamer (風行~楓芸)》之銘言:


※ 引述《rancle (一隻怕冷的北極熊)》之銘言:
所以說了,人腦是很奧妙的,我看書上說一般的人平常在用腦時只用了1%,很可怕吧,還有就算是天才如愛因斯坦也才用了不到10%的腦。
所以要研發出人工智慧的電腦還有很長的路要走呢!!!

嗯...我也看過很多書是這樣寫
不過...實際上...要看他說的"平常的用腦量"是在什麼情況下而定
一般說.
人在一般時候.只用到大腦的3-5%
那.其他的9x%都在做什麼.
包含了處理感覺訊息.如聽覺.視覺.嗅覺.觸覺等等
另一部份.也包含處理運動神經的訊息.
自律神經的部分.雖然大多由小腦和延腦來完成.
但是.大腦卻可以強制介入許多東西的運作.如呼吸與眨眼等等
另外.
人的大腦運作.除了思維的運作之外.
還有很大部分的記憶系統的支援.包含短期記憶與長期記憶.
當我們在處理小事情的時候.可能只需要很少知識背景來完成.
如決定是不是該去吃午餐了.這就只需要很少的部分去運作.
可是.
如果是思考"進食行為對東方人的社會意義與文化背景為何?"
就會需要大量的記憶系統來支援.
就算是在睡覺的時候.
大腦的運作程度.也算是不低的.
另外.
大腦有一點很特別的地方就是,他有支援其他地方的特性.
今天.
如果有人中風.使得左腦的語言區無法運作.
本來分工的左右兩腦.其右腦的語言區.會開始慢慢代理左腦的功能.
其他功能亦然.
總而言之.
一個觀念.大腦的運作.是全體性的運作.
包含主要的操作系統.思維系統.運動系統.以及支援系統.
缺少了任何一個系統的運作.而單論一個系統的運作.
是無法做出真正的"人"的智慧的.
而只能做出"像是人"的東西.
Tags: [] []

Monday, August 27, 2001

Re: 人的智慧

  個人認為本書的重點有二:

  一是假設大腦的運作原理充分地運用了達爾文過程;

  另一個很有創見的地方是本書第七章的〈皮質迷宮〉:作者提出一個可能的方式,來描述大腦皮質層如何產生達爾文過程,並解釋了意識及潛意識的形成。

  這本書我是在1997年年底購入的,直到現在還是看不太懂〈皮質迷宮〉所提出的機制。總覺得作者描述得不夠詳盡,也可能是我的物理背景不夠紮實吧... :(

  到是建議,同是天下出版的《萬種心靈》,也很值得一看。

  兩本書都很強調“達爾文過程”的重要,不過一前者強調如何在腦中形成達爾文過程;後者強調心靈是如何經由天擇之手演化出來的。

  歡迎有對此類資訊有所涉獵的同好一起來分享心得...

※ 引述《Nilshot (低垂)》之銘言:

不知道大家有無看過這本書 " 大腦如何思考 " le??
像關於害怕,是本能,生物會有預定ㄉㄧㄍ模型讓它害怕
後天再修正模型,其他方面大概可以此類推ㄅ
---------------------
Im the man who called "Shot In Nil".

Friday, August 24, 2001

Re: 人的智慧

※ 引述《doculars (墮落男子)》之銘言:

其實我比較不贊同你的看法..
因為「理性」與「感性」是結果, 不是原因
所以無法以「理性」與「感性」來產生這個「裡子」
因為妳無法蒐集到所有的「果」
你提到細胞的本體, 正巧也是我的著眼點之一
外界的刺激與神經元的訊息都該是屬於一個可被偵測, 可以被分析的狀態
也就是說可以量化
但是單一神經元對整體來說並無太大意義
這裡有點離題了..
其實該換各方式來表達我說的「智」與「慧」的意思
智 經驗、知識、推理

  經驗和知識“大致說來”是後天的,旦推理應該是先天就有的能力,並靠後天的經驗和知識來加強。

  但是有人在第一次看到蛇就會怕,嬰孩在沒有摔過跤前就本能地知道怕高... 。這些“知識”似乎是烙印在遺傳因子上。

慧 感受力、記憶力、領悟力


  感受力、記憶力及領悟力等,雖說先天的因素很重要,但也有很大的成分可以由後天的經歷或訓練而加強。

慧是先天, 智是後天..


  大體說來:愈是“簡單”的生物,其受“先天”的影響愈大;愈是“複雜”的生物,愈有機會在“後天”修正自己的行為。

  我的見解是「慧」不一定全是「先天」;「智」也未必只由「後天」決定。這只是程度上的差別。

  當然啦!您也可以定義只有先天的部分才是慧;而後天的部分才是智。不過這只是人為的定義罷了。

  又或者,您只是要做一些實作上或建立模型時的定義,並不一定要符合實際生物的情況。那就另當別論。

  只是,一牽扯到生物方面的議題,就很少有絕對的答案...

不曉得你覺得我的意思表達清楚嗎?
這是我創作 AI 很重要的一個基礎理論之一
如果有任何的錯誤也非常歡迎你的指正,
因為這也很有可能是我創作方式的關鍵..
Doculars.>
Tags: [] [] [] []

Thursday, August 23, 2001

Re: 人的智慧

※ 引述《doculars (墮落男子)》之銘言:

※ 引述《ykjiang (fractal)》之銘言:
  「專家系統」從「理性」切入,著重推理。
  最低階的「感受」來自遍佈全身的「感官」。就像以,眼、耳、鼻、舌、膚來視、聽、嗅、味、觸。

類似.. 但是是八識..
  這裡指的是不是“較高階”的感受,有點像是「感受」到腦部思考運作的中間結果。
  我到覺得:「感性」比較像是「理性」的特例,重點是這個「理性」運作過程中的某一個環節竟被我們“意識”到了,於是就有了「感性」。

其實我的說法正巧與你說的相反
而是我們的記憶是以感性為基礎
有了基礎再以理性分別

  這樣也是說得通,我只是覺得:理性跟感性的基礎結構是相同的,這就好像一張紙的兩面。或是對一個物體的不同視角。也好像物理上粒子和波動的二重性。端看您從哪個角度觀察,其所呈現出來的特性也就不同。

  所以,「理性」跟「感性」其「裡子」是同一個的。不過卻呈現出兩種特性來。

  而你認為這個「裡子」是「慧」;我先前卻說這個「裡子」是「理性」。現在想想,這個「裡子」應該同時包含「智」與「慧」,是「理性」和「感性」的綜合體。

  簡單地只以單一個神經元為例:“突觸”接收外來的刺激是「感性」;“細胞本體”轉換所接收的訊號就是「理性」。──當然啦,這只是粗略的講法啦...

所以說, 人是不思考的..
其實這也不是我這一篇的主要用意
這裡是強調, 智與慧需分別開來發展
現在的人工智慧開發方式是屬於專家系統居多
也就是我們先推演邏輯, 而後程式化
其實這個部分是屬於「智」的部分, 所以專家系統無「慧」可以產生意識
昨天我有發現到一篇與我類似的文章
是大陸的人工智慧研究網站
http://newmind.best.163.com/cybermind/
不曉得你對上面我的回覆覺得如何?歡迎再討論..
Doculars..>
Tags: [] [] [] []