量子計算機能夠模擬人腦的嗎? | 知乎問答精選

 

A-A+

量子計算機能夠模擬人腦的嗎?

2019年08月28日 知乎問答精選 暫無評論 閱讀 4 ℃ 次

【周瑤的回答(372票)】:

修改之後的版本。事實上的東西已經沒什麼錯誤了。據說數模電路會嚇走一些人,這裡只是簡單介紹了最簡單的數字電路,目的就是說明處理器不「處理」東西、經典計算機的確定性。覺得困難的知友可以直接跳過。新加入的觀點在文章末尾。

先放上我的觀點:用經典計算機是不能模擬智能的,用通用量子計算機是希望很大的,核心就在於複雜度的差異和一些不可迴避的問題。

要問量子計算機能否模擬人腦,首先要知道量子計算機的工作原理。

要問量子計算機的工作原理,又不得不提到傳統計算機。而CPU又是計算機結構的重中之重,CPU由算術邏輯單元(ALU)、控制器組成。以下我們逐步探討計算機是如何進行運算的。

傳統計算機以電路的開("1")和關("0")表示所有可能的狀態,也就是大家熟知的二進制形式。當然,不可能在芯片中做出機械開關來控制電路,實際應用中晶體管起到了開關的作用。晶體管的數量決定了運行速率,數量越多,運行速率越高。

晶體管主要分為兩大類:雙極性晶體管(BJT)和場效應晶體管(FET)。 現在幾乎所有的邏輯電路都使用MOS 場效應 晶體管(metal oxide semiconductor field-effect transistor,MOSFET)。MOS類型的晶體管又分兩種,P-溝道MOS(PMOS)晶體管和N-溝道MOS(NMOS)晶體管。場效應晶體管有三個管腳,分別稱為控制極、源極和漏極。以下是PMOS和NMOS晶體管的示意圖:

在晶體管中,以電位高低來表示電路開或關,還有部分電位是不被識別的:

NMOS控制極(G極)為高電位時,源極(S極)和漏極(D極)導通;低電位時不導通;PMOS相反。NMOS控制極(G極)為高電位時,源極(S極)和漏極(D極)導通;低電位時不導通;PMOS相反。

一個開關除了開關電路是什麼也辦不了的,要想進行運算,就需要對開關進行組合。開關組合可以產生不同的「門」 ,基本的門有與(AND)門、或(OR)門、非(NOT),結構與真值表如下:

需要說明的是,圖中的燈泡的電路只是一種形象的描述,因集成電路中以電壓高低表示開合,故在集成電路中的門,細節有所不同,原理相同,如下圖是PMOS的非門:

輸入極a極為低電位時,電路導通,F極電位為Vcc,注意Vcc一般大於Vdd,為高電位。

輸入極為高電位時,電路斷開,f極為低電位。

這三種門進行組合又可以產生與非(NAND)門、或非(XOR)門、與或非(NOR)門、同或(XNOR)門、異或(XOR)門。

邏輯學已經證明:

(1)任何邏輯電路都可以用NOT,AND,和OR三種門表示;

(2)任何邏輯電路都可以用NOT和NAND兩種門表示(NOT-NAND形式);

(3)任何邏輯電路都可以用NOT和NOR兩種門表示(NOT-NOR形式)。

也就是說,所有的計算機處理器中的邏輯電路都可以由以上幾種門組成。當然處理器中也有放大電路,反饋電路,控制電路等,對於運算最重要的就是邏輯電路。

有了以上知識儲備,現在我們來看看加法器,四則運算都可以用加法來表示,而計算機對於加法的處理又是最快的,所以所有的運算在計算機中最終都是以加法進行的。

加法器分半加器和全加器,半加器不考慮低位的進位,只對兩個二進制一位數相加,得到兩數之和和向高位的進位,由一個與門和異或門組成。

真值表以及電路圖如下(co為進位,s為結果位):

全加器稍複雜,可以處理低位進位,多個全加器組成陣列就可以對多位二進制數進行計算,以下為一個32位串行進位加法器:

大部分ALU可以進行整數算術運算、邏輯運算、移位運算,由控制器讀入指令後經譯碼器產生控制信號,驅動ALU進行不同的運算,並回寫結果。

到這裡我們就應該可以明白一個問題,「中央處理器」自身並沒有「處理」任何東西,我們輸入一個指令,流經中央處理器中不同的電路和「門」,就得到不同的結果,處理器本身什麼也沒幹。

在計算機中,重要的是輸入和電路結構。給定一個輸入,由於結構的作用就會有不同的輸出。

人腦的工作方式與計算機的工作方式並無本質的區別,只不過「門」成了突觸,電路變成了神經元網絡,在突觸處,信號心以神經遞質方式進行傳導;而在神經元中,信號以電信號方式進行傳導。

Intel Ivy Bridge-E處理器晶體管數量為18.6億個,而人腦神經元數量不過140億,再比較大小,似乎差別不大。然而別忘了,計算機以0和1精確地表示狀態,人的神經元卻並不喜歡精確,電信號強度從0到1,其間每一個不同的強度都會產生不同的結果,再加上突觸可塑性,刺激本身也會改變神經元的形態和神經元網絡的結構,而一個神經元可以與多個神經元相連接,神經衝動在從一個軸突傳向多個樹突時就有不同的選擇,這種選擇在很大程度上是不可預見的,這些就讓人腦的複雜度上升了幾個甚至幾十個數量級!

題主問能否用計算機模擬人腦,就出現了一些問題,怎樣才叫模擬人腦

是通過圖靈測試,還是製造一個結構使之像人腦一樣產生意識?還有模擬的方式,是用程序進行模擬,還是製造一個類似人腦的物理結構?

哲學界有一個著名的思想試驗,說的是一個房間裡關著一個人,每天都會有人從門縫裡遞給他一張寫著東西的紙條,他不認得上面的東西,但他在房間裡發現了一本書,上面記錄了所有對不同符號的處理方式(用他認得的語言寫的)。形如:如果a,則轉到xxx頁。在第xxx頁,又有,如果ab,則轉到xxx頁…………最後,如果得到abd?就在紙上畫dfg。這樣一來,如果紙條上寫著「你好嗎?」,那個人就會在紙上畫「我很好,謝謝。」,外面的人是能看懂的。當然還可以做得更為複雜。然而,我們能說這個不停翻書的人懂中文嗎?我想,正常人中的絕大多數會認為那個人不懂中文(當然不能排除少數逗比⊙▽⊙)。對於人腦也是一樣的,我們寫出了一個程序,使之對人輸入的語言有符合人類語法規則的輸出,能說這是一個人腦嗎?

現代計算機的體系結構是基於圖靈機和有限狀態機的思想,被稱為經典馮.諾依曼結構。有限狀態機。有限狀態機,顧名思義,狀態數量是有限的。系統得到一個輸入,根據狀態遷移表遷移到不同的狀態,然而狀態的總數是一定的。

在這一點上,計算機與人腦略有不同,人腦似乎並非有限狀態,除去影響神經系統放電的因素太多,考慮到神經系統放電對自身的改造,人腦並非有限狀態,更像一個混沌系統。

如果僅僅是通過圖靈測試,那麼計算機與人腦只是複雜度的差異,只要運算能力足夠強大,總是可以彌補的。考慮到語法規則,一種語言的所有組合是有有限的,只要針對每一種組合編製程序,總可以使之「看起來」像人腦一樣,這個道理是很簡單的。

然而如果是意識,就不是那麼簡單了。首先說明的是,我們對意識本身一無所知,沒錯,一無所知!就是你天天覺得開心不開心這個好吃,那個不好吃……這其中所表現出的意識,我們一無所知,弗洛伊德那一套嚴格來說也不是對意識的認知,充其量是列舉了對意識這個黑箱操作的結果,對黑箱本身還是一無所知的。順便一說,下面的視頻裡的意見是,2012年的定義是意識是整個神經系統放電的總和,這個定義我覺得是沒什麼意義的。

從我的觀點看,任何試圖以程序的方式來模擬意識的嘗試都是徒勞的!程序是一種建立在物理結構上的抽像,而意識本身是與物理結構融合在一起的。程度的設計理念就是精確地符合需求,現在雖然有機器學習的概念,本質上也脫不了精確。總要給定精確的規則,產生某一精確的結果。只要追蹤整個程序,一定可以從輸入確認結果。

重複一遍,現在的人工智能試圖從簡單的規則來導出複雜的結構,然而意識本身是一個高度複雜的整體。的確,整個物理世界都屈從於簡單的幾條規則,然而意識本身卻不像是物理實體。意識依賴於物理結構而存在,然而又不完全受物理規則控制。

試圖模擬意識,現在還是扯淡。

量子力學解釋來世今生 http://v.youku.com/v_show/id_XNjM3MzM2NTA4.html

再來看看量子計算,首先潑一盆冷水,量子計算並非是利用「平行宇宙」「同時搜索每一種可能性」,站著說話不腰疼( ̄へ ̄),哼……說起來平行宇宙倒是簡簡單單,然而考慮到實現方式………………這個……………量子計算也不是這麼幹的(ノ=Д=)ノ┴═┴。

量子計算機採用量子比特,與傳統比特不同的是,量子比特不僅可以表示0,1,還可以表示0和1同時存在,這樣一來,兩位傳統比特只能表示00,01,10,11中的一個,而兩位量子比特可以同時表示這4個,運算能力就有了極大的飛躍。但量子態本身極易被干擾,所以如何確保其不被干擾就成了大問題。同時量子計算的結果是混合態的,必利針對特定的問題,用特定的算法將結果分離出來,這也是一個難題。量子計算的實現有兩種方式,一種是量子退火(Quantum Annealing),另一種是量子門電路。兩者計算能力是否等價並無定論,普遍認為量子門電路計算能力超過量子退火。不過量子門電路實現難度極大,目前最多利用的量子位數不超10,相比之下,D-Wave two已經達到512位。目前生產商用量子計算機只有D-Wave 一家,採用量子退火技術。D-Wave 推出第一台量子計算機之初,由於D-Wave對原理說明不清,科學界並不承認其是量子計算機,在推出第二台之後,有科學小組對其進行了嚴格檢測,才確認的確是量子計算機。實際檢測確認其最新的Vesuvius 6芯片比傳統計算機快10000倍。不過又要潑一盆冷水,這個快只針對特定的一類問題即離散優化問題(包括組合優化和整數規劃,但是兩者交集很多 ,所以以下只說組合優化),至於拿量子計算機玩個遊戲的什麼的還是洗洗睡吧(︶︿︶)。由於量子計算機的構成與傳統計算機不一樣,自然不能用傳統的算法和程序,而量子退火計算的特性,也限制其只對某一類或幾類問題特別有效。另外其價格,也比傳統計算機貴了6000倍……財大氣粗的Google 就買了一台。值得一提的是,D-Wave量子計算機提供API,可以被python,c++等編程語言調用,還是讓人有點小激動的(≧▽≦)……

貼一段D-Wave 公司128位量子計算機的介紹,512位和128位原理上差不多,吐槽一下,雖然宣稱512位,但由於工藝的問題,實際只包含了502個量子比特,還有10個量子比特丟失了:

D-Wave Systems 128 qubit processor - Inside the chip http://v.youku.com/v_show/id_XNTU3ODUxOTQ4.html

順便一提,按D-Wave的說法,每隔一年,量子位數就會增加一倍,那麼下一代就應該是1024位量子芯片,這個還是很可觀的。但是真是假,且待結果。

由於自己的電腦不在身邊,不能用Pr,所以無法將其翻譯成中文,這裡簡單對視頻作一些說明。

Josephson junction即約瑟夫森結,是一種能在接近絕對零度的條件下進行快速交換的電子電路,D-Wave用液氦冷卻的方式將溫度降至20mK以進行量子計算,一旦被冷卻到這個溫度,可以維持幾個月甚至幾年。兩邊的Nb表示鈮,作為超導層,中間的AlOx為多氧化鋁,作為非超導層。那個像線圈一樣的inductanc用於形成一個微型磁場,用於改變量子的自旋方式。自旋方向向上就是+1,向下為-1,通過調整磁場可以使其保持+1和-1同時存在的混合態,更確切地說是還沒呈現為確認的+1或是-1。

coupler是由一系列約瑟夫森結形成的開關所組成,作用有兩點:1、在計算機內部,量子比特的狀態可以由磁場進行調整,coupler可以將磁場信號傳到到正確的地方,這樣就可以完成量子比特之間的信息交換;2、存儲所傳導的信息。

inductance Tuner是量子比特的所在地。

在計算結束以前,Readout裝置是關閉的,不會影響量子的狀態,在計算完成以後,Readout輸出確認的量子比特狀態,是+1或者-1。

那麼量子退火又是什麼東西呢?為什麼D-Wave的計算機擅長組合優化問題呢?

組合優化問題COP是一類在給定的約束條件下尋找使目標函數具有最大或最小值的變量組合的問題,TSP問題就屬於其中很著名的一個問題:一個旅行員要到n個城市出差,每兩個城市之間的距離一定,求使行程最短的路線。當n很小的時候,用窮舉法一一列出所有路線並進行比較,固然是一種很簡單的辦法,然而當n增大時,計算時間是以指數上長升的,當n為50時,時間就已經達到了5×10^48年,這是傳統計算機所不可能承受的。為解決這些問題,產生了一類啟髮式算法,所謂啟發,就是受大自然的啟發,也可以理解為拾了大自然的牙惠⊙▽⊙。

一片樹葉落下來,大自然無需計算就可以給出每一時刻樹葉的狀態,而人類則需要解一組十分複雜的偏微分方程。

螞蟻不需要計算,就可以找到距離目標最近的路徑。

分子無需計算,就可以自然地在退火完成後到達能量最低的狀態。

……

人類從這些現象中受到啟發,模擬不同的自然現象產生了不同的算法,比如蟻群算法,神經網絡算法、遺傳算法、退火算法…………

1953年,從物理與化學退火的過程中受啟發產生退火思想,1982年,Ki r kpat r i ck等人將退火思想引入組合優化問題,給出了模擬退火算法(CA)。在模擬退火中,引入一個虛假的溫度用於控制算法進程,該溫度逐漸降低,滿足收斂條件時算法結束。算法開始時給出一個模型m0和計算能量函數e(m0),對模型作隨機微小擾動,得到新模型m1,若m1的能量小於m0,則m1被接受,反之,考慮到熱運動的影響,產生一個[0,1]之間的隨機數a,計算m0和m1相應boltzmann因子比值r,若r>a,則m1被接受,否則,放棄,該準則也被稱為metropolis準則,隨後溫度降低,模型受到擾動,得到新模型m2,再次應用metropolis準則…………如此反覆直到算法結束。

如圖所示:

模擬退火尋找最優解時,初始溫度很高,波動很大,隨著算法的進程,溫度降低,波動減小,逐漸收斂到最優解。模擬退火尋找最優解時,初始溫度很高,波動很大,隨著算法的進程,溫度降低,波動減小,逐漸收斂到最優解。

量子退火從模擬退火中受啟發而來,但改進之處在於,模擬退火在熱運動的影響下,有可能為收斂到全局最優解而不得不暫時接受局部最優解甚至較差的解,由此浪費了大量迭代時間。較差的解對應較高的能量,被形象地稱之為勢壘,模擬退火只能翻越勢壘,而借助量子隧穿效應,可以直接穿過勢壘,跳出局部最優到達全局最優。量子退火引入一個穿透場來搜索系統勢能最小值,初始時,穿透場能量保持一個較大值,並逐漸降低,為0時系統處於的狀態就是能量最低狀態。

使用量子退火思想解決組合優化問題時,將問題映射為一個量子系統( 包含 一個或者多個量子) ,將優化的目標函數映射為一個勢場,決策變量映射為量子系統的自由度,引入一個幅度可控(一般是逐漸減小) 的動能項作為穿透場,在這兩個場的作用下,量子系統的可由一個含時薛定諤方程描述,系統逐漸演化,直到結束。

在經典計算機中模擬量子退火時,需要多次求解薛定諤方程,對計算能力的要求極大。

而借助D-Wave的量子計算機,可以讓系統自然演化。好比剛才提到的落下的樹葉,

為了得到一個指定時刻的狀態,用經典計算機模擬時,需要逐步計算每一個時刻的狀態,直到給定的時刻,而用D-Wave的計算機,可以讓系統自然演化到給定的時刻,然後直接輸出結果,換句話說,這是在用大自然的方法解決問題!

D-Wave官方技術文檔用一個開關遊戲來說明了其運作過程。如圖:

開關上的數字為開關的bias value,用h表示,對應weight,開關狀態用s表示,開時值為1,開關上的數字為開關的bias value,用h表示,對應weight,開關狀態用s表示,開時值為1,

關時值為-1,J表示連線上的數字,對應strength.

每個開關的E可由圖中計算出來:

問如何配置開關,可以使所有開關的E之和最小。

常規的窮舉算法,對於n個開關,要檢查2^n種狀態,n為500的時候,就已經不可能在宇宙毀滅之前檢查每一種狀態了。

如果用量子計算機來解決,將每一個開關對應到一個量子qubit,每一個qubit 都有確定的weight(類似於勢場),開關之間的連線對應一個coupler ,每個coupler 有固定的strength(類似於穿透場) 。剛開始時,每個qubit處於superpositiom,即自旋狀態不確定向上還是向下,這就是一個量子系統。關閉使qbit維持superpositiom位置的裝置,按weight 和strength 的值分別向qubit和coupler 施加影響,系統開始演化,最終結束的時候,每個qubit有一個確定的自旋狀態,即對應開關的開合。問題得到解決。

此外,官方還給出了一個用量子計算機解決染色問題的技術文檔。

14年9月份,D-Wave與馬裡蘭大學(帕克分校)的研究員合作發佈了利用橫向Ising場解決離散優化問題的通用方法。步驟是將問題映射為一個求解形如

的最小值的模型,即Ising模型,然後再將模型像上述開關遊戲一樣映射到D-Wave硬件系統上,然後計算得出結果。對於一些難以映射到Ising模型的問題,則可以將其分解再分別映射。的最小值的模型,即Ising模型,然後再將模型像上述開關遊戲一樣映射到D-Wave硬件系統上,然後計算得出結果。對於一些難以映射到Ising模型的問題,則可以將其分解再分別映射。

這裡就看出來,用這個玩意兒來模擬大腦是不可能的。局限性太大。

再來看看量子門,D-Wave的量子計算只能使用量子退火計算,不能進行通用量子計算,通用量子計算在量子門電路上進行,目前沒什麼實際成果,現在連其實現的可能性都不確定。

著名的Moore's Law說每18個月,芯片上可容納的晶體管數量就可以翻一番,然而,極微小尺度下,量子效應開始佔據主導,元件的開關行為將服從不確定性原理,這對傳統計算機設置了一個不可逾越的障礙,這也是加來道雄等科學家認為摩爾定律結束的原因。最近有研究小組做出了直徑4個原子的導線,卻發現在這種情況下,經典物理學的歐姆定律仍占主導,這又給量子計算的實現帶來了不小的陰影。

所以這裡看情況,要是評論有人要求,就講講通用量子計算,否則評論一個還不存在的東西,未免太草率。

不過已經明確的是,經典計算是屬於特殊的量子計算。

經典計算機建立在圖靈機之上,量子計算機也可以建立在量子圖靈機之上,圖靈機讀入一個字符,從當前狀態轉移到另一個狀態,而在通用量子計算機中,圖靈機讀入一定信息,以一定的概率轉換到另一種狀態及實施行動。已經證明量子圖靈機可以等價為一個量子邏輯電路,好比經典圖靈機可以等價為一個布爾邏輯電路。從這一點上看,量子計算機的方式已經很接近於人腦的處理方式,所以也有說法人腦對信息的處理方式是量子層面的,但量子計算相比人腦的複雜性,仍然有數量級上差異,不過,總是可以彌補的。

那麼回到量子計算機能否模擬人腦,由上述可以看到,模擬」一個人腦,通過圖靈測試是很有可能的。然而從實現方式上看,並不足以產生意識。那麼如果製造一個結構,使之與人腦一樣,是否就能產生意識呢?我傾向於認為是可能的,甚至某種意義上,只要複雜到一定程度,物理實體也有可能產生意識,不要忘記大自然就是這麼幹的,意識並非是設計出來的,而是演化出來的,大腦複雜到一定程度,就產生了意識。也有可能量子計算機發展出了意識。然而,這樣產生的意識是不可控的,我不知道這有什麼意義,還不如直接生一個孩子。╮(╯ˍ╰)╭ 那麼模擬意識有沒有可能呢,模擬一件東西必須瞭解其遵從的規則,現在我們對意識是否有其自身的規則都不清楚,毋論瞭解。

結論:模擬人腦通過圖靈測試,可能性很大;模擬意識,扯淡;意識能否模擬,還是個問題。

回答完畢。

答完之後感覺鬆了一口氣,所需的知識太廣泛,真要慢慢扯都可以出一本書了,不得不在很多細節上一筆帶過。感覺還是說得比較清楚了。

就這樣。⊙▽⊙

多謝閱讀。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

有人認為:

人類所謂的意識本質上就是大腦的各種物質結構,不存在什麼虛無縹緲的東西。

的確,我也是這麼認為的,但是從我開始的敘述中抽離出一個核心,人腦可以在最底層改變」硬件「的結構,這是經典計算機所不能辦到的,這也絕非可有可無的。機器學習的確可以通過學習來改變自身的應對策略,但這也只是在硬件層上的抽像層所做的改變,在最底層,仍然是固定的,如過我們承認意識是建立在大腦這種特熟結構的基礎之上的,那麼我們又如何能認為經典計算機能模仿底層都不一樣的意識呢?

為什麼我要強調硬件層呢?

Andy Lee 說:

我們可以引入概率來近似人類的思想,如果你需要隨機,那也沒問題

但是,由於最底層的不支持,經典計算機是不可能產生真正的隨機數的,計算機產生的都是偽隨機數!!

電路結構是固定的,指令集也是固定的,隨機性從何而來?

計算機產生隨機數需要隨機種子,一種是人為設定,一種 是來自於系統時鐘。

換句話說,只要種子一定,得到的數就會完全一樣。

在經典計算機中引入概率,就不得不考慮到隨機數,隨機數本身的隨機性又來源於時間,那麼在經典計算機中是不可能得到真正的概率的。也就是遍歷程序一定可以確認結果。

我青睞通用量子計算機的原因在於。

我們可以思考一下,當我們在面對某種狀況時,所採取的行動,將要變成的狀態實際上是不可預知的,我們只是很有可能採取某種策略,很有可能變成某種狀態。也許神經信號在傳導時信號因為量子效應而衰減了,那麼造成的結果就不一樣了。對於計算機來說,不是0就是1,本來是1,信號衰減一點也是1,這是一種確定性。而人腦的隨機性最本質的來源即是量子層面的不確定性!

量子計算機的概率才是真正的概率。

另外我很贊同Andy Lee的觀點,如果的確有一台計算機能像正常人一樣和人對話,那麼就應該認為擁有智能。

不過如前述,我認為用經典計算機是不能模擬人腦的,模擬出來的也不是真正的智能,僅僅是看起來像。

量子計算機才是真正可能發現出智能和意識的。

【AndyLee的回答(14票)】:

周瑤的答案很棒啊,介紹了經典計算機,也介紹了量子計算機。但缺點卻是對人腦的解釋也不夠。而除了認知科學家們,還有一群人對意識的研究也值得關注,那就是心靈哲學家。

關於圖靈機我就不介紹了,我本人對量子計算機不太瞭解,目前還沒有通用的量子計算機出現吧,感覺這塊也有點遙遠。我對量子計算機的理解,就是量子計算機是一台很棒的計算機,它本質還是計算機。

如果這個理解沒有錯,那問題就能夠回到,計算機能否模擬人腦?

塞爾有個非常著名的中文屋思想實驗,這個實驗,周的答案中已經有了闡述。但對這個實驗的批評,也不少。塞爾引入了一個被認為是有意識的人扮演一個機器的角色,操作中文手冊,拿出中文卡片。然後依賴人的直覺去判斷這個人懂不懂中文。但要知道,人的直覺可是不靠譜的。你怎麼知道你懂中文的方式就不是通過這樣的方式複雜化以後的樣子呢?你小時候不懂中文,你慢慢學會了中文,你怎麼知道你學會中文的過程不是把這本中文手冊慢慢裝進腦袋裡的過程呢?

僅僅靠一個思想實驗來否認計算機能模擬人腦,是不夠的。

周的答案還有一點很贊,那就是對模擬這個概念提出了疑問,但他沒有深入分析這個概念。

模擬是什麼呢?模擬就是模仿、擬似。就是用非A的B來模仿A。計算機不是人腦,但計算機能模仿人腦嗎?

當然能,計算機已經在模仿人腦了。計算機能下棋,而且比人還厲害,能回答競猜問題,能做醫學診斷,甚至能從成千上萬個Youtube視頻中挑出有貓的那些。

但這個問題的關鍵不在於計算機能否模擬人腦,而在於計算機能否完全模擬人腦。

這就要提到認知科學了,隨著腦科學的發展,我們對大腦的認識也越來越深入,在很多地方,也做出一些初步的成果,比如我們能發現視覺皮層和視野的對應關係,能找到初級運動皮層和感覺皮層,等等。找到大腦不同皮層對應的功能,其實還不是最令人驚訝的。令人驚訝的是,我們能通過理解這些功能的微觀結構基礎,來複製這些功能。一些簡單的感覺功能,都很容易做到,比如聽覺和視覺等等。

顯然,我們對人腦的認識是隨著科學的發展而加深的,如果你問我在今天,我們能否完全模擬人腦,那我一定要回答不能,因為我們對人腦還沒研究透。

但這個問題顯然不是局限在今天,請給學者們一些時間。

回到正題,周的答案中提到了他認為程序不能模擬意識的一個原因,那就是程序是run在硬件上的一個精確的規則,而意識不僅僅是規則,也是硬件(或者叫濕件)。但要知道,原文問的是計算機能否模擬人腦,而不是程序能否模擬人腦。計算機除了處理信息的CPU之外,還有存儲信息的部分,還有信息的輸入和輸出部分。

程序是預先給定好,就不能改變的嗎?非也,我們有各種厲害的算法,比如進化算法,在機器學習中我們還有深度學習。程序也並非是那麼確定無疑的,我們可以引入概率來近似人類的思想,如果你需要隨機,那也沒問題。這些都能模擬人類的學習過程,使計算機能完成人類能完成的任務。

但可惜的是,每當計算機完成一項任務,我們就說這項任務是不需要智能的。當計算機會下棋,我們說下棋不是智能的關鍵。當計算機會理解自然語言問題,我們說理解自然語言問題不是智能的關鍵。當計算機能識別貓,我們說識別貓不是智能的關鍵,哪怕我們自己其實是花了幾年的時間才學會了如何識別貓,但當計算機也能完成這項任務時,我們便不在為這個成就而感到自豪。

意識究竟是什麼?這真的是一個Hard問題,也許當我們能以一個相當高的精確度給超弦理論提供支持時,我們也還不能完全解答意識究竟是什麼。

但我們知道,意識肯定是和人腦相關的,人是眾多哺乳動物中的一種,而大自然花了幾十億年,終於設計出了人類這樣的有意識的生物(這裡是比喻,別較真)。

如果意識是某種乳白色半透明能穿牆的鬼魂,那顯然計算機是不能模擬意識的。但我們都不這麼認為,我們認為意識是一個自然現象,它的基礎就是複雜的神經網絡。隨著計算神經科學的發展,意識被模擬出來,也是時間問題而已。

當一個台計算機通過圖靈測試的時候,我們應該說它具備了意識嗎?

當你的朋友出現在你面前,和你正常聊天的時候,你顯然是認為它有意識的。當一個陌生人,走到你面前,和你正常的聊天,你也會認為他有意識。但你的朋友腦袋裡面也許是一團濕乎乎的東西。而那個陌生人腦袋裡面也許是一團硬硬的東西。對於我們來說,一個東西是否有意識,和它是通過什麼途徑來讓我們以為它是有意識的,其實並不重要。當我們無法區分A和B那個有意識,那個沒有意識時,我們就應該公平地對待他們。要麼你天天朝夕相處的朋友和那個機器人都沒有意識,要麼他們都有意識。

現在問題來了,真的有能通過圖靈測試的機器嗎?

我在前文中已經提到了,如果意識不是鬼魂,不是某個全知全能的傢伙賦予某些東西的超自然能力。如果意識有它的物理基礎,那我們就能研究透這個物理基礎(除非有測不准原理這類物理規律阻礙了我們)。只要我們能用計算機語言來描述愛情,我們就能讓機器人也擁有愛情。

前幾天參加了星雲獎的活動,我最後也給一些偏科幻的展望吧,但科幻和奇幻是不同的。因為奇幻是把不可能出現的東西想像為可能。而科幻是把可能出現的東西想像為存在。

如果有一天,我們的認知科學的發展能達到今天物理學這樣的程度。我們能用一套優秀的算法,借助量子計算機等優秀的硬件,那我們一定能模擬出人類的意識這樣的現象。但當那一天到來,我們恐怕就已經不需要模擬人類的意識了。人工智能的野心不會僅僅是用人工的方式實現人類現有的智能。而是用人工的方式製造出超出人類現有智能許多倍的超級智能。目前看來,我找不到任何否認人工智能的方式。在我這個樂觀主義者看來,不出幾十年,我們就能走完大自然幾十億年的路。

補充一些內容:

人腦需要真隨機才能有意識嗎?不一定,至少目前還沒有神經科學的證據說明這一點。

雖然傳統的非量子計算機做不到真隨機,但這不代表它們就不能模擬意識,因為意識不一定需要真隨機。

「意識」真的太神秘了,為什麼同樣由原子構成的石頭和同樣由原子構成的人,一個有意識,一個沒有意識呢?我目前最為看好丹尼爾·丹內特的想法,語言給了人類意識。

【彭義燦的回答(2票)】:

你說的是倆問題,量子計算機,和人工智能……很不幸,目前它們都在瓶頸期,短時無望。

【林巍的回答(1票)】:

首先你要有一個量子計算機,其次你要瞭解人腦的工作原理 。

人腦的工作原理還沒能夠被分析的很透徹。

【知乎用戶的回答(1票)】:

從原理上來說,可以的。

從實際上來說,首先你得有個量子計算機。

【李勇的回答(1票)】:

鳥類是煽動翅膀飛翔的,飛機不是,但你不能說飛機不是在飛翔。

現在的人工智能的確不是按人腦的工作方式來處理信息,如果用上面的類比,就是飛機沒有煽動翅膀飛翔。當然現在的人工智能仍然非常幼稚,但不能否認的是,它的確表現出了智能。

基於人腦工作原理的人工智能將來必然要實現的,至少是人類的理想,理由有:人腦的效率非常高;最重要的是,人腦有創造性。

但是現在的「偽人工智能」是必須的,一個理由是,由於當前數學工具的局限性,在找到更適合的可以實現真正的人工智能前,這個是必須的;第二,人腦是極其複雜的,沒有強大的智能性工具是根本不可能對人腦的運行機制有實質性瞭解的,更談不上模仿和超越。

從樓主的介紹看,量子計算機是類似DNA計算機的,屬於並行工作方式的計算機,不再屬於現有計算機體系。

量子計算機相對現代的計算機的進步,可以用計算器代替算盤來類比,進步巨大,但是,並不能就說它就能解決人工智能問題,它只是實現人工智能的一個工具。

NP問題是現階段人工智能理論的核心問題,僅僅是漫長人工智能探索長征中的一個階段的核心問題,即使解決了這個問題,仍然有大量棘手的問題以及新出現的棘手問題需要解決。

現有的「偽人工智能」,個人觀點,很難全面達到人腦的功能(部分功能可能超過,例如純粹計算問題),尤其是創造性。只有人類全面瞭解人腦的思維過程,才可能真正實現人工智能並超過人腦。

目前看最有前途的貌似是深度學習理論。

記得前幾年,一個印度人發表了NP!=P的證明。貌似學術界沒有承認。有知道的,出來吼一聲。

【丁鼎的回答(0票)】:

這個問題簡直太簡單了。

量子計算機也是計算機,所做的工作是計算。

計算能力的極限是通用圖靈機。

所以答案就是,通用圖靈機可以模擬人腦,量子計算機就可以;通用圖靈機不能,量子計算機就不能。

那麼通用圖靈機在哪裡呢?你現在用的電腦差不多就是了,了不起就是加幾塊硬盤或者幾條內存。

【知乎用戶的回答(0票)】:

能,如果0與1創造的大腦能自行進化

【NanyiJiang的回答(0票)】:

不需要量子計算機就能模擬電腦

傳統計算機的問題,是它們是被設計出來做人類不擅長的工作(大量重複任務,中央處理,高效簡潔的指令),儲存設備和計算部分的分離。

人腦能夠通過重新連接神經元,淘汰部分,但這些都是可以被模擬的,但不是很有效。

我學校裡有人做模擬大腦的硬件,進展顯著。

隨機根本不是問題。真隨機可以用量子實現,某些手機可以靠光感電路產生量子級別隨機了。主要在加密秘鑰生成用。

【JerryHuong的回答(0票)】:

當然可以,只要通過圖靈測試就意味著無法區分計算機與人腦,而量子計算機也是計算機的一種,有著比計算機更為出色的運算速度和能力,所以理論上完全可以,本人就是研究量子的

【吳亮的回答(0票)】:

樓上的答案從量子計算的角度給出了計算機模擬人腦的可能性,我補充一點來自生物方面的猜想he:

en.wikipedia.org/wiki/O

Orchestrated objective reduction ( Orch-OR )是由物理學家Roger Penrose 和生物學家Stuart Hameroff 提出的試圖解釋人腦意識的理論,認為人的思維是從大腦的深處以量子的方式計算的。Orch-OR 認為神經元中的微管是量子計算的基本單元(量子比特)。 The qubits are based on oscillating dipoles forming superposed resonance rings in helical pathways throughout microtubule lattices.The oscillations are either electric, due to charge separation from London forces , or most favorably magnetic, due to electron spin — and possibly also due to nuclear spins (which can remain isolated for longer periods of time), and occur in gigahertz, megahertz and kilohertz frequency ranges. The orchestration refers to the hypothetical process by which connective proteins, such as microtubule-associated proteins (MAPs), influence or orchestrate the state reduction of the qubits by modifying the spacetime-separation of their superimposed states. The later is based on Penrose's objective collapse theory for interpreting quantum mechanics, which postulates the existence of an objective threshold governing the collapse of quantum-states, related to the difference of the space-time curvature of these states in the fine scale structure of the universe. (這一部分實在翻譯不來……)

果殼上的請問什麼叫Orch-OR,最近說已經被證...中九維計算提供了很好的註解:

這個Orchestrated objective reduction還稱不上一個理論,而是一個假說。我瞭解的大致歷史發展如下:

1. 現在無論多快的計算機,處理的都是經典的二進制信息,非0即1,可以說完全建立在經典物理學基礎上。Penrose認為人腦不可能按這種簡單的經典計算機方式來處理信息(所以他把依靠經典計算機的人工智能稱為「皇帝新腦」,就跟皇帝的新衣一樣)。那麼人腦只能靠更深一層次的物理學,即量子力學來處理信息,產生意識。簡而言之,人腦是一台量子計算機。 Penrose隨後和神經學家Hameroff合作,認為人腦中能夠產生量子計算的單元是神經細胞的微管(microtubule)。因為是納米尺度的蛋白質結構,量子效應顯著。

2. 這個假說由於太過超前,在那個量子信息學還未成型的年代,提出後馬上遭到各個領域的大量批評。當然生物化學等人評論不到點子上,因為他們不懂量子力學。但是後來MIT的物理學家Max Tegmark卻給出了殺手鑭,他計算出室溫下這些微管的退相干時間只有飛秒量級(10的負15次方秒),根本無法進行量子計算。

註:退相干是一個量子系統通過和外界相互作用演化到經典系統的過程,和系統的尺度,溫度等成正比。退相干時間越短意味著系統能夠保持量子特性,進行量子計算的時間越短。

3. 幾位物理學家聯合Hameroff認為Tegmark的模型錯了,關於微管的參數取的不對。他們重新算了一遍,提高了好幾個數量級,但是也只能到幾百納秒的量級。但隨後他們提出微管可以篩選熱噪聲,通過控制水分子來實現某些量子糾錯算法,從而在退相干之後還能保留量子信息。後來一些理論研究認為一些特定的量子態可以在微管裡保持更長的相干時間。

4. 隨著量子信息學的發展,意識起源於人腦的量子計算這個未經證實的假說逐漸潛移默化到了很多領域。反過來意味著如果這個假說正確,量子計算機可以完美模擬人腦。Google也準備在量子人工智能上面砸錢。很多好萊塢的科幻電影,在提到真正人工智能時都會用到quantum這個詞,如變形金剛,絕密飛行,超驗駭客等等。最近一些機器人影片也在熱炒這個概念。

5. 你提到的Bandyopadhyay工作,觀測到了微管表現出如同一個單蛋白質分子的電學和光學效應,也許意味著組成微管的蛋白質分子之間有著很強的相干性,這個結果支持Hameroff等人的假說。

個人評價:Penrose是提出意識可能來源於人腦量子計算的先驅。但可惜的是他沒有做量子信息的研究,錯過了成為量子信息學創始人之一的機會,這可能跟他的本專業是廣義相對論有關。有朝一日真的驗證了意識來自量子計算,榮譽一定會給研究量子信息領域的物理學家,因為他們才可能在未來建立人腦量子計算具體模型,實驗驗證該模型並且造出真正的人工智能。Penrose可能僅僅作為一個停留在哲學階段的先驅者了(他扯了一些我認為沒必要的量子引力進來)。

如果讓我打個賭,意識來自人腦的經典計算還是量子計算,我肯定會賭量子計算。

【賀勇的回答(2票)】:

我覺得問題沒那麼複雜。應該是不可以的。

並不是原理近似就可以模擬。原理近似功能更強大也不行。

如果問題換成:人腦可以模擬猴腦嗎?你覺得可以嗎?還是不可以。

大腦的思維有很大的主觀性,主觀性是無法模擬的,從進化的角度來講,人腦的思維基礎很多是基於對自身安全的最大化做出決策的過程。

人的生理需求也會影響人腦的思維。性格特點也會影響思維。

如果說根據某一個具體的人,的生活經歷、性格特點、生理需求、物質條件模擬這個具體的人的思維是有可能的。但這個談不上模擬人腦,只是預測這個人在遇到具體的事情時的決策。

如果不說模擬,只是量子計算機有沒有可能達到有自我意識、會歸納、會總結、能推理這樣的程度我覺得是有可能的。超越人類的智慧都是有可能的。但它真沒有必要走模擬人腦的路。這就像你下班回家非要繞地球一圈才回去一樣。

可能我答的有些偏題,但是這也是現實,就算量子計算機以後能超越人腦也不可能模擬人腦。

當量子計算機達不到時:

量子計算機:臣妾做不到啊T-T

當量子計算機超越人腦的時候:

量子計算機:我幹嘛模擬人腦,我為什麼要蠢得跟人一樣!

【孫旻傑的回答(0票)】:

人腦構思算法的過程是非算法的,計算機無法檢查出自身算法的謬誤。這兩點有力論據是《皇帝新腦》這本書裡的。彭羅斯不相信電腦能模擬人腦,這本書對樓主的問題回答很詳細,推薦閱讀。

不過計算機可能會形成一種新的智能,不同於人腦的智能,果殼上有提到過guokr.com/article/43736,可以叫「統計人工智能」。到時候確實能不能模擬人腦已經不重要了。

【章邐的回答(0票)】:

不能。

標籤:-神經科學 -物理學 -計算機 -量子 -仿生學


相關資源:





給我留言