腦并非是一種計算裝置，也不是一個單純的信息處理系統(tǒng)，而是一種意義提取系統(tǒng)。它真的可以被逆向工程嗎？撰文 | 顧凡及（復(fù)旦大學(xué)生命科學(xué)學(xué)院）沒有人會否認人腦是世界上最復(fù)雜的“機器”，它能實現(xiàn)許多現(xiàn)代最先進的機器做不到的功能。用一句數(shù)學(xué)上的行話來說，就是腦為這些高級功能的“存在性”給出了證據(jù)。所以一個很自然的想法，就是向人腦學(xué)習(xí)，從中尋求啟發(fā)和靈感，創(chuàng)建更有智能的機器。但是在這種想法的指導(dǎo)下，卻分化出兩種不同的思路。一種思路是首先搞清楚人腦是如何工作的，然后用工程技術(shù)的方法復(fù)制這種機制。如果要說得更明確一點，或許可以用美國發(fā)明家霍金斯（Jeff Hawkins）在其近作《千腦智能》里的一段話來表述：“要創(chuàng)造真正智能的機器，我們首先需要對大腦進行逆向工程?！薄皩崿F(xiàn)機器智能的最快途徑是理解大腦的工作原理，然后在計算機中模仿這些原理?！?span style="color: rgb(136, 136, 136);font-family: -apple-system, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: left;outline: 0px;background-color: rgb(255, 255, 255);font-size: 12px;">[1]一言以蔽之，這種思想的核心就是以人腦為樣板，用工程技術(shù)手段通過逆向工程（Reverse Engineering）的方法復(fù)制腦。逆向工程是一種工程技術(shù)上的方法或手段，人們試圖以此通過演繹推理來認識自己對其原理一無所知的現(xiàn)成設(shè)備、過程、系統(tǒng)或軟件是如何完成某項任務(wù)的。它本質(zhì)上就是把這個系統(tǒng)拆開來進行剖析以了解其工作機制，從而得以復(fù)制或增強它。用一句通俗的話來說，也就是“山寨”。逆向工程的具體方法雖因其所要復(fù)制的對象不同而異，但其過程通常包含三個基本步驟：信息提取、建模和檢驗。[2]另一條思路則是從腦研究中尋求某種“啟發(fā)”，然后用工程技術(shù)手段研制新機器，而不去糾結(jié)結(jié)構(gòu)、功能、原理或機制是不是和腦“類似”，只要其結(jié)果能解決工程技術(shù)問題，經(jīng)濟、可行就行，而不必拘泥于工作原理細節(jié)。上面這兩條思路有著極大的區(qū)別。事實上，早有不少科學(xué)家指出過這一點，并且用鳥和飛機進行類比。人們制造飛機無疑是受到了鳥能飛行的啟發(fā)，但是現(xiàn)代的飛機無論從結(jié)構(gòu)還是功能上，就其原理還是機制而言，和鳥的飛行行為卻并無類似之處。文藝復(fù)興時期達·芬奇畫出的“撲翼機”更像鳥，它依靠撲動雙翼飛行，可以說是對鳥飛行進行逆向工程，可惜這始終只停留在草圖階段（圖1），從未得到應(yīng)用。不過，若真有人用現(xiàn)代技術(shù)去試圖實現(xiàn)達·芬奇的草圖，恐怕也很難得出什么好結(jié)果。第一種思路——對人腦進行逆向工程從而創(chuàng)建智能機器——看起來是一條捷徑，它不僅讓工程師動心，也迷住了一些神經(jīng)科學(xué)家。在2018年出版的林登（David J. Linden）主編的《思想庫：40位神經(jīng)科學(xué)家探討人類體驗的生物學(xué)根源》[3]一書中，有一篇正好就代表了這種思路。“從原則上來說，沒有任何理由使我們最終造不出有思維的機器”毛克（Michael D. Mauk）的文章標(biāo)題表達了他的中心思想：《從原則上來說，沒有任何理由使我們最終造不出有思維的機器》（There is no principle that prevents us from eventually building machines that think）[4]。在文中，他承認腦的規(guī)模驚人，也還有一些細節(jié)不清楚，但是他認為要想構(gòu)建人工心智卻并沒有跨不過的鴻溝，所需要的只是“辛勤工作”，再加上速度更快和存儲量更大的計算機。毛克認為，“就像任何計算裝置一樣，要想認識腦，需要指出主要元件（神經(jīng)元）的特性，元件之間的聯(lián)結(jié)（突觸）的性質(zhì)和相互聯(lián)結(jié)的模式（線路圖）。其數(shù)目確實驚人，但是關(guān)鍵在于，神經(jīng)元及其聯(lián)結(jié)所服從的規(guī)則是有限和可以理解的?！彼麖娬{(diào)，現(xiàn)在知道神經(jīng)元一共只有幾百種，所以我們可以研究清楚每一種的輸入-輸出規(guī)則。不同突觸的性質(zhì)及其可塑性規(guī)則也是有限的和可以認識的。雖然突觸的聯(lián)結(jié)數(shù)量很大，但是這些聯(lián)結(jié)并非是隨機的，它們也要服從一些我們能識別的規(guī)則，現(xiàn)在大規(guī)?！奥?lián)結(jié)組學(xué)”（connectome）計劃的研究將提供全腦的神經(jīng)線路圖。因此，要建造人工腦只要認識這些有限的規(guī)則就行。一、建造一個人工腦和復(fù)制某個特定人的腦是兩回事。只有復(fù)制某個特定人的腦時才需要知道其腦中所有的特定聯(lián)結(jié)，這些聯(lián)結(jié)不但取決于先天，還取決于于后天經(jīng)歷，且每個聯(lián)結(jié)都是特定的，都需要弄清楚。但是，要建造一個一般性的人工腦，則只要服從聯(lián)結(jié)的基本規(guī)則就行了。二、可以做一個思想實驗：假定可以造出一個和真實神經(jīng)元有同樣輸入-輸出函數(shù)的人工神經(jīng)元，并以此取代生物體中的對應(yīng)生物神經(jīng)元，那么主體（生物體）不會有任何不同的感受。這樣一個接著一個地用等價的人工神經(jīng)元取代相應(yīng)的生物神經(jīng)元，主體依然感受不到異樣，這樣全部置換后，最后的人工神經(jīng)元網(wǎng)絡(luò)就是人工腦了。毛克的這種思想在一些人中很有代表性。他在文中提到了文集中另有一篇和他觀點相反的文章，但是沒有進行任何反駁。那篇文章秉持的就是第二種思路：《思想庫》的倒數(shù)第二篇文章是腦機接口領(lǐng)軍人物尼可萊利斯（Miguel A. L. Nicolelis）撰寫的《人腦是萬物的真正創(chuàng)造者，不可能用任何圖靈機來加以仿真》（The human brain, the true creator of everything, cannot be simulated by any Turing machine）[5]。這個標(biāo)題也準(zhǔn)確表明了尼可萊利斯的中心思想。雖然他并沒有正面反駁毛克的論點，但是其內(nèi)容在很大程度上指出了毛克論點中的根本問題。當(dāng)前社會上甚至學(xué)術(shù)界中某些人認為，人腦只是一種信息處理機器，或者說是一種肉體版的數(shù)字計算機。由這種帶有誤導(dǎo)性的說法出發(fā)，人們會認為有朝一日可以用超級計算機仿真甚至拷貝人腦，并且可以把人一生中有意識和無意識的所有體驗都存儲到某個數(shù)字媒介中去，從而實現(xiàn)數(shù)字永生；另一方面，也可以把復(fù)雜的內(nèi)容上傳到腦中去，由此使人可以在一剎那間就會使用或者擁有一種新的語言或新技術(shù)、新知識。這種想法植根于對信息和計算的錯誤理解。雖然香農(nóng)（Claude Shannon）在提出他那先驅(qū)性的信息論時就提醒過，他的信息定義只針對在帶有噪聲的通信渠道中傳送消息時的量化問題，也就是只涉及到“減少對發(fā)送者狀態(tài)的不確定性”這一方面，而全然沒有涉及到信息的內(nèi)容和意義。而對腦來說，信息的內(nèi)容和意義才是最關(guān)緊要的方面。“腦計算”這個說法的錯誤則更為嚴(yán)重。有時，人們把“計算”泛化成信息處理的同義語，有時又把“計算”限定為在馮·諾依曼計算機中所執(zhí)行的操作，并在這兩者之間不斷切換。近代數(shù)字計算機的先驅(qū)圖靈（Alan Turing）指出，如果某一任務(wù)能歸結(jié)為能在有限步內(nèi)完成的某種數(shù)學(xué)算法，那么它就可以用他提出的通用圖靈機來加以仿真，并被說成是“可計算的”。而根據(jù)丘奇-圖靈假設(shè)（Church-Turing assumption），任何能執(zhí)行這種計算的裝置（如數(shù)字計算機）都和通用圖靈機等價，這樣的計算可以被稱為圖靈意義下的計算。也正是圖靈首先指出存在著在這種意義下不可計算的問題。[6]不幸的是，腦及其許多高級功能都是在圖靈意義下不可計算的。因此，不管超級數(shù)字計算機如何先進，都不可能復(fù)制人腦。腦的運作既有數(shù)字的成分又有模擬的成分，這兩者之間還存在著遞歸的、非線性的動態(tài)相互作用，這更遠超圖靈機的能力。人腦并不只是被動解碼外界信息的裝置，事實上，腦會按照其內(nèi)部模型對未來可能發(fā)生的情況進行預(yù)測。腦永遠領(lǐng)先一步預(yù)測將會發(fā)生什么，要是預(yù)測錯了，它就要從錯誤中學(xué)習(xí)、更新內(nèi)部模型，這也就是“神經(jīng)可塑性”。尼可萊利斯雖然沒有點名批評毛克，不過他有段話說得很重：“如果這種荒謬的說法僅僅局限于好萊塢的科幻電影之中，那倒沒多大關(guān)系。但是只要某些計算機科學(xué)家，甚至神經(jīng)科學(xué)家也在公眾面前重復(fù)這種神話，并向歐洲和美國的納稅人索要幾十億美元，毫無意義地去追求實現(xiàn)在數(shù)字媒介上模擬人腦的企圖，問題就變得遠遠嚴(yán)重得多?！?span style="color: rgb(136, 136, 136);font-family: -apple-system, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: left;outline: 0px;background-color: rgb(255, 255, 255);font-size: 12px;">[5]出于作為邀請者的禮貌，林登對這樣兩種針鋒相對的觀點打起了太極，他在書的跋中寫道：“關(guān)于這一重要問題誰是對的？我們不知道?！茖W(xué)的發(fā)展常常就是這個樣子?！辈贿^，我們就不必要跟著打太極了。在筆者眼中，毛克的兩個論證都是站不住腳的。他的第一個論證，只是說明復(fù)制特定人的腦比建造一個一般性的人腦更為困難，這并不能成為后一個任務(wù)（建造一般性腦）就容易實現(xiàn)的理由。毛克的第二個論證則偷換了條件。在他的思想實驗中，那個假想的神經(jīng)網(wǎng)絡(luò)依舊處于主體的身體之中，它依舊處于膠質(zhì)細胞、腦脊液、血管等其他組織的包圍之中（膠質(zhì)細胞的數(shù)量超出神經(jīng)元10倍之多，對其功能我們至今還不清楚），并和身體維持著所有的正常聯(lián)系，也就是說這個“人工神經(jīng)網(wǎng)絡(luò)”依舊是“具身”的，并沒有脫離主體身體的內(nèi)部環(huán)境，而由于主體能夠自由行動，也沒有脫離外部環(huán)境和社會環(huán)境。這和一個從身體中分離出來的孤立的神經(jīng)元集團是完全不同的。只要想一想狼孩的例子：盡管狼孩的腦在結(jié)構(gòu)上完全像正常人腦一樣，甚至還是具身的，還和外界環(huán)境有交互作用，而僅僅是脫離了社會環(huán)境，就使主體失去了正常的心智。所以說一個孤立的人工神經(jīng)元集合，無論其內(nèi)部的聯(lián)結(jié)怎樣，都不大可能擁有毛克所說的“人工心智”。毛克走的完全是還原論的道路，他以為，只要認識了一個機器的組成元件的性質(zhì)及其相互聯(lián)結(jié)的性質(zhì)，那么就能認識整個系統(tǒng)的性質(zhì)。對于一個簡單的、只有兩個層級，而且上一層級的活動對下一層級沒有影響的系統(tǒng)也許是這樣，但是對于一個像腦這樣極端復(fù)雜的、有許多層級的系統(tǒng)，恐怕就無法認識了。當(dāng)然有人會辯解說，對于多層級系統(tǒng)，我們可以從最頂層開始逐層往下，對各個相鄰層級都進行還原，最后就能用最底層的生物大分子及其相互作用來解釋心智。這是一種“線性因果鏈”的思想，假定下一層級的活動是因，上一層級的活動是果。但腦這樣的系統(tǒng)，不僅下一層級的活動對上一層級有貢獻，上一層級的活動也會影響下一層級的活動，它們互為因果。而且這種關(guān)系不僅限于相鄰層級之間，還可以跨越很多層級，因此這是一種“循環(huán)因果關(guān)系”。對于這種系統(tǒng)，徹底的還原論策略就行不通了。目前，在很低的層級，用還原論策略依然可能得出某些結(jié)果，例如對生物神經(jīng)元的仿真或者制造芯片，但是一旦上升到心智甚至意識這樣的頂端層級，這樣做就行不通了。僅從邏輯上來說，毛克文章的標(biāo)題“從原則上來說，沒有任何理由使我們最終造不出有思維的機器”不能算錯，因為腦本身也是一個物理系統(tǒng)，所以并不能完全排除也造出一個有思維的人工物理系統(tǒng)的可能性。但是，邏輯上的可能性和實際上的可行性是兩回事。這就是為什么在評審科技基金申請時，不僅要考慮申請的創(chuàng)新性，還要考慮其技術(shù)路線的可行性。毛克空言可能性而不考慮可行性，是沒有意義的。尼可萊利斯所擔(dān)憂的向歐美納稅人索要幾十億美元去實現(xiàn)模擬人腦的某些計算機科學(xué)家，甚或神經(jīng)科學(xué)家，大概是指以馬克拉姆（Henry Markram）為代表的一些科學(xué)家，后者于2013年在歐盟成功申請了10億歐元的“歐盟人腦計劃”（HBP）。馬克拉姆在申請時提出，要在十年內(nèi)在超級計算機上建造出一個人工全人腦。他的核心思想體現(xiàn)在2012年他為申請造勢而撰寫的一篇文章《人腦計劃》中：“我們的研究方法的關(guān)鍵在于精心研究腦賴以產(chǎn)生的基本藍圖：也就是在整個進化過程中、并在胚胎發(fā)育過程中再一次構(gòu)造出腦的整套原則。從理論上來說，這些原則正是我們動手建造腦所需要的全部信息。人們的質(zhì)疑不無道理：這些原則所生成的復(fù)雜性是驚人的——所以我們才需要超級計算機來解決這個問題。不過發(fā)現(xiàn)這些原則本身要好辦得多。如果我們找到了這些原則，那么從邏輯上來說，我們沒有理由不能利用生物學(xué)上產(chǎn)生腦的藍圖去同樣建造一個'硅腦’。”[7]那么馬克拉姆的業(yè)績?nèi)绾文兀?009年，他在接受《發(fā)現(xiàn)》雜志（Discover）采訪時，允諾在三年內(nèi)（也就是截止到2012年）仿真出大鼠的全腦[8]，然而2012年他在《人腦計劃》中又作了同樣的許諾（也就是說延遲到了2015年），可是直到2015年，他因目標(biāo)不現(xiàn)實等一系列問題遭致“宮廷革命”黯然下臺，一直未能實現(xiàn)他的許諾。仿真鼠腦這一“小目標(biāo)”就像吊在驢頭前面的那根胡蘿卜一樣，雖然只有三步之遙，卻老是走不到，更不要說通過逆向工程復(fù)制人的全腦了。關(guān)于這個計劃的來龍去脈，筆者在《返樸》上已經(jīng)有長文進行過分析[9]，這里就不再重復(fù)。奇怪的是，又經(jīng)過了三年，當(dāng)“革命”后的人腦計劃已經(jīng)放棄了這一幻想之后，毛克還要重拾舊說[4]。又一個三年之后，霍金斯在略加變換后再次重申[1]，而依然得到了不少人的擁護，這就值得深思和做進一步的分析了。筆者在和卡爾·施拉根霍夫合著的《腦與人工智能》系列套書中曾指出：“大自然并不像工程師那樣行事。工程師喜歡均一性，而大自然更喜歡變異性和多樣性。工程師在建造某一系統(tǒng)之前，心中先有一張藍圖。他們希望元件的種類盡可能少，同一類中的每個元件都完全一樣，這樣他們在進行分析、設(shè)計、建造和修理時都比較方便。然而大自然并不刻意地設(shè)計生物，它讓多少有所不同的個體彼此競爭，沒有兩個個體是完全一樣的。在競爭中只有更適應(yīng)其環(huán)境的個體才更有機會存活并產(chǎn)生下一代。埃德爾曼的神經(jīng)達爾文主義也假定在神經(jīng)系統(tǒng)的回路或模塊之間存在競爭，只有適合于完成其目標(biāo)的回路或模塊才能保存下來?！?span style="color: rgb(136, 136, 136);font-family: -apple-system, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: left;outline: 0px;background-color: rgb(255, 255, 255);font-size: 12px;">[10]馬克拉姆等人把希望寄托在這種烏有的自然“藍圖”上當(dāng)然是緣木求魚。分子生物學(xué)家雅各布（Francois Jacob）也說過：“進化是個修補匠，而不是工程師?！碑?dāng)面臨新任務(wù)時，大自然并不從頂層按照邏輯做全新的設(shè)計，而只是在現(xiàn)有的基礎(chǔ)之上疊加新東西，這就決定了腦并非一般人所想的那樣完美無缺。正如林登在其《不完美的大腦》（The Accidental Mind）一書中所說：“無論從哪個層級看，從腦區(qū)、回路到細胞、分子，大腦都是個設(shè)計拙劣、效率低下的團塊，可又出人意料地運作良好。大腦不是終極且萬能的超級計算機，它不是一個天才在白紙上即興完成的創(chuàng)作。大腦是一座獨一無二的大廈，積淀著數(shù)百萬年的進化歷史?！?span style="color: rgb(136, 136, 136);font-family: -apple-system, system-ui, "Helvetica Neue", "PingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;text-align: left;outline: 0px;background-color: rgb(255, 255, 255);font-size: 12px;">[11]此外，腦并非是一種計算裝置，甚至也不只是一種信息處理裝置，而是一種意義提取系統(tǒng)。[12]對于怎樣研究這種系統(tǒng)，人們所知尚少。最后，人腦是5億多年進化的產(chǎn)物，我們也許可以逐步認識腦功能的奧秘，但是極少人敢斷言到什么時候就能把腦功能認識清楚，因此當(dāng)工程技術(shù)上迫切需要解決某些類似人腦功能的問題時，就不能靜等搞清楚相應(yīng)的腦機制后再去制定方案，而只能從有關(guān)腦的已知知識中尋求啟發(fā)，或者干脆就撇開腦機制完全從工程技術(shù)上尋求解決之道。實際上，即使知道了腦機制，照搬到工程上也未必適用。埃德爾曼按照小腦運動控制機制設(shè)計的“達爾文機”雖然也能在彎道中自由行駛[13]，但最后真正讓無人駕駛上路的卻是純工程的人工智能技術(shù)，而非達爾文機。當(dāng)然，達爾文機對加深理解小腦的運動控制機制卻可能有潛在意義。因此，在可能的時候，工程師應(yīng)該從腦研究中尋求啟發(fā)，采用工程技術(shù)上合適的手段來實現(xiàn)某些和腦類似的功能，而不是盲目照搬生物腦的結(jié)構(gòu)和機制?，F(xiàn)在人工智能中紅翻半片天的深度學(xué)習(xí)，也許正是受到視覺系統(tǒng)多層次加工的啟發(fā)，可以作為“腦啟發(fā)”的一個典型例子：視覺系統(tǒng)先是在視網(wǎng)膜中提取空間中存在反差之處，也就是邊框；然后在初級視皮層中的簡單細胞提取特定部位有特定朝向的線段，而復(fù)雜細胞則提取落在感受野任何部位有特定朝向的線段，如此等等……提取越來越全局性的特征，最后又在腦中把有關(guān)特征整合在一起，從而識別對象。這最后一道被稱為“綁定問題”的神經(jīng)生物學(xué)機制仍然有些假設(shè)，如同步振蕩，至今仍未最后解決。IT工程師借鑒視覺系統(tǒng)的多層次加工機制，設(shè)置許多中間層的網(wǎng)絡(luò)進行“深度學(xué)習(xí)”，雖然其算法和生物視覺系統(tǒng)的機制極為不同，但取得了舉世矚目的成就。當(dāng)然，如果腦中的機制恰巧也適合工程技術(shù)實現(xiàn)，那自然也可以借鑒腦的方案。從目前的研究情況來看，人們對低層級的腦組織——例如神經(jīng)元的結(jié)構(gòu)和功能——研究得比較清楚，因此借鑒的細節(jié)也就比較多和深入。這方面的一個比較成功的案例是“仿神經(jīng)芯片”（neuromorphic chip）[注釋1]。生物神經(jīng)元就其速度、可靠性等方面都無法與電子器件相比，但是它的脈沖輸出形式卻使其功耗遠遠低于目前的電子器件，仿神經(jīng)芯片模擬了這一點，可以在功耗上降低4個數(shù)量級，因此有望應(yīng)用在能耗要求很高的場合，例如航天工程。不過，一個新技術(shù)要想得到大發(fā)展，廣泛應(yīng)用才是最大的促進劑，最近的聊天機器人ChatGPT紅遍世界，服務(wù)器被擠爆，能耗代價已經(jīng)高到難以承受的程度，仿神經(jīng)工程（neuromporphic engineering）[14]能否以此為契機一展宏圖，值得期待。[注釋1] ：現(xiàn)在流行的譯名是“神經(jīng)形態(tài)芯片”，如果把這個詞拆成詞頭neuro和詞根morphic，那么它們確實分別是“神經(jīng)”和“形態(tài)”，但是這種芯片和神經(jīng)細胞或神經(jīng)系統(tǒng)的“形態(tài)”確實沒有什么關(guān)系，只是這種芯片中的單元——神經(jīng)元在機制上更接近生物神經(jīng)元，或者說是“仿神經(jīng)”的。筆者以為“神經(jīng)形態(tài)芯片”這一譯名容易誤導(dǎo)讀者。筆者想沒有人會把butterfly（蝴蝶）譯成奶油蒼蠅的。
而腦功能的層級越高，人類對它背后的機制認識得就越少，所能借鑒之處也越少，甚至只能完全采用工程技術(shù)的方法來盡量達到這一功能。目前的人工智能走的大體上就是這樣一條路線。具體來說，我們不求制作出一個與人腦類似的AI，而是力求讓AI像人腦一樣能決策，但不去管它決策的機制跟人腦一不一樣。總的說來，工程技術(shù)應(yīng)該從腦研究中尋求啟發(fā)，而不是拷貝或復(fù)制。準(zhǔn)確使用術(shù)語：類腦，還是腦啟發(fā)？
在國內(nèi)，我們經(jīng)常能聽到“類腦”的說法，讀者往往容易把“類腦”理解為“類似真實的腦那樣”的意思，說得更準(zhǔn)確一點，也就是對腦進行逆向工程。但說話者卻未必是這個意思，有些人指的是從腦研究中尋求啟發(fā)，然后用工程技術(shù)的方法來實現(xiàn)類似于腦的某些功能。
“類腦”一詞的濫用或許有其歷史原因：上世紀(jì)末本世紀(jì)初，國際上確實流行過一陣“類腦”（brain-like）的思潮，以為可以通過對腦進行逆向工程來解決工程技術(shù)問題，當(dāng)然現(xiàn)在也還有少數(shù)科學(xué)家堅持這一看法，如我們前面介紹的那幾位。但是大多數(shù)科學(xué)家已很少再用brain-like這一術(shù)語，而改為brain-inspired（腦啟發(fā)）了。也就是不再對腦進行逆向工程去拷貝腦，而只是在可能的時候從腦研究中尋求啟發(fā)，運用工程技術(shù)的手段來實現(xiàn)某些和腦類似的功能。但國內(nèi)許多人依然沿用“類腦”的說法，可能是覺得它聽起來簡單、吸引人。筆者認為，這一說法雖然“約定俗成”，但有歧義并會誤導(dǎo)讀者，我們是不是應(yīng)該果斷拋棄這種“約定俗成”而予以“正名”呢？筆者注意到有些科學(xué)家已經(jīng)在這樣做，是不是我們應(yīng)該更自覺地把這兩條技術(shù)路線分分清楚呢？
[1] Hawkins J (2021) A Thousand Brains: A New Theory of Intelligence. Basic Books.中譯本：霍金斯著，廖璐等譯（2022）千腦智能，浙江教育出版社。[2] https://en.wikipedia.org/w/index.php?title=Reverse_engineering&oldid=1128484181[3] Linden DJ (ed.) (2018) Think Tank: Forty Neuroscientists Explore the Biological Roots of Human Experience. Yale University Press. New Haven and London.[4] Mauk MD (2018) There is no principle that prevents us from eventually building machines that think. In Linden DJ (ed.) (2018) Think Tank: Forty Neuroscientists Explore the Biological Roots of Human Experience. Yale University Press. New Haven and London.[5] Nicolelis MAL (2018) The human brain, the true creator of everything, cannot be simulated by any Turing machine. In Linden DJ (ed.) (2018) Think Tank: Forty Neuroscientists Explore the Biological Roots of Human Experience. Yale University Press. New Haven and London.[6] https://en.wikipedia.org/w/index.php?title=Hypercomputation&oldid=1133373703[7] Markram H (2012) The human brain project. Sci. Am. 306(6):50-5512.[8] Kushner, D (2009), The Discover interview Henry Markram. Discover 2009(12):61-77[10] 顧凡及和卡爾·施拉根霍夫著，顧凡及譯（2019）腦研究的新大陸，上海教育出版社[11] Linden DJ (2007) The Accidental Mind: How Brain Evolution Has Given Us Love, Memory, Dreams, and God. Harvard University Press.中譯本：林登著，沈穎等譯（2022）不完美的大腦：進化如何賦予我們愛情、記憶和美夢，上?？茖W(xué)技術(shù)出版社[12] Freeman WJ (1999) How Brains Make Up Their Minds. Weidenfeld & Nicolson[13] McKinstry, J. L., Edelman, G. M., and Krichmar, J. L. (2006). A cerebellar model for predictive motor control tested in a brain-based device. Proc Natl Acad Sci U S A 103, 3387-3392.[14] 顧凡及（2019）人工腦和仿神經(jīng)結(jié)構(gòu)工程。自然 41（1）：35-43[15] Abbott, J. et al. (2020) A nanoelectrode array for obtaining intracellular recordings from thousands of connected neurons. Nat. Biomed. Eng. 4, 232–241
