夸克与美洲豹 作者:[美]盖尔曼-第36章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
塑性处作过讨论，神经系统改组自己的能力使模式在作过长期抵制后，最终还是要改变。
一个重要的公共政策的结果，尤其是在美国，涉及的范围是在两岁半以前所需的学习能力如果有缺陷，则可以根据“抢先”（Head Start）之类的方案进行补救，这些补救可以在接下来的两年半或更长的时间内给儿童以特殊的帮助。有些研究人员指出，成熟的早期窗口在这儿起了重要作用；如不在婴儿时期改善婴儿的学习环境，过了这段年龄的补救方案，从长远观点来看，就不那么有效了。另外一些研究人员则指出，事实已经证明，“抢先”方案如果在力度和时间上得以充分实施，那么在这种情形下就可以有足够的可塑性，使学习缺陷得到本质上和持续很长时期的矫正。这种关于少儿时期学习缺陷的争论，无论其功绩如何，有一点是十分① 铭记（imprinting）为动物早期就起作用的一种学习机制——译者注清楚的，在生命的早期获得第一语言是十分关键的。有少数几个已知的案例指出，由于儿童时期很少或根本没有与人类语言接触，结果天生具有的掌握一种语言语法的机能，不再起作用。显然，这与真实的成熟窗口有关系。不适应图式的持续：时间尺度
不适应图式存在的最普通（也许是最简单）的理由之一，是它们曾经是适应的，但原来已适应的条件现在不占优势了。复杂适应系统的环境改变的速率快于进化过程，于是两者不相配套。（成熟的窗口在某种意义上是这种时间尺度不匹配的一个极端的例子。）在人类思维领域里经常出现这样一种情形，情况的迅速变化超过了我们思维模式变化的能力，使思维模式落在后面。泽西岛（island of Jersey）动物园的创始人丢勒尔（Gerald Durrell）曾在多次探险中带回一些稀有动物，对此他还写了许多本富有魁力的书。他还详细叙述过一次经历，那是他用手抓住了一种西非的蛇。因为他“知道”那条蛇是一种无害的瞎眼蛇（像欧洲的无脚蜥蝎），所以没有作任何预防准备。突然，那条蛇张开了眼，但丢勒尔没有及时反应过来，没有从眼睁开这一新的信息想到这蛇是一种还不知道的而且很可能危险的蛇种。结果这条蛇果然有毒，丢勒尔被咬了一口，还差一点丢了命。
我们总是试图抓住我们的图式紧紧不放，甚至歪曲新的信息以适合我们的图式，而不是去改变我们的思想方式。很多年以前，有两位与埃斯彭物理中心有联系的物理学家在Marron BellsWilderness 爬山，当他们下山时迷失了方向，从山的南面而不是靠近埃斯彭的北面向山下走。他们向山下看，以为山下面的湖就是刻瑞特湖（Crater Lake），从这个湖他们可以认出回家的路。他们两人中的一个说，这个湖的边上有一个码头，而刻瑞特湖并没有。另一个物理学家回答说：“那一定是我们早晨离开后建造的。”勿需多说，一个失败图式绝望的防御最终总是错误的。这两位物理学家看到的是山另一边的阿瓦朗泽湖（AvalancheLake），结果他们在两天后才回到家。
再拿那条蛇来说，既然知道那条蛇实际上并不瞎，那么根据我们熟悉的创造性思想，就应该知道那条蛇很可能有毒，这样，我们就会从一个吸引域逃到另一个域。湖的情形也一样，既然山下的湖有码头，因此不像刻瑞特湖，那么就应该另寻道路。现在我们的讨论要强调的是：获得这些思想的过程，在很多情形下可能与他们的需要不能齐头并进。
众所周知，各个商业公司在判断变化的市场条件以便迅速跟上这种变化时，常常顾此失彼。在当今美国，减少战备经费意味着那些迄今主要为防卫而进行生产的工厂，应立即转为民用生产。这些公司由于几十年都与军事部门和相关的政府代理机构打交道，所以他们关于市场的认识就常常受到这种经历的制约。在与军事部门打交道时，出售一种产品也许只需与海军上将共进午餐就行了，而不必像民用商业的竞争那样精心策划。更有甚者，改变这些图式的机制和回应选择压力，常需几年的运作，然而与防御有关系统的需求却可能在一两年内急剧减少。如果管理人员（或者替代的新管理人员）不引入一种新的机制，以便能够更快对市场需求作出反应，那么他们公司的前景就不会光明。当环境的变化快于一种进化过程而使后者不能与之适应，这是一种挑战。这种挑战将深刻影响到生物圈和作为一个整体的人类。人类文化的进化，特别是通过技术领域的进步，使得人类有可能在很短的时期里使人口急剧膨胀，也使得每个人对其他人和对环境产生不利影响的能力大大增强。人体和其他有机体的生物进化，没有可能跟上文化的进化。我们人类自身的遗传图式大部分还反映50000 年以前的世界，不可能通过正常的生物进化机制在仅仅几个世纪里作出重要的改变。同样，其他有机体和整个生态群落也不可能迅速变化以适应人类文化引起的改变。
这就意味着，用以对付由强有力的技术武装起来的巨大人口数量所带来的结果，文化变化自身是唯一的希望。如果人类想聪明地对待自己的能力，那么合作（健康的竞争除外）和深谋远虑这两者都是当前最迫切需要的，可以说已经到了刻不容缓的地步。如果信任已经建立起来，那么在处理一些最紧迫的事情，如利用遗传和其他工程的未来进展进行人类或其他有机体的人工改变时，合作和深谋远虑则更加紧要。
当人类面临无数盘根错节事件显示出的巨大复杂性时，深谋远虑要求我们具有以下各种能力：认知和收集大量有关的信息；迅速利用由分枝的可供选择的未来历史所提供的信息；以及聪明地选择简单和相似的信息，以便不必牺牲那些有重要价值的成果。功率巨大的计算机在预测未来将起到重要的本质上的作用，但是我们不能允许它们把对问题的详细叙述，以牺牲其重要性为代价，而偏向于可定量和可分析。
在这一点上，我们简略地了解一下计算机对复杂问题能够提供的简化模型，是十分适宜的。像复杂适应系统运作的计算机可以在以下两方面为我们尽力：它们自己可以学习或适应；它们可以模仿或模拟真实世界，这个世界正是它们要学习，或适应，或涉入的世界。第二十章 学习或模拟学习的机器
计算机可以像复杂适应系统那样发挥作用。可以将硬件设计得能完成这些作用，也可以为有普通硬件的计算机编制学习（或适应、涉及）的程序。到目前为止，大部分这些设计或程序还得依靠模拟一个简化的图像，这是某些有生命的复杂适应系统如何工作的图像。神经网络计算
一个计算机复杂适应系统的人所共知的典型例子是神经网络，它可以实施软件或硬件的功能。我们设计一个大致上的模型，看哺乳动物（尤其是人）的大脑将如何运作。我们从许多组的结（nodes）或单元开始，这些结或单元通常称之为神经元，不过我们对大脑中个体的神经元到底对应于什么，还远没有弄清楚。每一个单元用比特来描述每一时间瞬间的特性，1个比特（0 或1）是用来指出“神经元”是触发了还是没有。每一个单元都与其他某些或所有单元有关联，而任何单元对任何其他单元的影响的强度可以是正，也可以是负，这决定于这两个单元的运作。如果第一个单元激发了第二个，就是正；如果抑制了，就是负。在学习过程中，这些影响的强度不断地在变化。神经网络计算可以在一般的计算机上实现。在这种情形下，单元和单元对其他单元的刺激或抑制效应，由软件负责。这时单元仅仅作为计算的元素而存在。为实现网络，也可以利用特殊的计算机硬件，这时网络将由分离的计算单元组成， 而这些单元则按并行处理格式（ parallelprocessing format）安排。
有许多问题已开始由神经网络计算来处理了，其中一个例子是学习用正确发音来大声朗读英语课本。因为英语拼音常常不按语音学规则，这是众所周知的，因此大声朗读的练习十分重要。计算机发现了大量的通用规则和一些意外的情形，这些意料之外的情形可以看成是特殊的附加规则。花了足够的时间和朗读了足够的课本之后，不仅那些通用规则而且那些特殊的规则都会呈现出规律性。利用神经网络来学习大声朗读英语，必须发挥它作为一个复杂适应系统的作用。还必须在一批教材中，对各种规律性东西进行各种试验性识别，把有关规律性的信息压缩成图式，然后把这些图式用于更多的教材，让它们与其他图式进行竞争，以便尽可能得到正确的发音。这种学习称之为有监督式学习（su…pervised learning），它与另一种发音图式不同，这后一种图式是用英语讲话给计算机听，看它们能不能听懂。但这种图式并不为人们提供有用的正确答案。而有监督的学习则根据一种教材正确的发音与根据图式得到的发音之间的大量差异，指出什么是合适的发音。
在NET（网络）对话时，正如赛伊洛夫斯基（TerrenceSe…jnowski）和罗森伯格（C．R．Rosenberg）在1987 年改进的那样，输入数据由7 个连续的字符组成（每一个字符可以是26 个字母中的一个，或者是一个空格、一个逗号，也或者是一个句号），这些字符根据某本书面英语教材（written English text）确定。然后在一个移动窗口显示，并逐步对整个段落进行扫描。输出则是七个字符中间那个字符的发音编码；这个编码馈入一个语言发生器。
输入与附有一组7×29（=203）单元的比特是一致的，而输出则与26个其他单元有关的比特相一致。还有80 个附加单元帮助学习。这个图式用几组相互作用强度来描述，这儿的相互作用限制在输入单元作用在辅助单元上的效应，和辅助单元作用在输出单元的效应上。所有其他相互作用强度选定为零，恰恰只需保持过程易于管理就行了。
网络要被调试成可以利用1024 个单词组成的字符，伴以“教师”（这教师是对所有字符编码后的序列）给出教材上的正确的英语发音。在首次调试操作时，要把整个教材过一次，强度从任意值开始，然后当7 字母窗口的中心一个字母跟随一个字母地扫过整个教材，在这过程中改变强度（利用一种专门知识）。在每一步中，输入和强度必须馈入一个简单的公式，这公式可以指出试发语音的候选输出值。在正确发音和候选输出之间的差异就被减化到利用一个相关的简单公式来修正其强度。首次调试操作结束时的强度，被作为用同样1024 单词作第二次调试操作的初始强度。以后照此调试下去。
调试成功意味着在最类似正确发音值附近，强度只有小小的偏离，而不会有太大的涨落。如果1024 个单词在10 次调试操作后就能清晰地讲话，那么在50 次调试操作后，其发音的精确性估计可达95％的水平。在调试之后，最终的强度可以用于读其他一些教材，而且用不着再教。清晰地讲话，其精确程度已达到78％了。神经网络的复制程序还多得很，它们可以用来解决许许多多的问题，而且通常都取得相当的成功。这些图式常常用一组相互作用强度来描述，每一种描述都描述了一个单元作用于其他单元的效应。我的一位加州理工学院的同事霍普菲尔德（John Hop… field）在1982 年指出一种情形，如果人为地对这些强度施加影响，那就不仅允许明确界定的适应性，而且在学习过程中还会不断增加适应性。我们要求任意单元A 作用到另外一个单元B 的强度，与B 作用于A 的强度相同。这种情形对真正的大脑来说，几乎肯定是不现实的，并且也违背了许多成功的神经网络的情形，包括NET对话。但是，这种情形很有启发意义，的确在有些情形中，适应性既可明确界定又可不断增加，而在其他情形下不能如此。
如通常的情形一样，当明确界定适应性这个概念以后，学习过程就是在一个适应性景观中探索一个凹部的过程。如果适应性还在不断地增加，则高度不断降低，这样，就会常常出现这样的问题，适应性将落进深谷旁边的浅洼里，但是可以由引入噪音而得到改善。以上情形可以用轻微改变强度来实现，改变要经常随机地进行。当人们想寻求创造性思想时，这些在图式之内的随机变化类似于那些让人们慢慢走出思想常规的建议。如通常情形一样，这儿有一个噪音的最佳水平。作为一个复杂适应系统的遗传算法
既然神经网络是以大致上与较高级动物的学习类似的情形为基础，人们可能会问：以计算机为基础的复杂适应系统，能不能被看作是一种与生物进化的近似呢？密执安大学的霍兰德（JohnHolland）在这方面作了开拓性研究，他还是圣菲研究所的主要支持者。这个系统利用了“遗传算法”（genetic algorithm，这是一种特殊的“分类器系统”）软件和传统的计算机硬件。至今为止，这个系统大部分被用来解决那些适应性已被明确界定的问题，例如为西洋跳棋获胜制定策略，或为最便宜价格设置线路系统等等。不过，我们没有理由认为这些系统不能用于其他种类的问题。
对遗传算法软件可以用一种高度简化的描述。每一种图式对一个候选策略或方法，都是一个计算机程序。每一个这样的程序都是由许多计算机指令组成。图式的改变由这些指令的改变来完成，举例说，有两个指令像图20—1 所示，正经历一种交叠过程，这种过程在生物的有性繁殖中可以出现。这两个指令在某一点都可以分成一个开始或者一个结尾这样的两部分。交叠（crossing…over）则引起两个新指令的产生。其中一个新指令由第一个旧指令的开始部分和第二个旧指令的结尾部分组成；另一个新指令则由第二个旧指令的开始部分和第一个旧指令的结尾部分组成。用新指令代替一个或多个指令的办法修改一个计算机程序，有时可以改进指令的适应性，但有时也会削弱其适应性。要想判断每种修正的价值，只有将不同的程序在要解决的问题上进行实图20—1 计算机指令的交叠验才行。（所谓“信用测试”（credit assignment）就是要作出这种困难的判断。）约翰·霍兰德的分类器系统提供了一种市场，其中竞争指令是买和卖。那些可以记录改进程序性能系统，比起那些性能没有改进或更差一些的系统，其价格应该要高一些。在前者的情形下，系统具有有序指令表。新的指令不断地进入，而指令表底端的一些指令被删除，为新指令留下空地方。指令表顶部的一些指令用于修正了的程序，这些程序构成变化了的图式。
这仅仅是对于一个十分复杂的过程最粗略的草图。即使如此，十分清楚的是，程序逐渐成为一个结果，而适应性则在进化过程中有增加的趋势。一个程序的性能所具有的反馈不是一个刻板的规则，但是一般说均有受市场条件影响的趋势。因此，在系统中有足够的噪音允许逃离较小的适应域，于是附近的深度可以被查明。具有一般性的是，这系统探寻出一个巨大的可能方法或策略的空间，而并不达到一个稳定的状态——一种绝对的最佳状态。例如在下棋时，最佳策略至今仍未发现。但是，如果我们下的是三连棋，那么，机器将很快发现最佳下�
