复杂性中的思维-第27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！
飨嘤τ谀Ｊ缴善诩涫芤凼沟淖酉低常ㄍ�5．24）。
如果将作为原型学习的一小部分脸部提供给一台协同计算机，那么它就能够用编码了的姓名来完成整张脸（图5．24b）。不同程度的模糊图像序列相应于协同计算机中状态的相变。
当一个不完整的模式提供给神经元，在不同神经元状态——每一状态都相应于一个特定的原型模式——之间的竞争就开始了。这种竞争中取胜的是相应于原型模式的神经元系统的整体状态，它对所提供检验的模式有最大的相似性。与对于模式形成有效的动力学完全相似，当一个检验的模式提供给协同计算机时，它将把检验的模式从起始状态（t＝0）拉向一个特定的终态，相应于原型模式之一。
检验模式的演化，可以用势场中具有一定位置矢量的粒子的阻尼运动来说明。图5。24c示意了一个这种二维势场的例子。这两个原型相应于两个低谷。如果提供了一个模式，它的特征不可能精确地表明与原型的特征一致，那么该粒子的位置就处于势场的低谷之外。显然，识别是一种对称破缺，这已在图4．20a中的一维例子中进行了说明。
在协同学系统中，势场地形的形状可以由调整序参量来改变。由于协同学系统是开放的，控制参量可以代表能量、物质、信息或其他来自系统环境刺激的输入。当控制参量低于某个临界值，地形可以具有一个稳定的位置如图4．20a中的用虚线标出的一个低谷。在涨落引起的每一激发以后，序参量弛豫地向其静止态演化。当控制参量超过了一定的临界值时，先前稳定的状态就变得不稳定了而被图4．20a中两个低谷的两个稳定状态所取代。
协同计算机的学习程序相应于势场地形的构造。势强度用地形形状表示，示意神经联接的突触力。协同学探究方式的一个优点在于，标志着一个模式的数量巨大的微观细节是用一个宏观序参量来确定的。因此，协同计算机运用了典型的复杂性约化方法，这种方法已经应用在自然进化的协同学模型中（对照3．3节）。
序参量方程允许一种新的（非霍布的）学习，即一种最小化突触数量的策略。与旋晶类型的神经计算机（例如霍普菲尔德系统）相比较，神经元不是阈值元素，而是实施简单的乘法和加法。但是，旋晶类型的神经计算机与协同学计算机的基本区别在于：旋晶类型的复杂系统是物理学上的封闭系统。因此，它们的模式生成是由保守自组织推动的，没有任何的能量、物质或信息从外部输入。由保守自组织形成的典型模式是冬天窗户上的“死的”冰花，它们是在低能低温的平衡态冻结起来的。保守自组织的相变可以完全用波耳兹曼的平衡热力学原理来解释。
在3．3节中，我们已经解释了活系统的模式生成。它只有在远离热平衡时输入能量、物质或信息，才是可能的。这种自组织叫做“耗散”自组织（普里戈金）或“协同”自组织。然而，它们甚至也是可以在物理学、化学进化中发现的。因此，作为活系统的人脑敏感地依赖于来自外部世界的涨落，它将为协同学框架中的新计算机技术提供“蓝图”或模型。自旋玻璃类型的神经计算机对于特定的技术目的可以是实用的、成功的。但是，由于它们是物理上封闭的系统，在原则上不同于如人脑这样的活系统中发生的东西。
协同计算机的模式识别过程自发地产生出对于平移、旋转和标度的不变性。这些识别特征相应于现实的情形。例如，脸部并非总是如同学习阶段给出的那样，而是它们可以平移、旋转、缩小和放大、靠近和置远。协同计算机的一个出色的应用，是振荡的识别（例如两可图）和感知滞后现象。图5．25a示意了一个人们熟悉的滞后现象的例子。当人们的注视力开始从图的左边移向右边，一张男人的脸将在大约6幅模式以后变成一个女孩脸。当人们从相反的方向来进行，从感知到女孩变到一张男人的脸只有在接近左端时才发生。
图5。25b示意了协同计算机在特征序参量的时间演化中的感知过程。间断线指的是解释“女孩”，实线指的是感知“脸部”。第一幅图示意了，从男人脸的感知向女孩的感知的转移，第二幅图示意了从女孩的感知向男人脸的感知的转移。
也许可以提出反对意见，认为至今协同计算机仍然必须用传统的串行计算机来模拟。协同计算机的原理仅仅是在软件领域中实现了，而不是在机器的硬件中得到了实现。但是协同学及其跨学科应用将导致它的材料和技术上的实现。如同激光是一个为人们所熟悉的协同学模型（对照2．4节），它可能在协同学原理的光学计算机的构造中起着根本性作用。在激光中，不同的模出现依赖于激光阈值的临界值。它们可以由它们的光子数来标志。在微观水平上，光子数目的变化率是用非线性演化方程来描述的，依赖于模的获得、丢失和饱和。在宏观水平上，序参量相应于标志若干种光波迹的场幅度（图2．28a，b）。
这是主张一种3层的构造，数据的输入层可以用全息图映射到激光上。激光及其序参量是中间层。它利用它的模，通过自组织起着决策装置的作用。在役使原理意义上的生存的模，
激发起新的特征集合。这种水平被设想为输出层。协同计算机的激光构造当然必须得到实验的证实和改进。一台协同计算机将是一种真正的远离热平衡的耗散系统。
显然，复杂动力学系统对于模拟认知行为和技术系统也很有用。人脑可以作为非线性复杂系统来建模，其动力学可以受到不动点、周期或准周期吸引子，甚至是混沌吸引子的支配。例如，实验上已经证明，混沌是一种有效的大脑再置的机制。在对兔子的嗅觉球进行了研究以后，人们对于种种气味的识别已经用神经网络趋向环状渐进状态的滞后现象进行了建模。混沌态在发散、消除先前的气味记忆时就出现了。在发散期间，特定气味作为输入推动了系统趋向相应于该气味的极限环。
混沌态的技术应用是颇为有趣的，因为混沌系统能够产生信息。人们熟知的是，混沌系统敏感地依赖于其起始条件。因此，在动力学演化过程中，两条轨迹可以在一定时间惊人地分开，甚至它们的起始条件仅仅有微小差别时也是如此。由于任何观测都只能以有限精度来实现，因此就可能存在着两种不同的状态，其间的距离要小于我们的分辨能力。在初始状态，观测者看它们是相等的。但是，经过一段时间以后，一个混沌系统就使得在初始看来等同的状态之间的差异表现出来。
实际上，人们已在若干工业领域中对神经计算机的技术应用进行了探索。例子有机器人学、航空学和宇航学（敏感和适应系统，空中导航等等）、医学（医疗数据、治疗和诊断等等的评价和控制）、工业生产（质量控制、产品优化等等）、安全技术、国防、通信技术、银行、邮政等等。技术中的复杂系统探究方式不应该被看作是对于经典AI的竞争甚或对立。在目前的技术发展状态，神经网络和经典的AI系统如专家系统看来是很有用的，并适用于不同的应用领域。对于信号、图像、语音、语音合成、机器人中感觉运动协调等等的分析和识别，复杂系统显得比经典的AI系统更为合适。显然，这些神经网络的例子并非是单个的计算机或机器人，而是指不同程度的复杂功能，它们集成在多任务的复合系统中。从拟人的观点看，由神经网络实际上管理的这些问题，可以划入“低级水平”的问题。
在本章中，以AI类型专家系统为基础的推理模型已经失败了，因为它们精确的串行的程序行为是不容出错、没有灵活性的。与专家系统和知识工程相反，自组织的复杂过程不可能由明确形式化的专家知识来进行控制。另一方面，具有推理算法的以规则为基础的系统，在所有的具有逻辑结构的问题上都是成功的。例如，与感觉运动的协调相对照，逻辑编程显得是一种“高级水平”的知识。然而，低级水平的非线性动力学系统的问题却可以具有极其高度的复杂性。当然，非线性复杂系统并不局限于低级水平的知识，正如我们在前面的章节中已经看到的那样。复杂系统的原理看来是颇为适合于为高级功能建模，例如为概念、思维、自参照状态等等人脑的功能建模。但是，神经网络的技术仍然处于初期阶段。
在当今和未来的技术中，具有多模的基于规则和复杂动力学系统的多相系统对于专门用途的研究是有意义的。一个语音理解系统的构成中，可以包含实施语音识别的神经网络和可以进行句法和语法分析的基于规则的符号模式。混成系统集成了推理和动力学技术，可能对于若干种医学目的是很有用的。例如，设想一个系统，它可以用神经网络来识别和控制医学参量，并结合了与以规则为基础的演绎系统，此种演绎系统可以从识别出的数据中对于特殊的疾病进行诊断。如同大自然中的情形，一个工程师不应该教条地局限在某个“最优”策略上，而是要有目的地发现解答，最终把若干个解集成起来，但不必是最优解的集成。
5。4神经仿生学和电子空间
我们所有实现神经和协同计算机的技术努力，其目的是什么？复杂系统探究方式将使我们能够在科学、技术、工业、经济以及甚至在文化生活中，创建一种新的计算机辅助方法论。但是我们决不要忘记，必须对技术发展的方向及其伦理学目标作出决定。今天，目标是多种多样的，包括认识论的兴趣和科学的兴趣，还有技术、经济、文化以及最后——但不是最少——还包括军事上的应用。毫无疑问，医学研究和应用必定在所有这些研究目标等级中处于较高等级上。这里要提醒持有老观念的读者，医学的目的不仅仅在于从事科学的认知和研究，而且还在于运用。运用也不仅仅是工程意义上知识的技术应用，而且也是为了医治、帮助和康复。知识和研究不过是实现医学的这种基本目的的工具，自从希波克拉底时代以来医学的基本目的就是保护生命。
人的中心器官是大脑。因此，医学上保持大脑健康的任务这种重大责任就落在了神经医生身上。他们必须将其医学治疗看作是针对整个心…脑实体。为了对人的心…脑实体提供最仔细的可能医学治疗，需要一个应用性研究来致力于拓展和提高诊断和治疗能力，包括可能的神经手术、手术计划、手术技术和术后恢复。正如我们已认识到的，人的心…脑实体是进化中最复杂的系统。包括计算神经科学、物理学、工程学、分子生物学、医学和认识论的跨学科研究纲领，对于处理这种复杂系统是必要的。这也就是为什么，一些科学家已经开始了对大脑和精神的跨学科研究纲领，包括伦理学和人类学方面。我们将其称为“神经仿生学”。
一般地，“仿生学”意味着用技术的和人工的程序和系统模拟自然功能和过程。众所周知的例子是，飞机和潜水艇的设计模仿了鸟类和鱼类身体的空气动力学。历史上，仿生学是人类的一种古老的梦想，即试图以用技术手段去模拟自然原理，从而解决复杂的生命问题。在这种传统中，神经仿生学意味着，阐明普通的技术－生物学如何去加强自然神经元的发生学和功能性质以及发展起神经修复术，制备出以硅片和（或者）有机材料为基础的类似于大脑的计算机系统。这并非一幅令人毛骨悚然的弗兰克斯坦的妖怪图景。为了推动人们投身于这些研究目标，只需要让人们看一看患有大脑肿瘤或受意外伤害的病人的凄凉情景就可以了。
神经外科是关注中枢神经系统和人脑的专门医学学科。由于大脑是人的人格和智能的生物媒体，神经外科医生不仅仅要弄清有关大脑的神经学的原理，而且还要获取人的精神及其功能的知识。神经外科已经在病人治疗上取得了进步。通过引入诊断影视程序如计算机化和核磁共振断层照相术，手术中运用微手术程序，在这方面取得了显著的成功。
不过，关于脑疾病人治疗的根本性问题仍然没有解决。例如，成人的中枢神经系统中，从功能角度看，仅仅可以换掉非常有限的受损区组织。这是由于与身体中的其他细胞截然不同，神经细胞在胚胎阶段完成以后不可能进一步分裂。只有胚胎的组织才有这样的潜能，可以使自己适合于周围的宿主组织。所以，疾病或事故引起神经细胞组的损坏往往导致永久性功能障碍。在这个应用领域，人工复杂系统及其自组织原理将受到高度关注。
医学史上曾有过用自体移植物来恢复受损的周围神经的尝试。这种方法是以这样的事实为基础的：甚至成人也有能力再生神经细胞的伸展，这种伸展从脊髓索状组织伸向末梢区域直到目标器官。因此，部分功能上不重要的敏感神经被从身体中的适当地点移走，并插入想要恢复的被打断的神经区域。然而，被打断神经纤维的再生至今还没有得到完全的理解。因此，控制移植物的生长是不可能的，移植物中包括了数百的单个神经细胞伸展——它们应到达目标器官。由于中枢神经细胞是不可能再生的，对于非常接近脊髓索状组织的中心受损，移植也是无效的。
对于周围神经移植的一个改进是在分子生物学的领域中提出来的。对于神经细胞及它们联接的细胞如星状细胞和施旺细胞的生理学和生物化学的理解，可能导致新的神经移植方法。一种中枢神经系统中组织替代的高级方法是身体中自己的细胞移植，这样的细胞在移植前已是遗传上选择过并适应了的。神经生长因子的效应、在移植源和受体大脑的目标区域之间的关系，以及许多其他分子生物学的问题都必须加以调查研究。这些方法是以遗传工程的知识为基础的。
另一个周围神经移植的可能的方法，是运用人工的而不是生物的移植体。用人工替代物来恢复神经系统的受损部分，这在医学和神经病学中都已经进行了尝试。
人工移植体配有学习算法作为自然的“蓝本”。与MCP（麦卡洛克和皮茨）网络不同，它们是工作在真实时间中的BPN（生物脉冲处理）网络。图5．26示意了这种神经－技术植入体的一般图式：学习神经网络编码感觉和运动控制信号，使之成为许多平行脉冲序列，它们被一组植人的微接触体接受，以刺激未受损的神经（图5．26a）。由神经寄存的信号，被神经网络解码，用来控制运动修补体（图5．26b）。
人们对于脊髓索状组织受损的病人，也尝试了借助于BPN系统的电刺激来增进其站立和行走功能。假定末梢组织器是未受损的，末梢神经的电刺激引起了肌肉的收缩。这是由适应性学习网络的平行脉冲引起的，学习网络对病人的感觉系统的听觉命令进行编码（图5．26a）。这个系统具有学习能力，因为它通过把感觉反馈到运动的腿上，以适应特定的病人条件。但是，此系统仍然依赖于病人的意识和说话。在下一步的研究中，脑的无意识的意向性必须由脊髓索状组织中寄存的信号进行解码。然后这些信号可以被例如无线电波送往具有适应性神经编码器的接受器中，再引起如图5．26a所示的肌肉收缩。
有一项雄心勃勃的神经技术项
