大腦如此複雜， ta有大約100億個神經元， 有大約100萬億個連結。 我們經常拿人腦和電腦做類比， 也許因為電腦也是一個具有巨大解決問題能力的複雜系統。 大腦和電腦都有大量的基本單元， 例如大腦的神經元和電腦的電晶體， 它們皆是連接到複雜的電路（circuit）中， 以處理由電信號傳送的重要資訊。 在宏觀角度來看， 大腦和電腦的架構有相似的地方， 它們是由輸入， 輸出， 中央處理和記憶體等大部分獨立的電路組成。
那麼， 哪種解決問題的能力更強呢？大腦還是電腦？鑒於過去幾十年電腦技術的迅速蓬勃發展， 你或許會認為電腦更有優勢， 更高效。 的確， 電腦已經可以在很多方面和很多複雜的遊戲中輕輕鬆松地打敗人類了（還不是人類設計的）。 例如， 上世紀90年代的國際象棋和最近的Go， 以及百科知識競賽， 等等。 但是， 不可否認的是， 人類在許多工的執行上仍然勝出電腦一籌，
為什麼電腦擅長某些任務， 而大腦在其他方面更好呢？ 比較人腦和電腦的時候無論對電腦工程師還是神經學家都很有啟發。
電腦的優勢
通過上表我們可以看出， 電腦在基本操作速度方面， 和人腦相比， 有巨大的優勢。 目前來說，
神經元“激發”動作電位- 在神經元細胞體附近引發的電信號的暫態提高（spikes）， 這些spikes沿著軸突傳送到下游與其匹配連接的神經元。 資訊根據這些spikes的頻率和時間進行編碼。 這是電傳送。
另一個例子是， 神經元主要通過在突觸的軸突終端的釋放特定化學神經遞質， 來將資訊傳遞給與其相匹配的神經元， 而匹配的神經元在突觸傳遞的過程中將神經遞質的結合轉換回電信號。 最快的突觸傳輸大約需要1毫秒。 這是化學傳送。
因此無論是電傳送還是神經遞質的化學傳送方面， 大腦每秒最多可執行大約1000次基本操作， 或比電腦慢1000萬次。
除此之外，電腦在基本操作的精確度方面也大大的優於人腦。電腦可以根據二進位分配的資訊（只由0和1組成）便可以表示任何精准的數量。例如，一個32位元的數字，在232或者42億的精准度都為1。相比之下，根據研究證據，人腦的神經系統中的大部分“量”，如神經元的發射頻率，比電腦相差數百萬倍。
人腦的優勢
但是！大腦的運算不緩慢，也不是不準確。
例如，職業網球運動員可以追蹤一個高達每小時160英里的網球的軌跡，移動到球場的最佳位置，放好ta的手臂，並將球拍擺動到球的位置，把球還給在對方球場的對方球員，這一切都在幾百毫秒內完成。
此外，大腦在控制軀體的情況下，可以完成所有以上陳述的任務或行為，但消耗的功率比電腦低大約是被。
大腦是如何做到的呢？
人腦和電腦其中一個重要的區別就是它們在每個系統內處理資訊的模式。
電腦和人腦都懂得以連續（serial）步驟執行任務。由電腦工程師通過創建順序指令來實現，電腦內連續的操作，每個步驟都需要高精准度。大腦也使用連續步驟進行資訊處理。例如上述網球的例子，資訊從眼睛到大腦，然後到脊髓，以控制腿部，軀幹，手臂和手腕的肌肉收縮。
但是，大腦也採用大規模的平行（parallel）處理模式，利用大量神經元以及它們之間大量的聯結。
例如，移動網球啟動視網膜中的許多細胞（光感受器），可將光轉換為電信號。這些信號然後被並行地傳送到視網膜中的許多不同類型的神經元。當源自感光細胞的信號通過視網膜中的兩個至三個突觸連接，球的位置，方向和速度的資訊就可以通過平行神經網路傳輸到大腦。
同樣的，運動皮層（負責意志運動控制的大腦皮層的一部分）平行的發送命令來控制腿部，軀幹，手臂和手腕的肌肉收縮，從而使身體和手臂同時運動做好準備，接收傳入的球。
這種大規模的平行測量之所以可行，因為每個神經元可以從許多其他的神經元中收集資訊，並將資訊發送給許多其他神經元。例如哺乳動物神經元的輸入和輸出平均數量級為1,000，而相比之下，每個電晶體只有三個節點用於輸入和輸出。與此同時，處理相同資訊的神經元們可以把資訊集中輸入到一個下游神經元（下游神經元對於提高資訊處理的精准度非常有用）。例如，單個神經元攜帶的資訊是noisy的，嘈雜的（例如精准度為100），但是通過100個攜帶相同資訊的神經元資訊的疊合，下游神經元收集到的資訊精准度可以達到約1000.
在基本單元的傳令模式中，電腦和人腦有相似也有不同之處。
電腦中，電晶體採用數位信號（digital），它使用離散值（0和1）來表示資訊。
人腦中，神經元軸突中的峰值（spikes）也是一種數位信號,因為神經元的spikes是all-or-none, 0/1，在一定時間內，spikes發射或者不發射。而當發射的時候，spikes的大小和形狀大致相同，有助於穩定的長距離的峰值傳播（spike propagation）。
然而，神經元也利用類比信號（analog），類比信號通過連續的值來表示資訊。一些神經元（例如我們視網膜中的大多數神經元）是不會產生spikes的，它們的信息輸出是通過分級的電信號。與spikes不同，分級的電信號的大小可以不斷變化，而且可傳輸更多的資訊。樹突也使用類比信號來集成數以千計的輸入，從而夠執行複雜的計算。
最最最重要的是，正如之前網球的例子，大腦的神經元之間的連接強度是可以根據我們的活動和經驗而調整修改的，這也是大家熟悉的學習和記憶的過程和方式 （neurons that fire together wire together）。重複的訓練使得我們的神經元“電路”更好的執行任務，提高速度和精度。
總結
在過去的幾十年裡，電腦工程師們從人腦中攝取靈感來不斷改進電腦。現在，平行處理以及可根據使用而增加的連接強度都被納入了現代電腦。
例如，在電腦中使用多個處理器（多核）來源於人腦平行處理的靈感。
又例如，機器學習和人工智慧領域的“深度學習”近年來的巨大成功，在物體是被，語音辨識等方面取得迅速進展，得益於我們對哺乳動物視覺系統的認識。和哺乳動物的視覺系統一樣，深度學習採取來多層來表示越加抽象的特性，以及不同層之間的權重可以通過學習來調整。這些進展已經開拓了電腦能夠執行的任務和執行能力。
儘管如此，我們必須承認人腦比電腦仍有更高的靈活性，普遍性和學習能力。隨著神經學家對大腦的理解加深，發現更多有關大腦的秘密，電腦工程師可以繼續從中獲得靈感，進一步改善提高大腦的架構和性能。無論誰是贏家，跨學科的合作和研究一定會推動神經解學和電腦的發展。
翻譯by: Sharon.
聯繫郵箱：brainnews@163.com
微信號：brainnews_01
今日頭條：brainnews
除此之外，電腦在基本操作的精確度方面也大大的優於人腦。電腦可以根據二進位分配的資訊（只由0和1組成）便可以表示任何精准的數量。例如，一個32位元的數字，在232或者42億的精准度都為1。相比之下，根據研究證據，人腦的神經系統中的大部分“量”，如神經元的發射頻率，比電腦相差數百萬倍。
人腦的優勢
但是！大腦的運算不緩慢，也不是不準確。
例如，職業網球運動員可以追蹤一個高達每小時160英里的網球的軌跡，移動到球場的最佳位置，放好ta的手臂，並將球拍擺動到球的位置，把球還給在對方球場的對方球員，這一切都在幾百毫秒內完成。
此外，大腦在控制軀體的情況下，可以完成所有以上陳述的任務或行為，但消耗的功率比電腦低大約是被。
大腦是如何做到的呢？
人腦和電腦其中一個重要的區別就是它們在每個系統內處理資訊的模式。
電腦和人腦都懂得以連續（serial）步驟執行任務。由電腦工程師通過創建順序指令來實現，電腦內連續的操作，每個步驟都需要高精准度。大腦也使用連續步驟進行資訊處理。例如上述網球的例子，資訊從眼睛到大腦，然後到脊髓，以控制腿部，軀幹，手臂和手腕的肌肉收縮。
但是，大腦也採用大規模的平行（parallel）處理模式，利用大量神經元以及它們之間大量的聯結。
例如，移動網球啟動視網膜中的許多細胞（光感受器），可將光轉換為電信號。這些信號然後被並行地傳送到視網膜中的許多不同類型的神經元。當源自感光細胞的信號通過視網膜中的兩個至三個突觸連接，球的位置，方向和速度的資訊就可以通過平行神經網路傳輸到大腦。
同樣的，運動皮層（負責意志運動控制的大腦皮層的一部分）平行的發送命令來控制腿部，軀幹，手臂和手腕的肌肉收縮，從而使身體和手臂同時運動做好準備，接收傳入的球。
這種大規模的平行測量之所以可行，因為每個神經元可以從許多其他的神經元中收集資訊，並將資訊發送給許多其他神經元。例如哺乳動物神經元的輸入和輸出平均數量級為1,000，而相比之下，每個電晶體只有三個節點用於輸入和輸出。與此同時，處理相同資訊的神經元們可以把資訊集中輸入到一個下游神經元（下游神經元對於提高資訊處理的精准度非常有用）。例如，單個神經元攜帶的資訊是noisy的，嘈雜的（例如精准度為100），但是通過100個攜帶相同資訊的神經元資訊的疊合，下游神經元收集到的資訊精准度可以達到約1000.
在基本單元的傳令模式中，電腦和人腦有相似也有不同之處。
電腦中，電晶體採用數位信號（digital），它使用離散值（0和1）來表示資訊。
人腦中，神經元軸突中的峰值（spikes）也是一種數位信號,因為神經元的spikes是all-or-none, 0/1，在一定時間內，spikes發射或者不發射。而當發射的時候，spikes的大小和形狀大致相同，有助於穩定的長距離的峰值傳播（spike propagation）。
然而，神經元也利用類比信號（analog），類比信號通過連續的值來表示資訊。一些神經元（例如我們視網膜中的大多數神經元）是不會產生spikes的，它們的信息輸出是通過分級的電信號。與spikes不同，分級的電信號的大小可以不斷變化，而且可傳輸更多的資訊。樹突也使用類比信號來集成數以千計的輸入，從而夠執行複雜的計算。
最最最重要的是，正如之前網球的例子，大腦的神經元之間的連接強度是可以根據我們的活動和經驗而調整修改的，這也是大家熟悉的學習和記憶的過程和方式 （neurons that fire together wire together）。重複的訓練使得我們的神經元“電路”更好的執行任務，提高速度和精度。
總結
在過去的幾十年裡，電腦工程師們從人腦中攝取靈感來不斷改進電腦。現在，平行處理以及可根據使用而增加的連接強度都被納入了現代電腦。
例如，在電腦中使用多個處理器（多核）來源於人腦平行處理的靈感。
又例如，機器學習和人工智慧領域的“深度學習”近年來的巨大成功，在物體是被，語音辨識等方面取得迅速進展，得益於我們對哺乳動物視覺系統的認識。和哺乳動物的視覺系統一樣，深度學習採取來多層來表示越加抽象的特性，以及不同層之間的權重可以通過學習來調整。這些進展已經開拓了電腦能夠執行的任務和執行能力。
儘管如此，我們必須承認人腦比電腦仍有更高的靈活性，普遍性和學習能力。隨著神經學家對大腦的理解加深，發現更多有關大腦的秘密，電腦工程師可以繼續從中獲得靈感，進一步改善提高大腦的架構和性能。無論誰是贏家，跨學科的合作和研究一定會推動神經解學和電腦的發展。
翻譯by: Sharon.
聯繫郵箱：brainnews@163.com
微信號：brainnews_01
今日頭條：brainnews