1986年1月，我开始在加州大学伯克利分校学习。我所做的第一件事，就是整理有关智能和大脑功能理论研究的历史。我阅读了上百篇由解剖学家、生理学家、哲学家、语言学家、计算机科学家和心理学家所著的论文。来自于不同领域的研究者们发表了大量关于思维和智慧的见解，各个领域都有专门的刊物和术语。然而，我发现这些见解既不一致，也不完整。当谈到智能时，语言学家总是会使用“句法”和“语义”等术语，在他们眼中，大脑和智能只同语言有关；视觉科学家习惯于谈论2D、2.5D和3D图像，大脑和智能对他们来说，只与视觉模式识别有关；计算机科学家们则津津乐道于由他们所提出的“模式”和“框架”等表征知识的新术语。没有人提及大脑的构造，也没有人关心这些理论在大脑中究竟如何实现。另一方面，解剖学家和神经生理学家撰写了大量有关大脑构造和神经元作用机理的论文，但对于建构大规模理论却退避三舍。毕竟，想要从各种研究方法以及随之而来的堆积如山的实验数据中寻找方向，实在是一件让人头痛的事。

就在此时，一种新的智能机器研究途径开始崭露头角，为人们带来了希望。虽然早在20世纪60年代后期，神经网络就已经开始以这样或那样的面目出现，但在当时，它同人工智能研究在投资份额和关注度方面存在着激烈的竞争。人工智能就像一只体重800磅的大猩猩，将神经网络研究压制得无法抬头。神经网络的研究者在许多年间一直被列于投资方的黑名单上，只有少数人还在继续关注他们。直到20世纪80年代中期，这一领域才终于得以重见天日。我们很难确切地知道，神经网络为何突然变成了热点，但人工智能的节节失败无疑是其中的因素之一。人们在寻找人工智能的替代品，而最终在神经网络领域看到了希望。

相对于人工智能的方法，神经网络算得上一个真正的进步，因为它的架构建立在真正的神经系统之上，尽管根基尚浅。与计算机程序员不同，神经网络的研究人员（也被称为联结主义者）的兴趣在于了解，如果将一群神经元聚在一起，它们会表现出何种行为。大脑由神经元组成，因此构成了一个神经网络，这是铁一样的事实。联结主义者们希望通过研究神经元之间的相互作用，弄清智能那难以捉摸的特性；他们还希望通过复制神经元群之间的连接，解决那些令人工智能一筹莫展的问题。神经网络与计算机的不同之处在于，它没有CPU，也不需要中央存储。整个网络中的知识和记忆都分散在它的连接上——就像真正的大脑一样。

从表面上看，神经网络似乎非常符合我的兴趣。但很快我对这一领域的希望就又幻灭了。那时，我已经形成了一个自己的看法：对于大脑的理解，有3个标准是必不可少的。第一个标准是，对于大脑功能的理解，必须考虑时间因素。真正的大脑始终在处理快速变化的信息流。在进出大脑的信息流中，没有什么是静止不动的。

第二个标准是，反馈的重要性。神经解剖学家一早就发现，大脑中充满了反馈连接。比如说，在新大脑皮层和丘脑之间连接的神经回路中，反馈连接（信息传递朝着输入的方向）的数目要比前馈连接多出将近10倍！也就是说，对于每一束向大脑皮层传递信息的神经纤维，都对应着10束向感觉器官传递信息的神经纤维。大脑皮层中的神经连接也绝大多数具有反馈功能。虽然反馈的确切作用尚无人知晓，但从已发表的研究报告中可以看出，它无处不在。据此我认为，反馈一定非常重要。

第三个标准是，任何理论或有关大脑的模型，都应该能够解释大脑的物理结构。新皮层并不是一个简单的构造，大家在后面的章节中将会看到，它有着不断重复的层级结构。任何不同于这一构造的神经网络，必定无法像大脑一样工作。

然而，神经网络刚一亮相，就定位于一些极为简单的模型上。这些模型对于上述三个标准无一满足。绝大多数神经网络都是由相互连接的三排神经元组成的。第一排神经元接受某种模式（输入），接着这些输入神经元同下一排神经元相连，我们称这些为“隐藏单元”。“隐藏单元”再与最后一排神经元（输出单元）相连。神经元之间的连接强度有强有弱，按照连接强弱的不同，一个神经元的活动可能会促进另一个神经元的活动，也可能会减弱第三个神经元的活动。神经网络就是通过改变这种连接强度，来学习如何将输入模式映射到输出模式上。

这些简单的神经网络只能用来处理静态模式，不涉及反馈，同大脑也没有任何相似之处。有一种最常见的神经网络，被称为“反向传播（back propagation）”网络，它能将一个错误从输出单元向输入单元传播来进行学习。你可能会认为这是反馈的一个形式，而事实上它不是。这种对错误的反向传送只发生在学习阶段。当神经网络经过训练，工作状态正常时，信息便只会向一个方向传送。在输出到输入的方向上，并无反馈发生。除此之外，这些模型中没有时间：一个静态输入模式被转化为一个静态的输出模式，紧接着又出现另一个输入模式。在这些网络中，哪怕对于刚刚发生的事情也不留存任何历史记录。最后，与大脑的复杂性及其层级结构相比，神经网络的构造显得太小儿科了。

我本以为神经网络领域会飞快地往更加仿真的网络发展，但它并没有。由于简单的神经网络已经能够做出一些有趣的事情，因此许多年后，研究还一直停留在这个层面。这种新鲜有趣的工具，一夜之间让成千上万的科学家、工程师和学生获得了资助、博士学位，发表了著作。利用神经网络进行股票市场预测、处理贷款申请、核对签名以及执行上百种其他模式分类应用的公司，也如雨后春笋般纷纷成立。尽管神经网络创建者的意图可能在于更为广泛的应用，然而当时在该领域居于主导地位的人们，对理解大脑如何工作以及什么是智能等问题，丝毫没有兴趣。

大众媒体对神经网络与智能之间的差别也不甚明白。报纸、杂志和电视科学节目将神经网络介绍为“像大脑一样”或是“以大脑工作原理为蓝本”。与处处需要编程的人工智能不同，神经网络通过事例进行学习，这让它多少看起来更智能一些。NetTalk即为其中的一个突出代表，它能够学着将字母顺序同读音一一匹配。由于这个神经网络是用印刷文本来训练的，因此它乍听起来就是用计算机的声音在朗读单词。不难想象，用不了多久，神经网络就可以同人类对话了。在全国新闻中，NetTalk被错误地介绍为一种能够学习阅读的机器。它虽然是神经网络的一个精彩展示，但所做的事情仍微不足道。它不会阅读，不能理解，且没有什么实用价值。它所做的只是将字母组合同预定的声音模式相匹配。

请允许我用一个类比来说明神经网络与真正的大脑之间差得有多远。想象一下，我们要研究的不是大脑的原理，而是一台数字计算机。经过多年研究后，我们发现计算机中的一切都是由晶体管构成的，亿万的晶体管以精确而又复杂的方式连接在一起。然而我们仍然不明白计算机是如何工作的，也不明白这些晶体管为什么要以这种方式相连。于是某一天，我们决定将几个晶体管连接起来看个究竟。结果我们发现，瞧，将区区三个晶体管以某种方式连接在一起，就构成了一个放大器，一端输入的信号在另一端就会被放大。（收音机和电视机里的放大器就是用晶体管以这种方式制成的。）这是一个重大的发现，一夜之间，使用晶体管放大器制造收音机、电视机和其他电子设备的新工业产生了。这固然是好事，但它还是没能告诉我们计算机是如何工作的。尽管放大器和计算机都是由晶体管构成的，但它们之间几乎再没有别的共同之处。同理，尽管真正的大脑同三排的神经网络都由神经元构成，它们也几乎完全不同。

我在1987年夏天遇到的一件事，又在我对神经网络本来就不太大的兴趣上泼了盆凉水。当时我参加了一个有关神经网络的会议，其间观看了一家名为Nestor的公司的展示。Nestor推出了一种在平板电脑上识别手写文字的神经网络应用，要价100万美元。这引起了我的注意。虽然Nestor大力鼓吹它的神经网络算法多么复杂精妙，甚至将其吹捧为另一个重大性突破，但我却觉得手写识别问题其实可以通过更为简单、传统的方法解决。那天我回到家里，反复思考这个问题。两天后，我设计出了一款速度更快、体积更小、使用更灵活的手写识别器。我的解决方案里并没有使用到神经网络，其工作原理也同大脑完全不同。尽管那次会议引发了我对设计带有触控笔界面的电脑的兴趣（并最终成就了10年后的PalmPilot掌上电脑），但它同样也使我更加确信，神经网络相对传统方法而言，并无太大的改善。我设计的手写识别器最后成为了Graffiti文本输入系统的基础，被广泛应用于第一代Palm产品上。我想Nestor在这场商业竞争中应该是被淘汰了。

简单的神经网络走到了尽头。尽管它们的大多数功能都能被其他方法轻易取代，最终媒体的关注热情也逐渐消散。但至少，神经网络的研究者们并没有宣称他们的模型是智能的，毕竟它们只是些极其简单的网络，功能上也没有超越人工智能。我在此并不想给大家留下一种印象，认为所有的神经网络都只有简单的三层变化。一些研究人员仍在继续研究设计不同的神经网络。如今，这个名词被用来描述一系列不同模型的集合，其中一些从生物学看来是精确的，另一些则不是，但它们几乎都没有抓住新皮层的总体功能和结构。

在我看来，大多数神经网络的最根本缺陷在于——这也是它与人工智能共有的特点——太注重行为。这是一个致命的负担。无论他们将这些行为称为“答案”、“模式”，还是“输出”，人工智能和神经网络研究者都假定智能存在于一个程序或神经网络处理输入信息之后而产生的行为中。计算机程序或神经网络最重要的属性就在于它是否能给出正确的、令人满意的输出，就像阿兰·图灵所给出的启示，智能等同于行为。

然而，智能并不单是指表现出智能的动作或行为。行为是智能的一种表现，但它既不是智能的核心特征，也不是智能的基本定义。片刻的思考就可以证明这一点：即使躺在黑暗中什么都不做，只是思考和理解，你也是智能的。忽略头脑中的活动而只关注于行为，对理解智能和建造智能机器造成了极大的障碍。

在进一步探索智能的新定义之前，我想先介绍另一种与真正大脑的工作原理更为接近的联结主义方法。问题是，似乎没有人认识到这项研究的重要性。

就在神经网络大出风头之时，一小部分研究神经网络理论的学者从主流领域中分离出来，构建了一种不以行为为中心的网络，称之为“自-联想”记忆网络。它同样由相互连接的简单神经元构成，这些神经元在达到一定刺激阈值时会激活。然而它们之间的连接方式与一般的神经网络不同，其中使用了大量的反馈。与只能正向传输信息的神经网络不同，自-联想记忆与反向传播网络类似，能将每个神经元的输出传回给输入——就像自己给自己拨电话。这种反馈回路造成了一些有趣的特点。当一种活动的模式被加予人造神经元时，它们会对这种模式形成记忆，这种网络将外界活动模式同它自身关联在一起，因此被称为“自-联想”记忆。

初看起来，这种回路所导致的结果似乎很荒谬。想要检索一个被存储于这种记忆中的模式，你必须先提供这个模式。这就好比你去杂货店买香蕉，当店主问你如何付款时，你说用香蕉。你可能会问：“这样的设计有什么好处呢？”然而，自-联想记忆所拥有的一些重要特征，在大脑中亦有体现。

其中最重要的一个特征是，如果想要检索某个模式，你不必事先拥有这个模式的全部，只要有其中的一部分甚至一个乱作一团的样子就可以。即使从一个混乱的版本开始，自-联想记忆也可以检索到最初存储时的正确模式。这就好比拿着吃剩的半把褐色香蕉去杂货店换回了一整把绿色香蕉一样。或是你拿着残破得无法辨认的钞票来到银行，柜台职员对你说：“我看得出这是一张破损的百元大钞，来把它给我，我给你换一张崭新的。”

第二个特征是，与大多数其他的神经网络不同，自-联想记忆可被设计用来存储模式序列，或称为时序模式。这一功能可以通过在反馈中加入延时来实现。有了这个延时，你便可以向该网络呈现一个模式序列，类似于一段旋律，自-联想记忆就可以记住它。当我输入“一闪一闪亮晶晶”的前几个音符时，自-联想记忆马上就可以返回给我整首曲子。当输入序列的一部分时，该记忆便能够回忆起其余的部分。我们将会看到，这同人们学习几乎所有模式序列时的方式如出一辙。我认为，大脑就是使用与自-联想记忆相似的回路来实现这种学习的。

自-联想记忆提示了反馈和随时间变化的输入的潜在重要性。遗憾的是，绝大多数的人工智能、神经网络和认知科学家都忽视了这两者。

神经科学家作为一个整体，表现也差强人意。他们当然也了解反馈（就是他们最先发现的），但他们当中大多数人并没有提出什么理论（除了模糊地谈到“阶段”和“调制”之外）来解释大脑为何需要这么多的反馈。在他们对于大脑总体功能的看法中，时间所扮演的角色也是可有可无的。他们往往以图表的方式说明事件发生在大脑的哪个部位，而不关心神经元激活模式在何时或以何种方式产生时序上的相互作用。出现这种偏见的原因，一部分来源于目前实验技术的限制。20世纪90年代，这一被称为“大脑研究的十年”中，最受欢迎的技术之一是功能性核磁共振成像。功能性成像仪可以拍下人脑活动的照片。然而，它无法记录快速的变化。因此，科学家们要求被试者们一遍又一遍地集中注意处理单一任务，就像在拍光学照片时让他们保持不动一样，只不过功能性成像是对大脑精神活动的拍摄。结果，我们得到了大量的数据用来说明某种特定任务激活了大脑的哪个部位，但用于说明随时间变化的真实信息输入如何流经大脑的数据，仍旧少得可怜。功能性成像技术使我们能够观察到特定时刻的事件发生的脑区，却无法记录下大脑活动是如何随时间变化的。科学家们固然想要收集这方面的数据，但苦于没有合适的技术支持。也是因为这样，许多主流的认知神经科学家仍然相信从输入到输出的谬论——给出固定的输入后，等着看有怎样的输出。大脑皮层的连线图往往以流程图来表示：信息从初级感觉区——视觉、听觉和触觉进入的区域，向上传至较高的分析、规划和运动区，然后再将指令向下传达至肌肉。你先有感觉，然后才有动作。

我并不是说所有人都忽略了时间和反馈。这一领域如此广阔，几乎任何一种想法都会有追随者。近年来，已经有越来越多的人意识到反馈、时间和预测的重要性。然而笼罩在人工智能和经典神经网络周围的光环，黯淡了其他的研究方法，使得它们未能得到充分的认识。

无论外行还是专家，都认为智能应该由行为定义。这一点也不难理解。至少近几个世纪以来，人们一直不断地将大脑的功能同钟表、水泵系统、蒸汽机，再到后来的计算机联系在一起。近几十年来的科幻小说中一直充斥着人工智能的思想，从艾萨克·阿西莫夫（Isaac Asimov）的机器人三大定律，到《星球大战》中的机器人C3PO，智能机器能够帮人做事的观念在我们的想象中根深蒂固。所有的机器——无论是由人类建造的，还是想象中的——都被设计为能够帮我们做事情。我们没有会思考的机器，只有能干活儿的机器。甚至当我们在观察我们的人类同胞时，所关注的也是外在行为，而非他们隐藏于内心的想法。因此，从直觉上看来，一个智能系统的衡量标准显然应该是智能行为。

然而，回望整个科学发展的历史，我们会看到，直觉往往是发现真理的最大阻碍。科学的框架之所以难以发现，并不是因为它们复杂，而是因为直觉上的错误假设让我们看不见正确答案。哥白尼（Copernicus，1473—1543）之前的天文学家错误地认为地球是固定不动的，且处于宇宙的中心，就是因为它让人感觉平稳，而且看起来像是宇宙中心点。直觉告诉我们，星星是一个巨大的旋转球面的一部分，而我们在其球心位置。如果有人说，地球像陀螺一样旋转，它的表面每小时移动近千公里，而且整个地球还在太空中疾驰（更别提那些星星离我们有上亿万公里的距离了），大家一定会认为他疯了。然而，这一切都被证明是正确的。其实它们都很好理解，无奈却不符合直觉。

在达尔文（Darwin，1809—1882）之前，物种的形式在人们看来显然是固定的。鳄鱼同蜂鸟不可能相配，它们不仅不同，甚至还相互对立。物种进化的思想不仅与宗教教义相悖，而且违背了人们的常识。进化意味着你同每一个生活在这个星球上的生物都拥有共同的祖先，这些生物包括蠕虫和厨房里摆放的开花植物。我们现在知道这是真的，而直觉却相反。

之所以提到这些著名的例子，是因为我相信，对于智能机器的追求同样受到了直觉假设的阻碍，因此才使得我们进展缓慢。当你问自己“智能系统可以做什么”时，直觉就会理所当然地从行为上去思考。你可能会说，我们的确是通过说话、写字和行为展现出人类智能的，难道不是这样吗？当然是，但这只是一个方面。智能在你头脑中发生，行为只是它的一部分。这一点虽然并不直观，但理解起来应该也不算难。

1986年春天，我日复一日地坐在办公桌前，阅读科学论文，整理智能研究的历史资料，并时刻关注着人工智能和神经网络领域的不断变化。我渐渐发现自己被细节淹没了。虽说有无穷无尽的知识供我研究和阅读，但对于整个大脑究竟是如何工作的，我仍然没有得到任何清楚的答案，我甚至不清楚它究竟做了什么。这要归咎于神经科学本身就充满了细节，直到现在也仍然如此。每年都有数以千计的研究报告发表出来，但研究者们往往只是堆砌新的细节，而不是将它们组织起来。直到现在，仍然没有一个整体的理论和框架能够解释大脑在做什么以及如何做。

从那时起我便开始思考，这个问题的解决方法应该是什么样的？它会因为大脑本身的复杂而极尽复杂吗？是否要用到写满100页纸的数学公式才能描述出大脑的工作原理呢？我们是否需要绘制出成百上千的独立线路图才能理解任何有用的信息？我并不这么认为。历史证明，科学问题的最佳解决方案往往是简洁而优雅的。虽然细节可能令人生畏，通往最后理论的道路可能崎岖，但最终的概念框架通常很简单。

如果没有核心解释作为引导，神经科学家将无法把已经收集到的所有细节统一起来，形成连贯的画面。大脑由无数神经元缠连而成，其复杂程度令人咂舌。初看起来，它就像一个装满了煮熟意大利面的体育场，也可以称之为电工的噩梦。但如果仔细观察，我们就会看到，大脑并不是杂乱无章的。它有大量的组织和结构，但这些组织和结构对我们来说过于复杂，以至于我们无法凭直觉去理解它们的整体运作，毕竟这不像将一个打碎的花瓶碎片重新拼起来那样简单。这种努力上的失败并非是因为没有足够的或正确的数据，我们所需要的是，转换思考的角度。在正确的框架下思考，细节才能有意义和可操控。看看下面这个虚构的比喻，你就会明白我的意思。

幻想一下：距今一千年以后，人类已经灭绝，来自外星高级文明的探险者登陆地球，想要弄清楚人类是如何生活的。他们尤其困惑于我们的道路网络：这些奇形怪状的复杂结构都是干什么用的？他们通过卫星和地面探查建立索引，像一丝不苟的考古学家那样，记录下每一块沥青碎片的位置，每一个被风吹日蚀的路标，以及所有可以找到的细节。渐渐地，他们注意到，有些道路网络与其他的不同：在有些地方它们狭窄崎岖，看上去毫无规划；有些地方它们又形成了规则完美的网格，延伸了一段之后变得宽阔起来，绵延数百英里穿越沙漠。他们收集了堆积如山的细节，但这些细节无法告诉他们任何事情。他们只好继续收集更多的细节，希望能找到新的数据解释这一切。在很长一段时间里，他们被这个问题困住了。

直到有一天，其中一个家伙说：“有了！我想我明白了……这些生物不像我们一样能瞬间移动。他们必须使用一种设计巧妙的移动平台，从一个地方移动到另一个地方。”从这个基本的认识出发，许多细节变得明朗起来。弯弯曲曲的小街道网络是早期运输工具还很慢的时候修建的，而又宽又长的道路是用于长途高速运输的。这也最终解释了为什么道路上画有不同的数字标志。外星科学家们由此开始推断哪里是居民区，哪里是工业区，甚至商贸需求和交通运输的基础设施之间相互作用的方式，等等。他们之前整理出的许多细节变得不再相关，而只是出于历史的偶然或当地地理状况的要求。然而此时，同样的一堆原始数据已经不再令他们困惑了。

我相信，同样类型的突破也会帮助我们了解有关大脑细节的真相。

令人遗憾的是，并非每个人都相信我们能够了解大脑是如何工作的。相当多的人——其中还包括一些神经科学家——认为，从某种程度上来说，大脑和智能是无法解释的。还有一些人认为，即便我们理解了它们，也不可能建造出有着同样工作原理的机器，因为智能必须以人体、神经元，甚至某些高深莫测的新的物理定律作为基础。每当我听到这些争论，就会想起过去的老学究，他们反对研究天空，也反对通过解剖尸体研究人体的工作原理。“不要费劲研究那些，没有意义，因为即使你弄清了它是如何工作的，对我们来说也没什么用。”类似这样的争论将我们引向哲学的一个分支——功能主义，在短暂的思维研究史上，它是距离我们最近的一站。

根据功能主义的看法，智能和心灵是纯粹的组织特性，它们与你的身体由什么材料构成并没有本质上的关系。心灵可以存在于任何系统之中，只要该系统的组成部分之间有正确的因果关系，而这些部分可以是神经元、硅芯片或者其他任何东西。很显然，这种观点是任何想要建造智能机器的人的标准说辞。

试想一下：如果用一个小盐瓶来代替棋盘上丢失的马，这盘棋会因此而丧失哪怕一丝真实性吗？显然不会。小盐瓶在功能上等同于一个真正的马，因为它按照马的规则在棋盘上移动和与其他棋子配合，所以这盘棋仍是一局真正的比赛，而不仅仅是一个模拟游戏。再考虑另外一种情况：如果我用光标将这句话中的每个字符都删掉，然后再重打一遍，难道这句话就会有所不同吗？还有一个同我们切身相关的例子：每隔几年，组成你身体的大部分原子就会更新换代。尽管如此，从各种重要角度来看，你还是你。如果一个原子在你的分子构成中的功能性作用与其他原子相同，它们就是等价的。这种说法同样适用于大脑：如果一个疯狂的科学家将你的每一个神经元都用具有等价功能的微机械复制品代替，最后产生出的那个你所感受到的真实自我，同原来没有任何差别。

根据这个原理，一个使用与大脑相同的智能构造的人工大脑，应当和大脑一样聪明，并且不只是“人工的”智能，而应是“真正的”智能。

人工智能的支持者、联结主义者和我，大家都是功能主义者，因为我们都相信大脑的智能并没有什么特别的神秘之处，总有一天我们会用某种方式建造出智能机器。然而，我们在对功能主义的解释上存在着不同。虽然我已经表述过人工智能和联结主义范式的主要失败之处，即输入-输出谬误，但我觉得还是有必要再说一说，为什么我们还不具备设计智能机器的能力。在我看来，人工智能的支持者们所采取的是一种弄巧成拙的强硬激进路线，而联结主义者则主要是太保守了。

人工智能研究人员会问：“为什么我们这些工程师要被进化中偶然发现的解决方案所束缚呢？”在原则上，他们的话也有点道理。像大脑和基因组这样的生物系统，都是出了名的粗陋不堪，并不够优雅。对此，一个常见的比喻是鲁贝戈德堡机器（Rube Goldberg machine），它以大萧条时期的漫画家鲁贝戈德堡命名，指他的漫画中那些用来完成微不足道的任务、却又过分复杂的装置。软件设计师们也有一个相应的术语——“组装件”（kludge），指那些由于缺乏远见而最终充满了累赘和无用的复杂性，往往连程序编写者自己也难以理解的程序。人工智能研究人员担心，大脑也是一个同样的烂摊子，一个进化了几亿年的“组装件”，充斥着低效能以及进化中的“遗留代码”。如果真是这样，他们说，为什么不把这个令人失望的混乱体完全丢弃，重新开始呢？

许多哲学家和认知心理学家都赞同这种观点。他们喜欢将思维比喻为大脑中运行的软件，将大脑比喻为有机的计算机硬件。在计算机中，硬件和软件是完全不同的级别。同一个软件程序可以在任何一台通用图灵机上运行，比如你可以在个人电脑、苹果机或克雷（Cray）超级计算机上运行WordPerfect，虽然这三个系统有着不同的硬件配置。而如果你要学习WordPerfect的话，硬件系统则一点忙都帮不上。依此类推，大脑无法告诉我们什么是思维。

人工智能的拥护者们还喜欢搬出一些历史实例来支持他们的观点。对这些例子中的问题，工程学给出的解决方案从根本上不同于大自然的版本。比如，我们是如何成功制造出飞行器的？是通过模仿有翼类动物扇动翅膀的动作吗？显然不是。我们用的是固定机翼和螺旋桨，后来又使用了喷气发动机。它虽然不是大自然的解决方案，但是很有用——甚至比上下扇动的翅膀更出色。

同样，我们并没有通过模仿猎豹的四条腿，而是通过车轮的发明造出了速度超过猎豹的陆地运输工具。轮子的使用是在平坦陆地上移动的好主意，我们不能因为进化中没有采用这种方式，而否定它是一个可行的好办法。一些研究思维的哲学家对于“认知轮子”的比喻一见倾心，也就是说，人工智能对一些问题的解决办法，虽然完全不同于大脑，但也同样出色。换句话说，一个工作方式有限但有效的程序，如果在某个任务上的表现堪比（或者超越）人类，那么它就与我们大脑的能力不相上下。

我认为正是这种“只问结果，不问手段”的功能主义解释，将人工智能研究者们引入了歧途。正如塞尔在“中文屋”实验中所揭示的那样，行为上的等同是不够的。既然智力是大脑的内部属性，那么我们就必须探究大脑的内部来了解什么是智能。在对大脑，尤其是新大脑皮层的研究中，我们需要仔细甄别哪些细节是进化过程中多余的“冻结的偶然事件”（frozen accident）；毫无疑问，在许多重要功能中也会混杂着鲁贝戈德堡式的无用处理。但正如我们很快将要看到的，在这些神经回路所体现出的强大能力中，蕴藏着一种优雅的原理，正等待着我们去发现，它超越了世界上任何最先进的计算机。

联结主义者凭直觉感到，大脑不同于计算机，而它的秘密就在于神经元相连时的作用机理。这是一个好的开端，但该领域至此就停滞不前了。虽然曾有上千人致力于三层神经网络的研究，至今仍有一些人在努力，但对于真实皮层网络的研究却仍旧是凤毛麟角。

半个世纪以来，我们调用了人类全部的聪明才智，试图将智能赋予计算机。在这个过程中，我们发明了文字处理器、数据库、视频游戏、互联网、手机和逼真的电脑动画恐龙，但智能机器仍然杳无踪影。要想取得成功，我们必须努力模仿大自然的智能引擎——新皮层，将智能从大脑的内部提取出来。除此之外，别无他途。 aHzF3tO/lkzaXZb4SEnBqs8g9aeeoo5DM97T3/K7DL/Xd0DkRpN09x0IECcmsgDh