下载掌阅APP，畅读海量书库
立即打开
有很多人，他们就是无法理解，计算机如何用与我们的朋友或者妈妈向我们表达意识一样的方式，向我们表达出意识—这些方式包括陪伴、爱、大笑、移情等。事实上，最早可追溯至20世纪40年代第二次世界大战期间，“computer”这个词的含义与今天的含义完全不同。在当时，“computer”指工作任务是做数学计算的人，例如，某个为保险公司做数学方面工作的人；或者指为人类做数学计算的机器（就好比“washer”既有“某个洗衣服的人”的意思，也指“为人洗衣服的机器”）。举个例子，在20世纪30年代的全球经济大萧条时期，美国政府在成百上千的“computer”上投入了大量资金—请注意，这里指的是人，而非机器，为火炮弹道建立数学表格。这些人都比较贫困，大多数没有接受过正规教育，他们甚至都被一个所谓的“计算者联盟”（computers union）所代表，接受一些简单、重复的小规模计算工作，然后在最后阶段，由数学家将这些小规模计算整合为复杂的算术解决方案。
1937年，图灵在一本名为《 Computable Numbers 》的期刊中，发表了一篇有关理论中的“通用计算机器”的学术论文—如果这台机器拥有了正确的计算程序，它就可以计算任何事情。从严格的数学意义上来看，这一激进的概念与查尔斯·巴贝奇（Charles Babbage）和爱达·金（Ada King）在1837年提出的理念如出一辙。两人将自己的机器称作“差异引擎”（difference engines，他们制造的用于数字计算的机器）和“分析引擎”（analytical engines，这台机器能够使用穿孔卡进行编程，几乎能用于任何工作，虽然他们并没有制造出来，但是与图灵的构想十分相似）。从这一点背景介绍中，我们能够看出，构想一台具备读、写、听、扫描、播放视频、玩游戏、医疗诊断等能力，甚至思考和感觉这些能力的“computer”，思想已经发生了巨大的跳跃。但是，图灵却精确地预测到了这些，因为他预见到，未来的数字计算机将具备同样种类的逻辑能力，并支持上述各种能力。20世纪50和60年代，随着数字计算技术的出现，理解图灵提出的革命性设想的人不断增多（这其中既有批判者，也有支持者）。1950年10月，图灵在期刊《Mind》中发表了一篇题为《计算机器与智能》（ Computing Machinery and Intelligence ）的文章。在文中，他清晰地阐释了将人类意识从计算任务中排除的机器能够做些什么。
今天，公众普遍认为，“computer”几乎无所不能（所以，智能手机被称作“数字版瑞士军刀”），一些计算机甚至能够移动（如机器人）和思考（如某些被编程的程序中）。事实上，通俗意义上的“computer”更像是某个“掌握信息后几乎无所不能的设备”，并且它们不断变得更加强大。这与“做计算的人”这个含义相去甚远，而且，和图灵的“某种可以用信息做任何事情的机器”的定义越发接近。随着计算机开始呈现出情绪和人类意识的其他方面，它们将会走完这次征途—这次旅途的起点和终点，图灵分别在他那两篇文章中进行了很好的总结。经过了半个世纪，“computer”这个词的意思从“做计算的人”变成了“具备智能的设备”；而我认为，“computer”不久将拥有“人造意识存放地”的含义。值得注意的是，每一个定义都包含了之前的含义：智能包含了数字处理，而意识包含了智能。
即便某个东西开始以人类的方式开始行动，我们仍然很难认为它“像人类一样”。计算机受到了特殊的怀疑，因为它们不仅支配了我们的生活，同时对大多数人保持了神秘感。计算机不过是一堆线缆、塑料和金属的集合体。“计算机和人类一样”的构想似乎是令人恐惧且荒谬的。如果你仍然这么觉得，那你不是唯一一个。
对软件意识持怀疑态度的人，比如诺贝尔奖得主、医学和物理化学家杰拉尔德·埃德尔曼（Gerald M.Edelman）和数学物理学家、哲学家罗杰·彭罗斯（Roger Penrose），他们都提到，人类意识的超越性特征永远无法实现数字化编排，因为这些特征太过复杂、不可预知或无法度量。埃德尔曼坚信，大脑并不像计算机，所以计算机永远不可能像大脑一样。用埃德尔曼的话来讲就是：“我希望消除的一个幻想是‘我们的大脑是计算机，而意识可能从计算中出现’。”事实上，他坚持的计算机（通过计算机软件的方式）永远无法获得意识的几个主要原因殊途同归，都说明了一件事：大脑远比计算机要复杂得多。
埃德尔曼的这场讨论尤其重要，因为持有“计算机软件能够变成网络意识”这一观点的许多评论家，都从他的观点中寻找支撑他们偏见的根据。当我们检验埃德尔曼的观点时，可以扪心自问，随着计算机复杂度的指数级增加，我们究竟会遇到什么，又会发生什么。即使计算机永远不可能像大脑一样，我们是否在朝着“计算机将像人脑一样进行思考”这一节点进发呢？
关于这一点，我们很容易进入思考误区：因为大脑不像计算机，计算机也无法像大脑一样思考。但是，需要记住的是： 计算机要支持思维克隆人，并不一定要复制大脑的所有功能。 举个类似的例子，想象一下，小鸟不像飞机，但它们都可以飞行。就像前面所提到的一样，拥有数以十亿计真核细胞的小鸟，要比只拥有600万个组件的波音747飞机复杂得多。今天，飞机比鸟儿飞得更远、更高、更快。然而飞机没办法像雨燕或军舰鸟一样在空中停留数月，尽管我们最终会在高效、重量轻的太阳能和其他种类的存储电池方面取得突破，从而让飞机在空中停留更长时间。同样，飞机无法像蜂鸟一样通过小孔或在花朵上面盘旋，但是，最新型的远程控制飞机和微型飞行程控监视设备、无人机，都可以做到这一点。
在思考这个类比时，还有一点同样很关键，那就是我们应当记住，为了飞行这个目的，我们只需要飞机拥有一只小鸟所具备的一部分功能。一架会下蛋、在树上或屋檐下筑巢，或者以鱼、虫子为“燃料”运转的飞机并没有什么用途。而且，一架能够做到这些事情的飞机，并没有什么实际或效率价值。换言之，如果只是想要提供安全、舒适的飞行，一架飞机不需要完完全全复制一只小鸟的全部能力。所以，我们可以得出这样的结论： 鸟儿之于飞行，就像大脑之于意识。
大脑和计算机之间的区别，或者小鸟和飞机之间的区别，切中了要害。或许只有军方会对具备游隼一般空气动力学特征的飞机感兴趣。大多数人对飞机的兴趣，仅把它当作一种“从一座城市安全、高效、可靠地飞往另一座城市”的途径，并且要尽可能舒适。类似地，我们中大多数人对一台能够自组织、逐渐从出现、发展到成熟的计算机也不是很感兴趣。我们想做的只是制造出一台能够模拟人类思维的计算机，我们感兴趣的是能够像人类一样思考和感受的计算机。埃德尔曼通过假设（而非推论）得出了自己的结论，因为他假设，意识仅限于大脑。 无论大脑是不是计算机，都不影响意识是否会从计算中出现。
为了论证这个目的，互斥集合仍然能够联系起对两个集合而言都普遍存在的现象。举个例子，奇数和偶数是互斥集合。我们可以想象，奇数是大脑，偶数是计算机。但是，这两个集合内都存在斐波那契数列（数列中，每一个数字是前面两个数字之和），我们可以把这个数列想象成意识的一个隐喻。类似的还有，三角形和正方形是互斥集合，但是它们每两个结合起来都可以组成长方形。埃德尔曼的错误就好比，由于他看到意识的长方形只由神经的正方形组成，并且，因为计算机是三角形而非正方形，所以他就认为，意识的长方形就无法由三角形组成。他忘记了，就像有很多方法可以达成目的、物体有很多方法可以实现飞翔一样，同样有很多方法可以组成意识的长方形。
埃德尔曼声称：“大脑并不按照逻辑规则运转，而计算机必须接受明确的输入信号。”他强调，给大脑的输入不是“编过码的磁带”（这里指的是一种过去向计算机输入信息的方法）。当然，大脑并不像一台原始的、依靠“编码磁带”运行的计算机。实际上，并不是所有计算机都需要明确的输入信号。一些计算机已经成功地依靠一系列非常模糊的输入信号，驾驶汽车穿越了美国和诸多沙漠。另外一方面，一些现代计算机能够以与人类思维获取信息非常相似的方式，将模糊、嘈杂的现实，解析为可辨识的元素。用来分析歧义数据的并行处理器间的模糊逻辑、统计分析协议以及投票，正是众多用来使软件理解“令人困扰的”感觉性输入技术中的三个代表性技术：猜测，并且做到有策略地猜测。
举个例子，让我们一起去远足。来到BINA48在佛蒙特州的故乡附近的一条林间小路，这条小路掩映在秋日的落叶中。让我们沿着这条小路，用装配了网络意识和被编程软件的智能手机或者基于谷歌眼镜的计算机，去寻找路径。随着我们穿越森林，数以十亿计的神经元会检测数以百万计的颜色、密度以及几何信号的元素。我们的眼睛以大约每秒300万比特的速度，将这些信息传递给大脑。与此同时，神经元组成的巨大网络，将输入雪崩式的信号，根据人生经验（这些经验教会“一起开火”[fire together]的神经元如何“联结在一起”[wire together]）解析为模式。树叶、树和通路组成的谐音模式，将会从这个嘈杂的输入信号中出现。我们不会有意识地认出每棵树上的每一片树叶，事实上，我们的眼睛只能够区分在狭小的、远离外周视觉的中心凹区里的物体细节。通过分析所有输入数据，我们的思维通过将森林和小路拼接在一起—随着不断地进行来回扫描，眼睛将视觉中心凹区细节的“视觉扫视”（visual saccade）传递出去，为我们进行构建和抽象。有时，思维也会根据全局景象自己无中生有，去编造视觉信息。
拥有网络意识的智能手机“伙伴”也能看见同样的秋季颜色、形状和密度。但是，与大脑不同，这个网络意识伙伴能够快速地将“所见”景色与自己存储的数以百万计的图片进行比较，并将其判定为森林。之后，这个伙伴会确定森林景色的哪一部分拥有较低密度的连续区域，即林间小路，并将自己的注意力引向这条通路。我们的网络意识伙伴所做的事和生物思维意识所做的事，二者的最终结果呈现了极大的相似性：从每秒3MB的数据流中，得到了高级别的意识抽象（森林、小路）。在使用网络意识在森林中漫步时，我每时每刻所感受到的惊喜，不比自己行走的时候少。如果我们在灌木丛中迷路，网络意识伙伴会像我可靠的徒步伙伴拉布拉多犬一样可靠，将小路与森林区分开。
在每个事例中都存在思考，尽管它的呈现方式不尽相同，如鸟儿或者飞机。根据我与朋友们若干次穿越森林的经验，在每个例子中，可能会存在某种程度的审美和满意度方面的挑战。对网络意识伙伴而言，它需要为“美学”“奇迹”“完成任务”等高级别概念进行初始编程赋值，以应对自然环境、秋天的森林以及远足林间小道。但是，这不比我们教一个孩子“自然是很美的，森林是令人惊叹的，完成挑战是很棒的”的工作量少。甚至，即使人类对美、奇迹以及完成任务的感受是天生的（尽管从野孩子身上获得了相反的数据），是人类大脑固有设置的一部分，智能伙伴的这些感受依旧是真实的，因为它们是被编程进思维软件的。 对和谐的欣赏依旧是有价值的，因为它是后天学习的，而非与生俱来的。
埃德尔曼还指出，大脑是变化莫测的，“褶皱的大脑皮质拥有大约300亿个神经元，大约1万万亿联结。这种结构可能的活跃通路数量，远远超过了已知宇宙中基本粒子的数量。”他质疑，计算机能否依靠对内部时钟、输入和输出的严格依赖，可以匹配这种可变性。但是，我写本书时所使用的MacBook Pro拥有大约5 000亿比特的内存，1比特内存的容量大约等于一个神经元的容量。换句话说，我笔记本电脑里的神经容量是我大脑皮质神经容量的15倍多。因此，仅就神经元的数量而言，计算机和大脑之间没有显著差异。如果要说差异，现在的计算机拥有的神经元等价物，要比大脑拥有的神经元多，并且不久后将拥有更多。
现在，如果将我电脑里的每一张JPG图片都链接到数以千计的其他JPG图片，而且，如果每个链接都参与了有偏好的、加强的、经过自然选择的、有层次的额外链接，我将获得某个类似人脑的东西。举个例子，想象一下，当我点击一张我爸爸的照片，这张照片就自动被相关联的照片所环绕—我妈妈的照片、我表兄妹的照片、我家房子的照片、我们度假的照片，等等，他们每一个人都自动地被类似的、关联的照片所包围，但是，所有这些照片中，只有那些从众多候选照片中被选中的、与被触发照片关联度最强的照片会保持高亮。这不正和我们的大脑在浏览照片集时的工作方式一样吗？我们不会记住并对过去的所有经历作出反应；相反，我们是从众多记忆中选择并赋予一些记忆更高的优先权，并将其互相进行连接。