自联想记忆

在探索关于智能的新定义之前，我想先介绍另一项连接主义研究，该研究在描述大脑如何工作方面与大脑的实际情况非常接近。但问题是，很少有人意识到这项研究的重要性。

当神经网络大出风头时，有一小部分神经网络理论家创造了一些并不关注行为的网络，并称之为自联想记忆（auto-associative memory）。这些网络也由简单的神经元构成。神经元之间互相连接，并在达到一定阈值时被激活。不同的是，这些连接包括了许多反馈。比起反向传播网络只是把信息向前传递，自联想记忆会把每一个神经元的输出反馈给输入，就好像自己给自己打电话一样。这样的反馈回路导致出现了一些有趣的特性。当一种行为模式应用于这些人工神经元时，它们会对这种模式形成记忆，同时，网络会把模式与这些记忆自动关联。这也是他们被称作“自联想记忆”的原因。

这样一种连接方式可能第一眼看起来特别荒唐。为了从记忆里检索一种模式，你必须提供你想要检索的模式。这就好像你去水果店买一串香蕉，店主问你如何支付时，你说用香蕉支付。你可能会问，这样做有什么意义呢？但是自联想记忆确实存在几项重要特性，而这些特性也存在于真实的大脑中。

第一个重要的特性就是，你无须使用完整的模式进行检索，只使用这个模式的一部分，或者是被打乱的模式即可。即便你在检索时使用的是一个被弄得一团糟的模式，自联想网络也可以用它检索出正确的模式，就像最初储存时那样。这就好像你去水果店用已经吃了一半的、快烂掉的棕色香蕉，换回一个完整的青色香蕉；或者好像你去银行拿着一张无法辨认的残币，然后收银员对你说：“这看起来是一张破损的100元纸币。把它给我，我给你换张新的。”

第二个重要特性是，与其他神经网络不同，自联想记忆可以用来记忆一个模式序列，或者是时间模式（temporal pattern）。这个功能可以通过在反馈上加入时间延迟来实现。通过这个延迟，你可以给自联想记忆呈现一个模式的序列，它可以记住这个序列。以一段旋律为例，我先输入“一闪一闪亮晶晶”的前几个音符，然后自联想记忆就可以返回整首歌。即使只输入一部分序列，自联想记忆也可以找回剩余部分。我们之后也会看到，这就是人类学习所有事物的方式。我认为大脑也使用了类似自联想记忆的连接方式来实现这点。

自联想记忆暗示了反馈和时变输入的潜在重要性，但大多数研究人工智能、神经网络以及认知行为的科学家都忽视了它们。

就整体而言，神经科学家并没有做得更好。他们也很了解反馈，因为他们就是发现反馈的人，但大多数人没有形成或发展相关理论，来解释为什么大脑需要这么多反馈，只是在模糊地谈论“阶段”和“调制”。在他们提出的关于大脑整体功能的多数想法中，并没有考虑时间的作用或考虑得不够充分。他们倾向于根据事情发生的地点来绘制大脑图表，而不看随着时间的推移，神经激发模式何时会相互影响，以及以何种方式相互影响。当然，这种偏见部分源自当前实验技术的局限性。

20世纪90年代又被称为“脑研究的黄金十年”，功能成像技术是当时最热门的一项发明之一。功能成像机器可以拍摄人类大脑活动的照片，但无法捕捉快速的变化。因此，科学家要求被试一遍又一遍专注地执行一项任务，就好像要求他们在拍照时一动不动一样，只不过此时拍摄的是心理照片。结果，科学家掌握了大量数据，弄清了在执行某些任务时，相应的活动发生在大脑的哪些区域，而关于真实的随时间变化的输入如何流经大脑的数据却很少。功能成像可以明确在特定时刻，当事情发生时，相应的大脑活动发生在大脑中的哪个位置，但不易捕捉大脑活动是怎样随时间变化的。虽然科学家也想收集这些数据，但他们缺乏优秀的技术手段。因此，许多主流的认知神经科学家继续相信“从输入到输出”的谬论。固定一种输入，然后看会得到何种输出。新皮质的连接图一般按照这样一种流程来展示：从初级感觉区开始，也就是从视觉、听觉、触觉等输入的地方开始，向上流入更高级的分析、规划、运动等区域，再将指令下达给肌肉。先感知，后行动。

我并非想暗示每个人都忽略了时间和反馈。这个领域如此广阔，几乎每个理论都有它的拥护者。近年来，人们越来越相信反馈、时间和预测的重要性。但多年来，人工智能和经典神经网络所受到的热烈追捧，使得其他方法都被抑制和低估了。 z4uaCHKZ6YbQOSDae44qmhC5KshTqvZYFunM/AI6R8c9s06lzwCtGsGnxeUxFUpl