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！
，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目，它针对的是一定类型的盲人。视网膜色点炎病人的视网膜层受到一定损坏，而视网膜是负责感觉轮廓、表面、颜色和其他的视觉特征的。受损的视网膜层由神经修补术沟通。在所谓的视网植人体的构造中，观景由镜框中的光子接受器（例如半导体）寄存，其中装备了某种适应性的神经网络。外部世界的光信号由神经网络（BPN）处理，神经网络能够学习像人眼一样为接受域建立模型。它们的信号被编码，并测距地输给诱导接受器，在此受损视网膜上排列有电极，以刺激光神经和中枢神经系统（CNS）。在更先进的研究阶段，将不再需要视镜排列，具有适应性神经网络的接受单元可以直接地植人眼中。在最初的试验中，神经技术不可能完全地取代种种视觉功能；然而，所存贮的轮廓和表面的感知，将有助于病人把握方向，这就是目前努力的目标。
如果不同肌肉组的刺激可以直接在修复神经的末端分枝处进行，而不用无机金属电极，那么就可以获得决定性进展。这就必须要使用分子装置来实现生物技术的传导性，即要使用从有机分子设计制造出的电子元件。过程控制器控制着电极并处理信息，它必须以人工神经网络为基础，才能够实现高速数据处理，满足人的行走和站立的要求。显然，这些复杂神经网络的发展需要分子生物学、计算神经科学和高技术硬件工程的跨学科合作。
人工替代受损神经功能的例子还有内耳的耳蜗移植。如果听觉神经是未受损的，通过微手术置入一个有25个极的电极作为皮质器官的代替物。听觉神经现在由适当的电极脉冲来激发，它们模拟了声音模式。脉冲是由串行的以语言知识进行了编码的微处理器来控制的。但是，在进行困难的移去听觉神经的赘生物手术中，有听觉神经受损坏的危险，结果会造成病人变聋。今天有可能把人工神经网络直接联接在中心听觉通道的区域。于是听觉可以得到恢复而不论听觉神经丢失与否。生物技术、计算神经科学和工程技术的跨学科合作再一次表明是必要的。
一般来说，神经外科手术必须要考虑到如下的临床观点：神经外科的诊断、手术计划、手术技术和神经的康复，这些是受生物技术和计算神经科学中的复杂系统探究方式支持的。在诊断方面，计算机化的断层显示过程已经开创了一个新时代。由于神经外科医生不得不处理一种进化中的最复杂的器官，手术计划和进行模拟已成为准备取得成功医治的一个基本步骤。在这一方面，复杂性意味着病人的人格特征，涉及他或她的特定病史，一定致病过程的病理，个体的解剖特征以及一个手术的可能手术后果。
一种新的方法已经用于实践。一个神经外科手术可以用CAD（计算机辅助设计）辅助技术来进行模拟。用计算机产生出一个病理解剖的三维构造，它是由一个特殊的程序来控制的。在模拟中可以发现潜在的困难，从而在实际的手术中得以避免。手术技术的不断发展将减少实际的大型开放手术。立体视镜和内窥镜技术对于减少手术引起的损伤是重要的方法。激光技术与神经外科内窥镜、术内显示过程、计算机控制的调节技术结合的进一步发展，将成为一种有广泛应用的复杂手术工具。
在波士顿的麻省普通医院的一个研究小组，已经用磁共振成像技术（MRI）揭示了人的任务激活的功能成像图，这种任务激活是在视皮层中由光刺激引起的。按时间周期地注入对比剂。采用快速NRI扫描而不用注射，甚至初级的视觉皮层成像也实现了。图5。27显示了作为神经网络的脑认知活动的真实的时间成像。这些高级的基于计算机的复杂神经网络的图像，不仅仅有助于受损的病人，而且最终使我们看见自己的思维和情感。
发展人工神经网络的最重要动力来自这样的事实：以化学元素硅为基础的高度集成电路的生产，将达到它的物理极限。这种技术以程序控制的微处理器原理为基础，不可能进一步微型化。自组织的高度平行计算和策略对于处理大脑的复杂性是必要的。因此，运用某种新的底物来作为信息处理系统的基础，就显得必要了。在此迈出的第一步是开始发展以生物元件为基础的分子电子器件。在神经细胞之间的电信号可能通过有机传导物进行传导。
关于计算神经科学，神经网络的计算机模拟可以有助于鉴明由中枢神经系统和大脑实际运用的算法。现在研究的人工神经网络模型，主要是用矢量计算机、工作站、特殊的合作处理器或移植芯片（transputer arrays）来进行模拟研究。但是，当然，复杂网络中的空间－时间平行计算的优点，在用经典计算机来进行模拟时已是全部地或部分地丢失了。只有用特殊设计的神经硬件，才能满足实时任务的要求。
在未来的神经仿生学应用中，神经芯片的训练将引起巨大复杂性的非线性作用动力学，这样的芯片可用作人的神经纤维之间的界面。芯片的设计者面临着相互联结的问题：如果成千上万的权重线路要以物理方式联接起来成一个神经元，并要作出数千个神经元，那么这个线路区域将达到这样的数量级，即线路引起的时间延迟将超过代表神经元功能块的运行时间。由于技术结构尺寸的减少受到经济上和物理上的限制，仿生学的设计者现在对相互联结问题倾向于一种构造解。首先，他们要考察神经网络的真实处理时间；其次，要考虑在何种程度上有可能偏离理想的大规模平行计算。
显然，平行计算硬件将显著增加软件的复杂性，并需要新的�