计算机VS人脑谁具更强大问题解决能力？事实人脑胜出

据国外媒体报道，人类大脑是非常复杂的，包含着1000多亿个神经元，大约形成100多万亿个神经元连接。人类大脑经常与另一个能解决处理运算的复杂系统进行对比，这个复杂系统是数字计算机。大脑和计算机都包含着大量基本单元，分别是神经元和晶体管，它们被连接到复杂的电路中，处理相关信息，然后通过电子信号进行传输。从整体层面上讲，人类大脑和计算机的架构存在类似之处，包含着独立电路，可用于信息输入、输出、中央信息处理，以及记忆存储。

那么问题来了，哪个更具强大的问题解决能力——大脑还是计算机？

考虑到计算机在过去几十年里的快速发展，你可能会认为计算机比大脑更具有优势。计算机能够组装和编程，并能在复杂游戏中击败世界顶尖高手，例如：上世纪90年代机器人击败国际象棋高手，前不久AlphaGo机器人打败世界围棋高手，在电视智力竞赛节目《危险！（Jeopardy！）》、百科全书式的知识竞赛中，机器人脱颖而出，取得优异的成绩。然而，在这项最新研究报告中，人类大脑更高效，在现实生活中比计算机系统更优秀，能够处理大量复杂任务，从拥挤城市街道上识别一辆自行车或者一位特殊行人，甚至人们伸手去拿一杯茶，将它平稳地放在嘴唇上饮用，此外，人类大脑的概念化和创造力比机器人更胜一筹。

那么为什么计算机擅长完成某些任务，而人类大脑在处理其他事务方面更加优异呢？

计算机和人类大脑的对比分析对于计算机工程师和神经科学家具有启发意义，这种对比分析最早源于计算机时代初期，当时有一本简短而具有深刻意义的书——《计算机和人类大脑》，作者是博学家约翰·冯·诺依曼（John von Neumann），诺依曼在上世纪40年代设计了一个计算机系统结构，至今该系统仍是大多数现代计算机的基础。

计算机在基本操作速度方面比人类大脑更具优势，现今个人计算机可以执行基本的操作运算，例如加法运算，速度是每秒100亿次。我们通过神经元传输信息处理过程以及彼此之间通信，能够评估计算出大脑基本信息处理的速度。例如：“激活”神经元的动作电位（action potentials）——神经元细胞附近启动的电信号峰值，并传输至轴突（axons），与下游部分神经细胞相连。

神经元激活最高频率是每秒1000次，作为另一个实例，神经元主要在叫做突触的轴突末梢特殊结构上释放化学神经递质，将信息传输至伴侣神经元，同时，伴侣神经元在一个叫做突触传递的过程中，将结合的神经传导物质转化为电信号。最快的突触传递大约需要1毫秒时间，因此，无论是在峰值和突触传递方面，大脑每秒最多能执行大约1千次基本运算，也就是比计算机运算速度慢10万倍。

在基本操作精度方面，计算机比大脑有更多的优势。根据数位（二进制，或者0和1）指派的每个数字，计算机可以使用任何期望的精确度表达数量，例如：32位二进制等于40多亿的十进制。实验性证据表明，由于生物噪声，大部分神经系统存在几个百分点的可变性，最好的情况下精确度达到百分之一，相比之下，人类大脑神经系统的精确度仅是计算机百万分之一。

然而，大脑所进行的计算速度并不慢，例如：一个职业网球手能观察分析网球的运行轨迹，网球最高运行速度达到每小时160英里，他们根据网球运行位置，快速移动至球场最佳位置，摆动手臂，甩动球拍将网球击打至对方的场地，击打动作是几百毫秒之内完成。此外，大脑完成所有任务（在身体控制帮助下）消耗的能量仅是个人计算机的十分之一。

大脑是如何做到这一点的呢？计算机和人类大脑的一个重要区别是每个系统的信息处理模式，计算机任务主要是串行步骤中执行完成的，这可以从工程师通过创建指令的顺序流程来实现，对于这种连续的级联操作，每个步骤必须要有高精确度，因为错误在连续步骤中会累积和放大。同时，大脑也使用连续信息处理模式，在击打网球的例子中，信息从眼睛反馈至大脑，之后再传递至脊髓，控制腿部、躯干、手臂和手腕的肌肉收缩。

但是人类大脑可以进行并行信息处理，在处理大量神经元和每个神经元建立连接方面占据优势，例如：网球快速移动将激活视网膜细胞——感光器，其工作是将光线转换成电子信号。这些信号之后并行传输至视网膜上不同类型的神经元。当源自感光器细胞的信号通过两至三个突触连接时，关于网球位置、方向和速度的信息，将被并行神经元电路所提取，之后并行传输至大脑。同样地，运动皮层（负责运动意识控制的大脑皮层部分）会发出指令控制腿部、躯干、手臂和手腕的肌肉收缩，身体和手臂能够充分协调，调整身体最佳位置击打网球。

这种大规模并行策略是可能实现的，因为每个神经元收集输入信息，并向外发送信息至其它神经元，对于哺乳类动物神经元，输入和输出信息的神经元平均有1000个。相比之下，计算机每个晶体管仅有3个节点，用于数据输入和输出。来自单个神经元的信息可以传递至许多并行下游路径，与此同时，许多处理相同信息的神经元，可以将它们的输入信息集中到相同的下游神经元。下游神经元对于提高信息处理精确度非常有用，例如：由单个神经元所代表的信息可能是“嘈杂”的（精确度为百分之一），普通下游伴侣神经元能够更加精确地表达信息（精确度为千分之一）。

同时，计算机和人类大脑在基本单位信号模式中存在共性和差异，晶体管使用数字信号，它使用离散值（0和1）来表示信息。神经元轴突的峰值也是一个数字信号，因为神经元在任何时间处于要么激活或不激活峰值状态，当神经元被激活时，所有峰值都差不多具有相同大小和外形，这一特性将有助于实现可靠远距离峰值传播。

然而，神经元也利用模拟信号，它使用连续数值表示信息。一些神经元（像视网膜上的大多数神经元）是非峰值状态，它们的输出是通过分级电信号传输的，这不同于峰值信号，它们的大小可以不断变化，比峰值信号传输更多的信息。神经元的接收末端（通常发生在树突）也使用模拟信号整合数以千计的输入信息，使树突能够执行复杂的计算处理。

你的大脑比一台计算机运算速度慢1000万倍。大脑的另一个显著特征，可表现在网球运动中接发球动作，是神经元之间的连接强度，可在响应活跃性和体验过程中进行修改，这一过程被神经系统科学家普遍认为是学习和记忆的基础。重复训练可使神经回路更好地配置完成任务，从而大幅提高速度和精确度。

在过去几十年里，工程师从人类大脑结构中获得灵感来增强改进计算机设计。并行处理和连接强度的功能依赖性修改的原理，都被并入现代计算机应用中。例如：计算机增强并行性处理能力，在一台计算机上使用多个处理器，这是计算机设计的当前趋势。另一个例子是计算机“深度学习”能力，这是人工智能机器学习的一个重要能力，近年来计算机“深度学习”能力取得较大的成功，这得益于计算机和移动设备的目标和语音识别的快速发展，它受到哺乳类动物视觉系统的灵感启发。就像哺乳动物的视觉系统一样，深度学习能力使用多层次来代表日益增多的抽象特征（例如：视觉对象或者语言），同时，衡量不同层次之间的连接是通过学习而不是由工程师设计的。

这些最新进展已经拓展了计算机的任务执行能力，尽管如此，与最先进的计算机相比，大脑拥有更强的灵活性、普遍适用性和学习能力。伴随着神经科学家发现更多关于大脑的秘密（越来越多地辅助电脑应用），工程师可以从大脑工作中获得更多的灵感，进一步改善计算机的结构和性能。无论是人脑还是计算机，成为某项特殊任务的赢家，跨学科交融无疑会促进神经科学和计算机工程的发展。