大脑是一个非常复杂的器官。人脑含有约1000亿个神经元，神经元之间的连接多达100万亿。人们常将人脑与另一套具有强大问题解决能力的复杂系统相比较：即数字计算机。人脑和计算机都含有大量基本单元，人脑中为神经元，计算机中为晶体管。这些基本单元都可组成复杂回路，处理电信号形式的信息。大体来看，人脑与计算机的架构十分相似，均由负责输入、输出、重要处理和记忆储存的几大回路构成。

但人脑与计算机相比，究竟谁的问题解决能力更胜一筹呢？考虑到计算机技术在近几十年中的飞速进步，你也许会认为计算机占了上风。经过特殊设计和编程的计算机的确在许多复杂游戏中打败了人类高手，如上世纪90年代打败了国际象棋大师、前几年又在围棋比赛中取胜；计算机在百科知识竞赛中也表现突出，如美国电视节目《危险边缘》。

但在许多日常任务中，人类总是完胜计算机，比如在图片中辨认一辆自行车、或在拥挤的街道上寻找一名特定的行人，又比如伸手拿过杯子、并顺利将杯子送到嘴边等等。在概念化和想象力方面，人类更是赢得毫无悬念。

为何计算机和人脑擅长的任务各不相同呢？通过将计算机与人脑进行对比，计算机工程师与神经科学家都从中受益颇多。还在现代计算机刚刚起步时，就有人在书中将两者做了比较。这本书名叫《计算机与人脑》，由约翰·冯·诺依曼编写。他于上世纪40年代带头设计的计算机架构至今仍是大多数计算机的基础。下表列出了计算机与人脑的一些比较数据：

计算机的基本运算速度远胜过人脑。目前个人电脑进行加法等基本运算的速度可达每秒100亿次。要估算人脑的基本运算速度，可以对神经元传递信息和相互交流的基础过程进行分析。例如，神经元可以“发射”动作电位（即在神经元细胞附近产生的电信号脉冲），然后沿着长长的轴突将其传递下去，传给与之相连的下一个神经元。这些电脉冲的频率和时长就是要传递的信息。

此外，神经元在向其它神经元传递信息时，主要通过向轴突末端名为“突触”的结构释放化学神经递质进行，其相邻神经元又会通过突触传递，将神经递质转化回电信号形式。突触传递耗时最快约1毫秒。因此若把电脉冲传递与突触传递都算上，大脑的基本运算速度至多为每秒1000次，仅为计算机的1000万分之一。

计算机的基本运算精度也比大脑高出许多。计算机的精度取决于数字位数。例如，32位计算机的精度为2的32次方分之一，约为42亿分之一。而证据显示，在生理噪音的影响下，神经系统中涉及的大部分数字（如神经元发射信号的频率，常用来代表刺激强度）往往存在百分之几的误差，精度最高也只有100分之一。与计算机相比，几乎只占了个零头。

然而，人脑的运算既不算慢，也不能说不精确。如一名职业网球运动员可以密切追踪速度高达每小时250公里的网球的运动轨迹，迅速跑到球场上的最佳位置，调整好胳膊姿势，然后将球打回对手场地。这一切仅需几百毫秒即可完成。不仅如此，人脑在身体的帮助下完成这些动作的能耗仅为个人电脑的十分之一。大脑是如何办到的呢？

计算机与人脑间的一大差异便是系统内部信息处理模式的不同。计算机任务主要以串行步骤进行，因为工程师在编写程序时，指令也是按时序排列的。对这种运算模式而言，每一步都必须保证高精度，否则错误会在接下来的步骤中不断累积和放大。人脑也会采用串行模式处理信息。例如在打网球时，信息先从眼睛传递到大脑，然后传递到脊髓，进而控制腿部、躯干、胳膊和手腕的肌肉收缩。

但人脑也会大量采用并行处理的模式，充分利用了大脑中不计其数的神经元和神经连接。例如，运动中的网球会同时激活视网膜上的众多光感细胞，接收到的光线由这些细胞转化为电信号。接着，这些信号会同时传递给视网膜上的多种不同神经元。等光感细胞生成的信号通过了视网膜中的两三个突触连接后，关于网球位置、方向和速度的信息已经由并行的神经回路提取出来、同时传递给了大脑。与之类似，负责自主性运动控制的运动皮层也会同时发送指令，使腿部、躯干、胳膊、手腕的肌肉同时收缩，使身体和胳膊同时摆好姿势、做好击打网球的准备。

这种大规模并行策略之所以得以实现，是因为每个神经元都会接受来自大量其它神经元的输入、并向大量其它神经元传递输出。一个哺乳动物神经元的输入和输出平均可涉及1000个神经元。（相比之下，每个计算机晶体管的输入和输出节点加起来也只有3个。）一个神经元输出的信息可同时通过多条并行路线向下传递。

与此同时，在上游处理了同一信息的大量神经元又会将输出信息传递给同一个神经元。后者对提高信息处理精度尤为重要。比如说，单个神经元的信息可能受噪声影响很大（精度只有100分之一）。但若将100个携带同一信息的神经元输入取平均值，下游神经元接收到的信息精度便会大大提高（在这个例子中约为1000分之一）。

计算机和人脑基础单元的信号模式既有相似、又有不同。晶体管采用的是数字信号，借离散值（0和1）代表信号。神经轴突脉冲也是数字信号，因为在任意给定时刻，神经元只有“发射脉冲”和“不发射脉冲”两种可能。且发射脉冲时，所有脉冲的强度和形状都差不多，这样才能保证长距离脉冲传递的可靠性。

但神经元也会采用模拟信号，即用连续值代表信息。一些神经元（如视网膜中的大部分神经元）并不会产生电脉冲，其输出通过不同等级的电信号进行传递。与电脉冲不同，这些电信号的强度可以连续变化，并且能传递更多信息。神经元的接收端（信号通常由树突接收）也利用模拟信号将成千上万的输入进行整合，让树突得以开展复杂计算。

大脑的另一大显著特征也在打网球时发挥了重要作用：神经元间的连接强度可随着活动和经验发生改变。神经学家普遍认为，这一变化过程是人类学习和基因的基础。重复训练可使神经回路变得更适宜执行相应任务，从而大大提高速度和精度。

近几十年来，工程师一直在从大脑中汲取灵感、以改善计算机设计。并行处理模式与可根据用途修改的神经连接强度已成为了现代计算机的基本原则。例如，增加并行处理如今已是计算机设计的一大趋势，从多核处理器的流行便可略知一二。此外，机器学习和人工智能领域的“深度学习”近年来发展迅猛，对电脑和手机上物体与语音识别功能的飞速进步功不可没，而这其实是受了哺乳动物视觉系统的启发。

就像视觉系统一样，深度学习也用多层结构代表越来越抽象的特征，每层之间的连接强度权重可通过“学习”进行调整，而非由工程师预先设计好。这些进步大大拓宽了计算机可开展的任务范围。不过，人脑的灵活性、归纳能力和学习能力仍然远超当前最先进的计算机。

随着神经科学家不断揭露大脑的奥秘（计算机也在其中发挥着越来越重要的作用），工程师也能从中受到更多启发，进一步改善计算机的架构和性能。谁在特定任务中胜出并不重要。无论是神经科学还是计算机工程，均能从这些跨学科交叉研究中受益良多。

来源：新浪科技