身体的智能：2.4神经科学的作用

神经系统科学在这种研究方式的转变中所起的作用也很有意思。在20世纪70年代和80年代初，人工智能的研究人员开始认识到传统符号处理办法的问题，他们开始寻找其他出路，而人工神经网络似乎提供了解决方法。虽然神经网络在20世纪50年代就出现，但是直到20世纪80年代才真正开始发展，当时人工智能正处在危机中，并在拼命地寻找一条出路。简单地说，人工神经网络，或者简单神经网络，正像一些学者称谓的那样，实际上实现了“大脑式运算”的模型。人工神经网络，或简称神经网络是与其他很多的神经元相连接形成以大规模并行方式运行的庞大网络的神经元抽象模型的集合体。虽然神经网络的灵感来自大脑，但神经网络与大脑活动只是在一个非常抽象的层次上有联系，而且神经网络忽略了生物神经和大脑的许多基本特性。尽管作了这些抽象，这个基于简单网络的算法却有着出色的表现，举例来说，它能够完成困难的分类和模式识别任务，如从X射线图像上判别组织中是否含有癌性肿瘤，或在机场里从正常的行李中辨别出藏有塑料炸药的包。在第5章我们将更详细地讨论神经网络（见插注5.1）。

在认知心理学领域，使用人工神经网络为各种现象建立模型变得非常的流行，如一般的分类（区分不同类型的对象）和感知以及语言学习（即儿童如何学习掌握语言）和记忆。作为结果，一个令人振奋的新学科连接主义心理学出现了（Ellis和Humphreys，1999）。使用这种类型的神经网络模型，绝对是向一个正确的方向迈出的一步，因为他们有非常合适的特性。例如，与自然的大脑类似，它们是大规模并行的；它们可以学习，随着时间的推移改善自己的行为；它们能够忍受噪声和错误，即使输入有偏差或者有些人工神经元停止作业，它们仍然可以正常运作；他们拥有泛化的功能，即它们可以在从没遇到过的环境中继续工作，只要这种环境与它们已经学习过的某个环境相似。但是这种方法的主要问题就是神经网络大多是非具身性的，不能在环境中使用身体收集自己的数据，这意味着它们需要根据设计者提供的数据进行训练。但一般实时响应不是必须的，因为这些模型（尤其是它们没有在机器人上使用时）并没有与外界世界连接。

相比之下，在具身性方法中，与外面世界的连接是至关重要的。人工智能的研究人员意识到：自然的神经系统是如此善于控制其宿主的身体与真实世界的相互作

用，如果更加注重生物细节，可能会受益匪浅，因此对神经科学的研究再次兴起，而且更加热火。适合于这些交互作用的网络与用于心理学中的连接网络是不同的，

.因为前者要面对真正的身体，并采取实时性的行动。因此，以此为目的发展的人工神经网络，必须更加关注生物学特性，人工智能的研究人员开始与神经生物学家展开更加紧密地合作。大约在同一时期，一种新的神经学家悄然出现，即所谓的计算神经科学家，而且几乎在一夜之间，名为计算神经学（computational neuroscience）

和神经信息学（neuro-informatics）的大学院系也出现在人们面前。他们并没有在真正的大脑上做实验，而是通过建立详细的模型研究大脑中的单个神经元和专门的神经细胞集合，包括在运动控制方面起着关键的作用的小脑；被认为与记忆功能有关的区域海马体以及一些与视觉系统有关的区域。这些只是其中几个例子，这个领域的文献数不胜数。有些计算神经科学学者感兴趣的问题与某些人工智能学者已着手研究的问题类似，如运动（locomotion）、分类（categorization）和感觉一运动协调

（sensory-motor coordination）。大多数人并不认为自己在做人工智能方面的研究，尽管他们的研究课题与人工智能有极大重叠，可是大部分的计算神经科学还没有对具身性产生强烈的兴趣。最后，沿着不同但相关的发展路线，工程师们已开始与神经学家进行合作，将电子及机电设备直接与神经组织连接起来（我们将在第8章讨论电子人时看到）。