我们如何看见,又如何思考

这是一本介绍我们是如何看见的书。从古至今，视觉都是思想家乐于讨论的话题，但是从现代角度来说，这些讨论大多很幼稚，眼睛确实就像一个照相机，但是视觉不止于此。也许你会觉得你能认出朋友的脸是一件稀松平常的事——古人甚至不觉得这是一个问题，但是事实上这并不简单。要真正地理解视觉，仅仅知道眼睛的成像原理是远远不够的，你还得知道大脑是如何解读外部世界的。 违反直觉的是，大脑的运行其实很慢。大脑里的神经元和它们之间的突触的运行速度只有现代计算机的百万分之一。然而，大脑可以在许多感知任务上打败计算机。你可以在几百毫秒内从人群中认出你的孩子来。你的大脑是怎么做到的？它是如何从刺激——一片光、空气中的一丝振动、皮肤上的压力变化——里解读出外部世界发生了什么的？我们对于大脑所做的事情只知道冰山一角，但我们了解到的内容却又已经足够迷人。 我在25岁时成了一名神经科学家，彼时神经科学这个学科尚未建立。时至今日，我对它的兴趣依然与当时相差无几，并没有随着时间日益消减。我目睹了我们对大脑认识的进展，也参与了一点儿微小的工作。这本书的总体叙事框架是“视觉是如何工作的”，从视网膜讲到了位于大脑颞叶的视觉中枢。与此同时，我也想带你参与一段科学旅程，看看神经生物学的基础工作是什么样的——不是像脱口秀那样，而是带你走到实验桌前看看实际的情况。因此我会穿插讲述一些实验室里的场景，也会介绍一些研究者。我们会一步一步地深入视觉。你会知道我们看到的世界并不是真实存在的世界，我们的视网膜会把真实世界的场景分解成碎片，每个碎片表征场景的一部分特定信息，然后分别用不同的通道传输给大脑。这个打碎重编的过程是由视网膜里的神经元完成的。我们将跟踪这些进入大脑的信号，它们将在那里构建出我们的感知。 大脑中存在许多谜团，但是重要的一点是，大脑并不是一台固定连接的电话连接网，而是由一群神经元交联而成的神经网络。你现在听到神经网络或许总觉得它是计算机里的东西，但实际上它*早是由高瞻远瞩的加拿大神经科学家唐纳德·赫布（Donald Hebb）提出的。又过了一段时间，这个概念才被计算机科学家借用。随后几十年间，神经网络的潮流时进时退，而性能更强大的计算机终于令计算机科学家开创了机器学习这一新的研究领域，它更为人知的名字叫作人工智能。他们证明，计算机中的神经网络可以经过学习做出惊人的创举，这让神经科学家对大脑中的神经网络更感兴趣了。 因此，如今神经生物学和计算机科学之间展开了许多有益的合作，两个领域相互促进。大脑是不是用神经网络来解读世界的呢？大脑是以“机器学习”的方式来工作的吗？答案似乎是肯定的，而且大脑做得比计算机好得多。毋庸置疑的是，计算机在很多任务上做得很出色——不仅仅是下棋，还能学会其他更复杂的任务。然而总的来说，人工智能计算机还是只能在某些方面表现突出，而且即使是*简单的人工智能也需要许多硬件支持，需要许多能源。与之形成鲜明对比的是，我们小小的脑袋只需消耗一盏小夜灯的电量就可以做更多的事情。从这个角度看，计算机是非常糟糕的大脑，而计算机科学的目标之一就是把计算机变得更像人脑。 机器学习的关键，正如赫布所想，在于固定连接的神经网络有很多事情不能做，而连接神经元的突触（或者说是计算机里的模拟“神经元”）能根据经验修改。这种可塑性不仅存在于感觉系统里，而且是整个大脑通行的规则。可塑性让大脑能从损伤中修复，还能让大脑把资源分配给*重要的任务。在大脑中，神经网络可以学着去预测世界中有什么物体，它用过去习得的知识来辅助识别视网膜输入的原始信息。总而言之，这意味着感知不仅仅是对视觉图景的固定响应，而且是习得的。大脑的神经网络在看到视觉特征的特定组合时能认出它们。 对于我们理解感知、思维和情感的实际体验，这意味着什么？我们没有明确的答案，但是我们可以想象远处的答案大概会是怎样。已知的、已验证的科学知识可以给我们以切入点。我将带你们走一小段路，看看感官体验是怎么变成感知和思想的。 *后，这一切中的“我”在哪里？ 当我们从外部看大脑时，谈论大脑很容易，但是我们想象中的内在的那个自己在哪里呢？这个问题我们几乎无从下手——我们陷入了意识的本质，即自我问题。我们将在本书的*后讨论这个问题，我没有答案，只是试图带你更清楚地看待这个问题。