不 是 很 嚴謹 的 相似 ─ 是 真 的 神經 系統 。 它 的 研究 者 被 稱為 「 連結論 者 」 （ connectionists ） ， 他們 想 知道 把 一些 神經元 連結起來 時 會 產生 什麼 樣 的 行為 ， 以 代替 用 程式 來 控制 電腦 。 大腦 是 由 神經元 組成 的 ， 因此 大腦 就 是 一 個 神經 網路 模式 ， 這 是 一 個 事實 。 連結論 者 希望 在 研究 神經 互動 時 ， 能夠 顯現出 模糊 不定 的 智慧 本質 ， 而 過去 人工 智慧 一些 無法 解決 的 問題 ， 或許 能夠 靠用 正確 連結 不同 神經群 的 方式 來 解決 。 它 與 電腦 不同 的 地方 在於 它 沒有 ＣＰＵ ， 也 沒有 把 訊息 儲存 在 中央 的 記憶 系統 中 ， 這 個 網路 的 知識 和 記憶 是 分布 在 它 個別 神經群 的 連通性 中 ， 就 跟 真的 大腦 一樣 。 從 表面 來 看 ， 神經 網路 模式 好像 跟 我 的 興趣 十分 吻合 ， 但是 我 的 希望 很 快 就 破滅 了 。 到 這 個 時候 ， 我 已經 形成 一 個 概念 ， 知道 有 三 件 事 對於 瞭解 大腦 至為 關鍵 。 第一 是 大腦 功能 上 所 涵蓋 的 時間 。 真正 的 大腦 所 處理 的 是 一連串 飛快 的 訊息 ， 訊息 進 、 出 大腦 沒有 一 刻 是 靜止 的 。 第二 是 回饋 的 重要性 。 神經 解剖學家 很 早 就 知道 大腦 中 充滿 了 回饋 的 連結 路線 ， 例如 ， 在 新 皮質 和 它 下面 的 視丘 （ thalamus ） 之間 有 迴路 連結 ， 它 的 反向 連結 （ 傳回 輸入端 ） 超出 前向 連結 的 十 倍 ！ 也就是說 ， 每 一 根 神經 纖維 向 前 傳送 訊息 到 新 皮質 去 時 ， 就 有 十 根 纖維 將 訊息 送回到 處理 感覺 的 地方 （ 視丘 ） 。 在 整 個 新 皮質區 ， 回饋 主控 大部分 的 連結 。 沒有 人 瞭解 這 個 回饋 的 精確 角色 ， 但 從 已 發表 的 研究 中 ， 很 清楚 的 知道 它 存在 大腦 的 每 一 個 角落 ， 所以 我 想 它 一定 很 重要 。 第三 是 大腦 的 任何 理論 、 任何 模式 都 必須 能 解釋 大腦 的 結構 。 新 皮質 並 不 是 一 個 簡單 的 結構 ， 我們 下面 會 看到 ， 它 是 一 個 重複性 的 階層 組織 ， 任何 不 認同 這 個 結構 的 神經 網路 模式 必然 無法 像 大腦 一樣 的 運作 。 然而 當 神經 網路 模式 最初 出現 時 ， 它 靠 的 不過 是 一 群 很 簡單 的 模式 ， 無法 合乎 我 標準 中 的 任何 一 點 。 大部分 神經 網路 模式 是 由 三 排 少數 的 神經元 連結 而 成 ， 一 個 形態 （ pattern ） 被 送到 第一 排 的 神經元 （ 這 就 是 輸入 ） ， 這些 輸入 神經元 連結到 鄰近 一 排 的 神經元 ， 叫做 隱藏 單位 （ hidden units ） ， 這 個 隱藏 單位 再 傳到 最後 一 排 的 輸出 單位 。 這些 神經元 之間 的 連結 有 著 不同 的 強度 ， 表示 一 個 神經元 的 活動力 可能 增加 另 一 個 神經元 的 活動力 ， 以及 減少 第三 個 神經元 的 活動力 ， 全 看 它們 之間 連結 的 強度 。 用 改變 這些 強度 的 方法 ， 神經 網路 模式 學習 把 輸入 形態 對應到 輸出 形態 。 這些 簡單 的 神經 網路 模式 只有 處理 靜態 的 形態 ， 沒有 用到 回饋 系統 ， 所以 一點 也 不 像 真正 的 大腦 。 最 普遍 的 一 個 神經 網路 模式 叫做 「 後向 傳遞 」 （ back propagation ） 網路 ， 它 是 靠 著 從 輸出 單位 將 錯誤 的 訊息 向 後 送往 輸入 單位 來 學習 的 。 你 可能 以為 這 是 一 個 回饋 形式 ， 實則 不然 。 錯誤 的 後向 傳遞 只 在 學習期 發生 。 當 神經 網路 模式 經過 訓練 、 正常 運作 時 ， 訊息 便 只 朝 單方向 流動 ， 輸出 不再 對 輸入 傳送 回饋 。 另外 ， 這些 模式 也 沒有 顧及到 時間 ， 它 將 一 個 靜態 的 輸入 形態 轉換成 一 個 靜態 的 輸出 形態 ， 然後 另外 一 個 靜態 的 形態 又 出現 。 在 這 模式 中 ， 對於 前面 曾經 出現 過 的 形態 沒有 記憶 也 沒有 記錄 ， 哪怕 是 才 剛 發生 過 的 。 最後 ， 對照 真正 大腦 的 複雜性 及 階層性 ， 這些 神經 網路 模式 的 結構 更 顯得 無足輕重 。 我 以為 這 個 領域 很 快 就 會 移動到 比較 真實 的 神經 網路 模式 去 ， 但是 它 沒有 ， 因為 這些 簡單 的 神經 網路 模式 就 已經 足以 去 做 許多 有趣 的 事 ， 結果 研究 停頓 在 那裡 一 停 就 是 好幾 年 。 他們 發現 了 這樣 一 個 有趣 的 新 工具 ， 一 夜 之間 ， 幾千 個 科學家 、 工程師 和 學生 都 申請到 研究 經費 、 拿到 博士 學位 和 撰寫 神經 網路 模式 的 書 ； 新 公司 成立 ， 用 神經 網路 模式 來 預測 股票 市場 、 處理 貸款 申請書 、 確認 簽名 的 筆跡 以及 執行 幾百 種 其他 的 形態 分類 應用 。 雖然 這 個 領域 的 創始人 他們 的 本意 是 比較 全面 的 ， 但是 後來 壟斷 這 個 領域 的 人 卻 對 瞭解 大腦 如何 運作 毫無 興趣 ， 對於 智慧 究竟 為何 也 沒 感覺 。 新聞界 並 不 十分 瞭解 箇中 的 差異 ， 報紙 、 雜誌 及 電視 的 科學 節目 都 把 神經 網路 模式 當作 「 像 大腦 一樣 」 或 說 它 是 依照 「 跟 大腦 一樣 的 原則 」 在 運作 。 神經 網路 模式 不 像 人工 智慧 ， 一定 要 預先 設定好 程式 才 可以 學 ， 神經 網路 模式 可以 從 例子 中 學習 ， 所以 它 看起來 好像 比較 聰明 的 樣子 。 有 一 個 很 吸引人 的 展示 是 NetTalk ， 這 個 神經 網路 模式 學會 把 一 序列 的 字母 對應到 聲音 上 ， 當 在 接受 拼讀 印刷 文字 的 訓練 時 ， 它 開始 以 電腦 語音 來 讀 課文 。 你 很 容易 就 會 想像 ： 只要 再 多一點 時間 ， 這 個 神經 網路 模式 就 可以 跟 人類 對話 了 。 在 全 國 的 新聞 中 ， NetTalk 被 誤指為 一 個 可以 學習 閱讀 的 機器 。 儘管 NetTalk 是 個 很 棒 的 展示品 ， 其實 它 真正 做到 的 不過 是 枝微末節 的 本事 ， 它 不能 讀 也 無法 瞭解 ， 完全 沒有 實用 價值 ， 它 所 做 的 只是 把 字母 組合 跟 事先 預設 好 的 聲音 配對 起來 而已 。 讓 我 給 你 打 個 比方 ， 你 就 能 看出 神經 網路 模式 跟 真正 大腦 間 很 大 的 差異 。 請 想像 我們 現在 不 是 想 找出 大腦 是 如何 運作 的 ， 而是 想 找出 數位