【时间】：2016年6月26日

　　【地点】：中国科学技术技术馆

　　【主题】：用人脑研究脑：是探索更是挑战

　　主持人：

　　尊敬的各位来宾：

　　理解未来第十七期讲座现在开始，首先掌声有请未来论坛秘书处秘书长武红女士登台致辞。

　　武红：谢谢大家！

　　我想问一下今天在我们会场有哪一些听众是第一次来听我们这个讲座的？还是挺多的。我先代表我们未来论坛秘书处感谢有这么多新的朋友加入到我们热爱科学这样一个讲座里面。当然刚刚大家看到了这个视频其实是我们未来论坛一部分的科学家和一部分的发起理事，我们还有20多位企业家、投资家在过去一年里面他们给未来论坛最大的支持，今天现场我们也请到了几位我们的理事来参加我们未来论坛每月一度的讲座。

　　在过去一年里面我们举办了16期讲座，我们请了各个领域的科学家，有来自于生命科学、数学、物理、天体物理方方面面、最高水平的科普，我们面向公众是免费的。未来论坛在这一年里面，我觉得受到社会各个方面的关注，也受到了今天在座很多听众对我们的关注，我在这里面特别感谢国家科协和科技馆对我们这个公益平台给予的支持。今天这个场地就是由科技馆为我们免费提供的，面向公众做科普这样一个非常好的地方，所以我在这里也代表未来论坛、代表我们所有的听众谢谢中国科技馆对未来论坛的支持。谢谢。

　　大家刚刚看到了我们未来论坛所做的我们希望能够做一个未来的科学大奖，能够希望推动中国基础科学的发展，能够树立更多科学家的偶像，因为在我成长那个年代里面，其实我们心里面对科学家是有无上的崇敬，我们小的时候华罗庚、陈景润都是我们心中的偶像，我希望透过今天我们这样一个公益平台，能够让更多的科学家成为社会的偶像，我觉得在今天当下社会里是非常非常有意义，也是非常重要的。所以这也是我们号召这么多的企业家来一起支持这个公益的平台。

　　还有就是我们每一个月的讲座，这个讲座我觉得其实不仅仅是让大家能够对科学知识的认知，更多希望通过这样科学讲座能够启蒙大家的思想，能够对未来有更多的让大家在日常工作里边能够仰望星空，能够相信未来。今天在第17期讲座我们请到一位非常出色的也是我心目中非常非常敬仰第一位请到女科学家李兆平老师。李兆平老师她非常非常的出色，是伦敦大学学院计算神经科学教授，也是北京师范大学认知神经科学与学习国家重点实验室的教授。她本人毕业于复旦大学，在美国加州理工大学获得博士学位，先后在美国普林思顿高能研究所和洛克菲勒大学等等很多重要研究机构获得很多研究成果和重要的研究工作，她今天给大家带来的主题是让我们透过脑科学来认知我们的头脑，可能很多的听众觉得这个课题是不是过于学术了，但是其实我相信当你们听过李教授的讲座以后，你们会对自己的大脑，对整个脑科学会有一个新的认知，接下来就想大家用最热烈的掌声请上李教授为17期开讲做主旨发言，有请李教授。

　　李兆平：

　　谢谢大家！很高兴我能够有这个机会和大家共享一些我们脑科学里面比较有趣的东西，我还非常希望能够听见大家的反馈。

　　今天讲的东西，我们在用脑去研究我们的脑，因为我们总是用自己的脑来思考这件事情是怎么回事，从一个原因到结果。可是如果用这样的思考研究自己的脑会会不会出现什么问题，我就继续讲下去。

　　在脑科学研究里面，其实刚开始基本上都是实验观察，有好几个领域一起来做，比方说从心理、生理、医学，比如说你的脑子有什么创伤，比方说解剖，你把脑子打开，当然有的时候是用动物并不是完全是人，当然脑子创伤出车祸的时候也会有这样的情况。但是作为理论学家，理论必须对脑科学研究做一些指导，否则的话，我们就没有一种思想怎么样去做这件事情。理论可以指导，也可以误导，所以比方说曾经有一个理论，我们到底是用心还是用脑去想问题的？如果你这个理论说是心去想这个问题，比如我很担心心里面很高兴，这样的理论就会对我们实验探索来一个误导，所以在历史上来说我们理论学家的贡献还是比较有限的，理论贡献经常就是说别人也不管，也没什么用，经常就是马后炮。

　　以至于比方说有这么一个鼻祖解剖学家Cajal，他大概100多年前，1852年到1934年的科学家，他100多年前拿了诺贝尔奖。他就认为理论学家是一个故做勤奋的懒汉， 他下意识地想用最少的努力达到最大的收获， 因为编个理论比发现个现象容易。他会很失望，现在还不足以产出理论，即使是天才也需要花好多年去专心做实验。很多貌似完美的理论以失败告终。当然这是100多年前，100多年前的现象还不多，数据还不多，所以理论就没有一种土壤生存，可能现在我们的数据就越来越多，有很多实验观察，有了实验数据就有土壤酝酿出理论，我还要说一句，他当时好像总是以为故做勤奋懒汉好像是一个男人，也不知道是不是他认为女人不是这样子古典，我们还不是很清楚。

　　但是最近脑科学开始变了，现在有很多实验可以产生理论。最近理论开始冲击实验，我来给大家讲一个例子，其中一个例子就是强化学习，就是怎么样从奖惩来学到，该做什么事情，不该做什么事情。比方说你有一天不小步一脚踩空了从台阶摔下去了，下次你就会小心一点，因为这是给你的惩罚。然后在90年代的时候就有这么三个理论学家提出来：大脑里面多巴胺的信号就是给你奖惩预测的错误信号。这个理论就非常划时代，因为这个理论就带动一大批实验，尤其带动了新的实验，也对很多已知、未解的实验数据提出非常好的解释。自从这个理论发表以后，整个领域就突起，很多文章突然产生了，对这个领域推动就不是马后炮，所以这个理论就产生了指导工作。但是我们理论的眼光还是很容易受到主观思想的限制，可能我们会产生不识庐山真面目，因为我们自己在看自己的脑子，所以我就用我们比较熟悉视觉系统来给大家慢慢讲。

　　还有一个原因，我们为什么要挑视觉系统呢？因为我们有一个说法，眼睛是心灵的窗户，为什么眼睛是心灵的窗户呢？视觉系统从眼球开始，信息下一步就跑到大脑的第一个视觉皮层，叫做视觉初皮层，这个皮层也叫V1，视觉第一皮层。下一步跑到第二皮层、第三皮层、第四皮层，v2、V3、V4，最后它会跑道前额区，大家认为这个前额区主要做认知决策的。大脑有点像瘪的气球，气球吹开以后像铺开的世界地图，不同的脑区图不同的颜色，你就看着比较容易，于是刚开始就有一个视网膜，下一站视网膜信息下载到V1区，再下一站就是高级脑区，最后还是跑到前额叶。大家注意到在这个图上有不少脑区是图色的，图了颜色脑区专管视觉信息，不图颜色的脑区不是专管视觉信息，可能做决策、听觉，视觉和听觉、触觉、嗅觉混起来，或者是记忆。

　　这是一个猴子的大脑，在这个猴子大脑里边竟然有50%脑区是专管视觉，这是不是就说明眼睛是心灵的窗户，因为我们有五官，其中有一个感官能够占50%的脑子，更不要提还有很多决策、记忆、思想这些问题。所以有的时候你想学习大脑是怎么回事，也许真的从视觉这个窗户可以去学。

　　大家还可以做一个比较，也许大家都听说过人工智能用来做深度学习的一个卷积神经网络，这个卷积神经网络其实很多人说是想来模拟大脑从V1、V2、V3、V4区的一个结构，从今天这个讲座你们到最后想想这个模拟哪里是像的、哪里是不像的，这个到最后再说。

　　从脑地图可以打开发现每一块什么颜色，连起来就像一块一块线路图，是不是看上去有一点像集成网络的线路，这是非常复杂，就是每个颜色对着每个颜色。然后再往下面看，在一个脑区里面就有很多神经元，这些神经元就有点像一个树林里面很多树，这些树和树之间有连接、有信息交流，通过它们树枝的连接来交流。那么我们生理学家怎么观察脑子的呢？他就可以把电极插到我们脑区里面，对准一个神经元插下去，就认为神经元是电子元件，然后就可以测神经元里面的电压，这个电压其实就是对视觉输入的反映，比如说可以做一个屏幕上面放着不同的图像，你就看作为一个神经元对这个屏幕上什么样的图像有反应，什么样的图像没有反映，这样的话就可以观察神经元怎么回事。这个神经元的反映就是用脉冲，脉冲发放率来表示的，比如这个神经元放10个脉冲，另外一个神经元20个脉冲，神经元的发放如果是一群神经元发送相当于认知行为，比如说一个分支行为，我认出这个脸，没有认出那个脸，或者我想到什么事情，这就是一个认知行为，一群神经元发放就有点像跳团体操一样，很多很多神经元的信号。你看到这个其实是比较难，想象一下有一个计算机，有一个电压表对着计算机电子元件测电压，拿着几十个电压表，只能测几十个电子元件，可是计算机集成电路电子元件太多，你能不能从测电压信号来说计算机到底算什么，是算一个什么函数，这是不是比较难，因为我们大脑一共有几十到几百亿、上千亿神经元怎么个看法。

　　当然还有一个办法，不是一个一个神经元来看，还有脑成像就看，是一群一群的神经元来看，你就可以看的全一点，但是看的很粗，你不是看一个一个电压而是一群电压的平均，所以这是我们生命学家、脑科学家们面临比较大的困难，当然这个困难还要去克服。

　　我们理解视觉是怎么回事，视觉定义怎么回事呢？视觉可以定义为这么回事，就是怎么样从2维图像来推导出3维世界里面的物体是怎么一回事，也就是这个函数从2维输入到3维世界，反过来的函数，就是成像的函数从3维世界跑到2维的图像。这个函数就很容易做，比方说好莱坞用计算机制图成像造出很多很漂亮的电影，看着像真的一样，像真的照片一样，说明从3维世界到2维图像这个问题已经解决了。可是它的反问题就是我们的视觉问题，这个问题还没有解决，我们举例一下，视觉里面比较有趣的观察，而且是出乎意料的观察，正是因为我们不见庐山真面目的一种观察。

　　第一个例子，我们来问视觉到底有都难？如果给你看这么一个2维图像，你一下能认出有一个碟子、杯子什么之类很方便，于是我们认为这是很容易的一件事情。大概半个世纪以前MIT麻省理工学院教授就给他们学生暑假项目，你们学生都是很聪明能够自己计算机编程，我让你们编一个软件，这个软件输入四个图像，输出很多名字，碟子、杯子什么什么名字。可是几十年过去了，大教授们和高材生们都不能把这件事情做得完美，为什么呢？因为计算机看见其实是一串数字，这么多一串数字，每个数字表示在这个图这么一点是多亮和多暗，你怎么从数字里面知道有一个碟子呢？你必须哪个数字是从碟子上面来的，哪一个数字不是从碟子上面来的，那你怎么知道这个数字是从碟子上面来，还没有认出那个碟子呢，所以这里面隐藏非常大的问题就是鸡和蛋的问题，先有鸡还是先有蛋，也就是说现有物体识别，还有物体分割出来那些数字是从碟子上面来，这个问题比我们想象难得多。正以为视觉对我们大脑做起来太容易了，我们也没有想到能够这么难，这是第一个没有想到的。

　　第二，大家也许会觉得你是不是会讲视错觉太有趣了，也许今天可以听听视错觉。视错觉很多网上都有热议，我就讲一些大家大概还没有听见过的更有趣的事情。其中一件事情，就是说我们几乎是瞎子，其实我们一目了然全部看见，基本上都没看见，不信我给你看一个例子。你能不能一看出图之间的区别，看出的话举手。稀稀拉拉的举了几个手，10%都不到，你不是一目了然应该看得见吗？其实看不见对吧，到现在还是没几个人举手，什么地方有区别，这个区别很大，不是很小一点，开始有人看见了，在这个地方有一个飞机上有引擎，一个飞机上没引擎，所以我们自以为都看见，其实全是瞎子。为什么是这样的呢？这个事情科学家们对于视觉系统研究几百年，这个现象只是在近20年才发现，也就是说我们全给忽悠了，根本不知道有这件事情，最近1999年这件事情才发现。

　　怎么回事呢？其实在视觉系统里面有一个信息瓶颈，我们看看信息瓶颈哪儿来的？首先信息从眼睛里面输入，有多少信息呢？大概有几十兆字节信息，几十兆哪儿来的？比如说一秒钟30张照片输入你的照相机，这是你的CPU照相机输入，30多张图片也就是30兆，太多了，30兆多少呢？就是30本长篇小说，你能不能30本长篇小说一秒钟读下来，谁能读，读不了。那你说可以压缩，你这个视网膜就给压缩一下，可是压缩有限度，压缩10倍、100倍了不起了，所以30兆变成1兆，1兆还是一本长篇小说你也读不了，两句话了不起了，一秒钟读两句话。所以99%的信息全给丢了，丢的信息你就瞎了，所以我刚才问你这两个图像有什么叙别，这么大的区别都看不见，所以这就是瞎了，这就是一个问题。

　　那么你说我的脑子怎么样能够在两句话里面，一大本书里面找两句话呢，你可能不能把一本书全部读下来以后才觉得这句话最重要，我就只读这两句话，一本书全读下来你不用找了全读下来了，你就马后炮不用找了，所以这是注意力问题，注意力是非常聪明的事情，它不用把一本书全读下来，就找到最重要的两句话，这个就是没有鸡就有蛋，就说这两句话怎么厉害。我们在生活当中虽然全瞎了，注意力让我们该看见的两句话还是看见了，别的都不用看，所以我们所以在路上不会被汽车撞死，也不会被老虎吃了，所以注意力非常聪明。怎么聪明法？它是怎么样选择这两句话的呢？它其实是用我们眼动来选择，眼睛这么动来动去的看，比方说这个眼睛正好看见这个引擎你就没瞎，如果没看这个引擎你就瞎那了。那你说我没觉得这样，我们可以做一个实验，比方说你用一个手伸长前面去你就看你自己的手，另外一个手放在45度的地方，眼睛别动，能够看见几个手指，看不见，这里视力1.5，这里视力大概是0.01，所以你的眼睛如果不看就是瞎了，我们脑子自欺欺人，所以脑子很聪明可以自欺欺人还活的很好。眼睛一秒种可移动三次，动的很快，也就是说这里两句话，这里两句话就读下来，读的就是最重要，以至于我们能够活的很好，不会马上被老虎吃掉。

　　就有一个问题，信息瓶颈到底在脑子哪里发生的呢，是在视觉初皮层V1区发生，还是在V2区发生的，这是一个很重要的问题，那为了这个问题，我们先注意到一件事情，视觉瓶颈选择两句话有两种机制，一个是自上而下选择，比方说大家注意力对着我看，就把注意力对着我。另外一个是自下而上注意选择，是一种无意识，不是有意识听你的讲座，正好听到一半的时候，突然哪个狗跳出来，你就会无意识把注意力不集中跳出去，我们小时候老师同学们注意力集中看黑板，看黑板要是什么东西窜出来，你还必须看，否则的话要是一个老虎把你吃了可不行，所以这是自下而上必须要自己能够救活你生命注意力控制，是一个反射性的，我们今天就讲反射性，因为这是最重要的，能够救我们生命的一个注意力，这是最重要、最快的一个注意力。

　　那么为了讲自下而上注意力，科学家是用一个什么方法，就是用显著图的概念，这是心理图提出的显著图，也就是你用图像输入就会显示显著图，就像一个地图一样，告诉你这里显著看这两句话，不要看那两句话，用显著图引导你的眼动，位置越显著，你的眼睛吸引你的注意自动往那边看，然后它反映就会很快。我的问题就变成显著图在哪个脑区？大家认为显著图脑区应该在前额叶，因为前额叶是很聪明的事情，注意力这么聪明把我们两句话挑出来，这太聪明了。为什么前额叶聪明呢？比方说我们这里可以看出来，人类的前额叶就比较大，涂黑的地方就是人类的前额叶，猴子前额叶就小一点，猫前额叶就更小。比例人类前额叶这么大的比例，所以前额叶为很聪明的地方。像我们南方比方说有一种说法，你的额头好薄，你的福气很好，这个人很聪明，所以既然注意力要这么聪明就应该是前额叶来做。相比之下V1区就比较笨，太低级，为什么认为V1区太低级，我们生命学家V1区的确是蛮低级的，生理学家顺藤摸瓜从视网膜开始看，我们是怎么回事。视网膜其实也是一个想象小的线路图在里面，其实像我们照相机有线路图做一些数据处理。那这些人是我们鼻祖，其中一个人叫Steve Kuffler，1953年的时候他发表文章就说，视网膜有很多神经元就是提取图像特征，这个特征就是点。他怎么做？就像我刚才说把电极插到脑子里面，当然他用的是猫不是人的脑子，在图像屏幕上就给它看各种各样的点，他就发现每一个神经元只对图像上面很小一个区域输入有反应，很小区域就叫感受眼。第二，这个很小的区域必须有一定的图像才会有反映，什么一定的图像呢？是一个点，有些神经元喜欢在黑背景上面的白点，有些喜欢白背景上的黑点，有些是绿背景上的红点之类的，这有五个不同的神经元。所以这样就产生了一种新的思想理论，就是说好像我们视网膜神经元就是来提取特征输入特征，输入特征就是点。

　　他手下有两个弟子，一个叫Hubel，一个叫Wiesel，他们就把这个理论思想继承袭来，视网膜这样提取点，下一站提取什么特征，下一站V1神经区域提取特征特就发现变成一个小线段，不是一个点，小线段两点成一线大概差不多，有些喜欢横线、有些喜欢竖线，有些白线、有些黑线、有些绿线、有些红线、有些斜线，甚至有些喜欢动的线，有些往这个方向动，有些往那个方向动，还是看一个小的感受眼，这个感受眼必须是红线，另外一个感受眼，这个感受眼必须是横线之类的，还是这个线，他们工作做的非常特色，以至于他们就得到了1980诺贝尔奖，因为把整个脑区就弄的很清楚。

　　可是大家还是觉得很低级，虽然每个神经元看特征，这个特征还是太少，比方说在一个人脸上特征只是小小的斑点，或者一个小角，还是认不出整个脸，V1区神经元还是不够聪明。但是你这个思想就是提取特征思想可能往上类推，那你说既然V1是做这么一个线，那V2也许变成一个三角形，正方向，到最后变成一个脸也可能了。所以大家就用同样思想往上走，既然这两位先驱用十年做出这么大的成果，再过十年V2区搞出来了，V3区就搞出来。可是我们30、40年过去了，这样的进展竟然就没有，这个领域变得越来越大，科学家工具越来越先进，但是我们照着这个思路去做就做不成了，就没有这么大的进展。在这样的情况下作为理论学家就必须退一步反思，那到底发生了什么事情，也就是说这个思想不能往下继续走下需了，提取特征这个思想也许不对，从V1区到V2区产生质的变化，也就是V1区到底在干什么你就要反思一下。那么我们刚才不是在说哪个脑区建立显著图吸引自己的注意力，我们以为脑区在前额叶比较聪敏的地方，而我们认为V1区是比较笨的地方，也许V1区就在做这件事情。

　　于是我们来试试看看假设。V1区建立这么一个显著图，也就是说如果你有一个显著图，我就说这个显著图就等于V1区的神经元发放率，这就是我的方程，我今天就讲一个方程，这个方程很简单，这块方图就等于这块方图。V1区有很多神经元，这个显著图认为这根竖棒比较显著，V1区一个神经元就对竖棒反映比别的神经元对这些横棒反映更强烈，这就变成一个显著图。当然在V1区有很多神经元，在这个竖棒位置有很多神经元，有些喜欢竖棒，有些喜欢横棒，有些喜欢绿的棒，有些喜欢动的棒，有些不喜欢动的棒。所有神经元都在看这个区域，只要这些神经元哪个发放最厉害，这个发放率反映的强度就是显著性，这就是一个假设。然后你看得到了这个显著图的表示了以后，下面只需要把显著图读出来，然后就把眼睛移到这个位置上就行了。正好脑图里面的确有一个位置上丘脑，上丘脑专门管眼动的，控制眼睛肌肉动的，正好V1区就直接输出上丘脑，所以这个机制其实是在的，所以这个也是可以的。这样的情况下，神经元反映买注意力购物货币，谁出钱出的多，谁的感受眼受到注意，注意力眼睛就会移过去，就是这个意思。

　　我们看看能不能用这个东西来理解，我们怎么做，当然这个例子里面是竖棒比较显著，你也可以竖棒变成横棒，横棒也是很显著，在这样情况下，你可以得到同样显著图，这个显著图里面对横棒发放其实是V1区另外一个神经元感受眼也在这个位置，但是它是喜欢横棒也会这样的发放，或者这个位置不一定是颜色显著，而是因为运动显著，别的地方都不动，这个地方动也会显著，V1区有一个神经元对运动会有反应，这个反映也会很大，使它得到显著。所以你可以用打个比喻，相当于我们有一个拍卖店，拍卖店有一个口号，我们注意力在此拍卖，不计你的特征喜好，谁发放率强，我就把注意力卖给谁。这个拍卖商他就看数钱了，有三个买家，一个是V1区的一个神经元他喜欢往右边运动的，他就出一个1个脉冲钱，另外一个V1区神经元喜欢红色的，它出3个脉冲钱，另外一个V1区神经元是喜欢这么一个朝向的，他就喜欢出2个脉冲的钱，谁钱出的多他就把注意力卖给谁，其实就这么回事，这样就能做这件事情。

　　你就可以问这个里面魔术在哪里，怎么从视网膜的图跑到V1区变成这个样子。怎么变的呢？其实在V1区里面有一个神经网络。

　　在这里，其实你看看做这么多机制其实只要这几个脑区，V1、独处区和眼睛。就是一个照相机，一个处理器、一个输出器就很方便可以做出来。怎么做呢？V1区其实有一个内部的神经网络，这个内部神经网络虽然每一个V1神经元只能一孔之见，很小的一块区域，可是神经元与神经元之间相互连接、有相互作用，这样相互作用可以形容成同性相斥。什么意思呢？比如说我是一个神经元，你也是一个神经元，我们两个都有对输入有反应，我们两个都喜欢同样的朝向，比如喜欢横的朝向，这样两个神经元会相互抑制，于是我们背景如果有很多横棒，横棒反映喜欢横朝向神经元相互抑制，它们反映都压下来，可是你这个图里面有一个唯一竖棒，这个竖棒不被别人压制，它的反映没被压制，以至于它的反映就是最高的，所以显著图是它最显著，就可以解释这个。同性相斥，如果你给他另外一个输入，比方说周围横棒变成竖棒，这下同性相斥竖棒过去不被抑制现在全被抑制，因为竖棒和竖棒之间有抑制，这样情况下本来非常显著的竖棒，现在在这个图里面就不显著了，但是如果周围棒全部拿去，就没有人抑制当然是最显著，这个是能解释这样的。

　　还能解释更多注意力现象，比方说我给几个最简单注意力现象。刚才我说红棒也会非常显著，可是红棒这样同性相斥就变成同颜色相斥，性就变成颜色，喜欢同样红色的神经元相互抑制，喜欢同样绿颜色神经元会相互抑制，背景都是蓝色，所以喜欢蓝色颜色神经元被抑制，唯一红色的棒就没有被抑制，神经元就发放最厉害，所以它也是最显著。但是同样的动力，如果是唯一的运动棒也会被抑制也是最显著。甚至你可以说，如果在上面第一张图竖棒加上横棒，它这一块地方还是最显著，并不需要V1区有一个神经元喜欢认出十字的，并不需要，因为本来竖棒还是没有被抑制，所以它的反映还是最大，所以以至于它拍卖买注意力还是它出的钱最高，所以这块地方还是吸引注意力最厉害，所以根本就不需要V1区聪明不得了，要有一个神经元可以看得出十字，不用的，一个神经元只要能够看一个竖棒、横棒就够了，就可以了。一个神经元看竖棒，一个神经元看横棒，一个神经元看斜棒，这个这是一个非常简单的线路图就可以做这个事情。

　　我们所有的理论，每个理论都希望能够有一个检验的标准，你能不能给一个理论推测，这个推测是过去没有想到的推测，这样理论才会有用，否则的话都是马后炮。其中有一个推测是关于我们是什么样的东西可以吸引我们注意力。我们刚才已经说了这类东西比如说你是与众不同朝向、与众不同颜色、与众不同运动能够吸引注意力。当然我们也可以想象，如果黑色的河马也可以吸引注意力，或者有一个脸都可以吸引，不用理论告诉我们，我也知道他们吸引注意力，很多地方吸引注意力不只是自上而下一种反射性，有的是自下而上的。有的时候图里面两个地方同时吸引你的注意力，一个是因为它是红色，一个是因为它是唯一的斜棒，这两个地方竞争谁先吸引到注意力，这种地方不用理论产生，我们都可以想象，不出乎意料。

　　但是，我们看这么一个情况，比方说我们给你看这么一个图，可是这个图只给你左眼看，不给你右眼看，这很方便你可以用看立体电影的立体眼镜来看。看见图里面大数棒都是左倾，只有一个棒右倾，这根棒它是唯一朝向的，所以它是非常显著的，它对V1反映最大，所以它会吸引你的注意力。可是我们看的情况下，戴着3D眼镜，你是不知道好像只有左眼看见不是右眼，只要你不作弊不要把一个眼睛闭起来，你以为两个眼睛同时看到，在这样情况下，如果把眼睛里面一根棒移到另外一个眼睛里面去，把它放在右眼，你看见其实同一幅图，你根本没有看出来一根棒跑到右眼里面去，在这样情况下这根棒其实也是唯一特殊的，因为它是特殊的输入眼，照我们V1的理论，同性相斥也对这个性质是同性相斥，因为它是唯一的输入眼，大家同样左眼输入，V1有些细胞喜欢左眼输入，有些细胞喜欢右眼输入，喜欢左眼输入就会同性相斥，V1右眼输入没有同性相斥特的反映最大。既然你的反映最大，我们理论说了，你反映大显著性越大，这样情况下图里面有两块地方吸引注意力，一个是唯一的朝向，一个是唯一的输入点，这两个地方竞争注意力。虽然右边这一根棒看上去和别的没什么不一样，它也会吸引你的注意力吗？这是理论的推测，这样情况下理论怎么推测这样的事情，也许这个理论是错的，实在太不可思议，但是实验观察出来的确是的，它的眼睛不由自主吸引到这个地方，虽然你根本看不出这根棒跟别的棒的区别。甚至于你如果让观察人说有一个任务，必须找出唯一朝向的棒，不要被别的东西干扰，你就要找到唯一朝向的棒越快越好，你叫他们做这个任务越快越好，可是它们不由自主先去看棒，以至于做任务就慢下来，你甚至可以测眼动，看眼睛大多情况下是先看跟他们任务无关的棒，这样就浪费时间，因为我们说的你只能每秒钟动三次眼睛，所以第一次动眼睛就浪费掉。这样情况下得到实验验证，这是意向不到，这是第三个非常意想不到的观察，这个意想不到的观察其实是一个理论的推测。

　　然后我们就可以反思了，这个其实说明V1的贡献，因为只有V1有这样神经元有单眼输入，有的输入眼到底是左眼还是右眼信息，V2以上没有这样的信息，这就是为什么我们看不出棒是左眼还是右眼，因为根本就看不出。然后我们也可以反想，就是视觉有两部分，一个是看，一个是见，我们这个是实验就告诉你，你可以在不见情况下也能看，对不起那个话错了，其实那边有根棒，应该是移到那边去，就是你见不到的情况下也能看，说明什么问题呢？我们看在不见的时候也能看，也就是说你就选一本书两句话，你不用把这本书全部读下来，你就可以选到这两句话，所以是没有鸡就有蛋。但是如果你不看你就不见，当然这里看的意思是注意，你也可以从眼角注意，你眼睛许多朝那个地方看，但是你注意力朝那个地方看，你要是注意力不看就是不见。

　　我们现在回顾一下，当初生理学家们取得了很大进步，视网膜到V1，可是V2以后没有进展，我们说理论思想应该重新想一想，V1到底在干什么？现在知道V1其实在干一个显著图的事情，它在吸引你们的注意力。因为吸引你的注意力，有了这个解释我们就可以想象为什么这里不能进展，V2到底在干什么？既然看了下一步我们就可以推测看了就可以见，也就是选了两句话，读读两句话写的什么，到底是碟子还是杯子之类的。从看到见你有一个注意选择，也就是说有些东西没有被选择上，没有被选择上也就是信息给删了，信息给删了什么意思呢？信息丢失了，在信息丢失的情况下，是不是怪不得我们过去的研究没有进展这么困难重重，是因为信息丢了我要再去测那里感受眼就不大容易，因为很多信息在V1被选择了，有些被收录，有些被删掉了，是不是就可以有这么一个理解。当然如果你认为V2以上可能做这件事情，你就可以继续往下推，我们可以往高端再推，如果已经见了以后就可以知道你可以继续看，看的更好一点，甚至你可以看的有好的结果，也可以有错的结果，甚至把看的东西存入记忆，也可以指挥半角什么之类的，什么事情就可以做了，这些就不说了。

　　但是给大家一个体会，大家来体验一下看和见其实是分开，我们平时总说看见，两件事情是一回事，其实是分开的。我给大家做一个示范，比如说我给一个图找唯一朝下的棒，你说太容易了，找一个唯一朝下棒，朝下棒很显著，我们注意力被V1吸引过去，每一个棒上就加一个横棒或者加一根竖棒，你会产生什么图，就会是这么一个图，这个图看V1棒跑到哪里去了。是不是就不大容易看见了，怎么回事？V1棒还在，还是原来的地方，为什么不大容易看见，因为两根棒放在一起就变成一个叉，这个叉就是一个物体，就像我们认识脸一样，这个叉和别的叉长的一样，看是V1区看的，它只看棒不认叉，因为V1没有一个神经元可以认叉，他指挥你看过去。可是高级脑区就可以见，见到叉，高级脑区还有一个聪明的地方，它可以见，见的不变性，物体识别不变性，比方说我识出一个脸，你可以脸转一个角度还能认出同一张脸，叉叉转向不同通的角度你认为是同样的角度，不觉得叉叉有什么区别，所以就糊涂了，虽然V1区可以让你看，你还是被它糊涂掉，我们要不要体会这件事情，我给你看类似的图让，你找唯一的斜棒，你看这个斜棒是唯一的，大家都是左倾，它是右斜。我们准备开始在下一幅图找唯一朝向的斜棒，如果你找到了以后我就叫拍一下手，拍响一点，只拍一次，不要拍多次，你拍一下我就知道你找到了。已经有几个拍了，好像很多人还没有找到，没有找到的人举手，很多人没有找到。其实在哪里呢？在这里，怎么回事呢？就是你的高级脑区太聪明了，怎么回事？我现在给你看眼动，这是找的人眼动轨迹，他从这里开始它马上一两个眼动跑到哪里，也就是一秒钟眼动看过去，大多数人一秒到三秒眼睛看过上去，一秒到三秒拍的稀稀拉拉几个人，大多数没有拍。这个人眼睛看过去干啥，它这个完全靠V1区把眼睛吸过去，它其实是‘看而不见’的‘看’，它其实没见，它眼睛到了就见了，见了它就犹豫了，它就有糊涂了，糊涂了觉得这个否定了，他继续找目标。也就是说脑子太聪明了。这就是为大多数人好像觉得自己没有看见，其实也就是说因为你看了而见，由由高级皮层操纵，因认出物体，而糊涂了。那是怎么回事呢？也就是说你的‘看’比你的认知还要快，而且你是越见越糊涂！看只要三个脑区，一个照相机，一个处理器，一个读出器，你的眼动就过去了，三个脑区在脑子里实在很小一块地方，大多数大脑都可以铲掉了，聪明前额区都不需要。实在是太简单，其实虽然说是简单，比一个青蛙脑子复杂多了，青蛙脑子没有大脑，大脑是我们中枢神经系统，哺乳动物才生出来的，哺乳动物以下没有大脑，它只有前脑，前脑生不出大脑。青蛙它就觉得你那个V1比它还聪明，。但是青蛙他也必须要有注意力抓苍蝇，它抓苍蝇比我们抓的快，为什么？它不用见它也见不用糊涂，跟青蛙比抓苍蝇，它肯定比你快，它很简单计算。我们计算机太聪明，所以人研究我们的大脑就想太复杂，总是觉得这个事情怎么怎么聪明，我们想笨的一点，怎么个笨法，我们青蛙先生做科学家，它一看很简单，显著图就在V1。

　　谢谢大家。

　　主持人：感谢李兆平教授精采演讲，接下来有请对话科学主持人陈恂先生登台。

　　陈恂：

　　大家好！

　　刚才坐在下面听李兆平老师给我们讲这一堂关于脑科学的讲座，我今天脑子动的比较慢，我学到最有意思是说人的注意力是有限的，所以我就理解了十几岁小孩为什么成天很难管束。但是我能够负责任的说，今天在李兆平老师给我们讲座的一个小时之内，大家都把我们非常非常有限注意力放在了学习我们脑科学前沿这件事情上，所以我觉得是一件非常有吸引力的学习的机会，首先请大家再次向李老师精采演讲表示感谢。

　　下面我们进入对话环节，今天有幸请到对这个行业有着很深刻理解的几位老师我们一起来讨论这件事情。首先有请：北京大学物理学院欧阳颀教授；北京大学心理与认知科学学院院长方方教授；首先请欧阳教授和方方教授介绍他们平时自己研究的工作，以及为什么对脑科学有兴趣，主要给李兆平老师一个休息的机会。

　　欧阳颀：

　　脑科学只是听说，我是物理学院的，当然跟脑科学沾一点边，所谓人工智能方面我在做一些工作，可能我可以从最基本物理角度来理解一些脑，主要是人工脑做出来的。

　　方方：

　　我是北京大学心理与认知科学学院的，我们学院前身就是北京大学心理学系，大家可能对心理学觉得比较神秘，其实一点都不神秘，我大概是2010年的时候我们跟李兆平老师讨论了一个关于视觉显著图的想法，后来我们把这个想法付诸实施，用功能性磁共振高密度脑电记录人脑神经活动，和李兆平老师一起揭示视觉显著图在大脑里怎么产生的。我本科在北京大学心理学系，后来硕士北京大学智能科学系，智能科学系是从属北京大学计算机学院下面一个系，我在那读硕士，后来在美国接着读心理学，主要做视觉和注意力方面的研究。谢谢大家。

　　陈恂：

　　李兆平老师有机会喝了两口水，我请您再次登台，谢谢。

　　我想和几位嘉宾今天讨论第一个问题，我管它叫脑科学作为一种科学，我刚才在台下听的时候我脑子打了一个叉，就证明李兆平老实说的注意力有限。好像脑科学是唯一的以人类的某一个器官命名的科学，我能够想象未来论坛哪一天成立一个脑科学研究基金，不大能想象我们成立一个脚科学研究基金，这就说明一个问题，我就仔细在想真的有没有以人某一个器官命名另外一个科学，我想到一个咱们明代有一位大哲学家叫王阳明，他学问叫阳明心学，首先不能算科学，他其实是哲学，主要内容知行合一，他谈的是认知，实际上他想说阳明脑学，只不过在那个时候没有认知在脑子里而不是在心理。所以回到我们刚才说脑科学是唯一的人的器官命名的科学，几位科学家很快用一句话，为什么有一门科学提高到这样一个高度，科学的分门别类有物理学、化学、生物学，能够专门为脑有一个科学，这个根本的原因是什么？

　　欧阳颀：

　　我还真不知道这个问题，我是这么考虑的，脑应该是我们人类能够理解的上限，可能有比脑更复杂的东西，但是人不会理解，因为你从信息论的角度讲，一个结构复杂的东西可以影射到结构简单，结构简单影射不到结构复杂，信息论就是影射关系，为什么（有）脑科学呢？脑科学应该是人类能够理解的最高境界，当然我不太相信人可以把脑全部解析出来，所以才有脑科学。

　　方方：

　　下面讲话可能稍微极端一点。我个人觉得脑科学是最难的、最值得研究的一门学科。为什么呢？在科学上有四大难题，宇宙的起源归物理专业来解决，生命起源是生命科学家来做，剩下两个都是老科学来做，意识本质是什么，智力是怎么产生的。如果说四大科学问题脑科学可以解决两大科学问题，它必然是最难的，最值得我们去做的。

　　李兆平：

　　我同意两位老师说的，还有一个可能加上去脑科学的人最近越来越多了，大家觉得比较有兴趣，人多了就成为一群，所以就变成分开的脑科学。

　　陈恂：

　　这恐怕是最精辟的定义。我自己对这个问题也有一点看法，我觉得很明显刚才施一公在视频里头有一句话叫做科学是人类给历史留下的唯一印记，我们看我们自己看到整个人类的文明，文明基础全是在脑子基础之上建立，我们琢磨脑子实际上琢磨智能，琢磨认知的能力到底从何而来。如果说脑科学是因为有这样的意义，我们现在有大量人力、物力、吸引世界上最好的脑子去研究它，脑科学作为一个科学，如果我们把它和我们可能大家都比较熟悉的物理学来做一个对应的话，它处在一个什么样的发展阶段，我们今天是牛顿力学阶段、量子力学阶段还是什么，各位有什么看法？

　　李兆平：

　　也许我看的太近了不大容易看得清楚，我很想听听欧阳老师稍微远一点的眼光，我有的时候太直观，我觉得马上也许希望我在我死之前能够看的更清楚一点，这个也许想的太好了，所以我想听听欧阳老师的意见。

　　欧阳颀：

　　我是这么想的，要是类比的话，我们知道力学的发展史，开普勒天文观测总结成开普勒三定律，在座都知道，至少高中以后都知道了。牛顿把开普勒定律变成牛顿三定律，尤其是引力定律。然后一旦有了牛顿第二定律，力学的概念全部有了。对至少行星系统有了很深刻的理解，同时马上可以应用到实际中去，实际上定量科学的起始。这是力学，后面电磁学、量子力学都是这样的。在这个基础上我觉得脑科学，为什么我不敢碰神经科学，就是它还在开普勒之前的摸索阶段，还在积累数据，找一些局部基本规律阶段，也就是说在积累那些行星每天怎么走，你要给它总结出来，当然V1是一个总结，总结出一部分规律，而且这部分规律确实在应用上做了很大贡献，以至于现在实际上我认为现在脑科学研究只是揭示脑的一部分规律，用这一部分规律我们已经做很多了，已经放到工程上。比如说和李老师一块，他现在还在我们学校AlphaGO下棋下过世界冠军，它实际上就是用脑科学基础概念，这些基础概念是不是脑科学本质我不知道，所谓人工智能网络，从脑科学的启发下做了一些算法，我搭上人工网络做自我学习出来的。就是说从这方面讲脑科学已经有很大的应用前景，但是从科学角度讲，我认为它还在前开普勒时代，没有一个核心理论把大脑解析清楚，能不能有这个理论，我现在还不知道，我希望能够有，但是有一些观点认为这个理论不存在，也是另外的一种观点，我大概觉得在这个阶段。

　　方方：

　　我基本同意欧阳老师的看法，对脑科学目前阶段来说，有一句话可以总结，就是脑科学没有钢铁的定律，没有钢铁定律就是说什么意思呢？就是现在没有一条规律，没有一个公式，能把所有的脑科学现象都描述清楚，因此说现在脑科学绝对跟物理学相比，绝对是处在牛顿力学之前。但是，大家千万不要因此对脑科学探索失望、灰心，觉得这个东西是不可知的，不能像欧阳老师说不敢去碰这个东西，我这个是不赞成的。我以今天李兆平老师讲的为例，李兆平老师做了行为学实验，积累了很多数据，而且做出数学模型，做出来了它的规律，我和李兆平老师合作在脑成像方面积累很多脑科学的数据，这些数据基本上可以解释一些简单视觉显著图是怎么产生，脑科学在最近这些年进展非常快，如果到北京大学脑成像中心，我们真的可以通过对你脑活动的检测知道你在想什么，想做什么，喜欢什么，某些特定情况下我们还可以通过一定的刺激，控制你的大脑，使你更喜欢什么，更想什么，更不喜欢什么，这是目前的一个状况。

　　陈恂：

　　我提出一个假设，我觉得咱们宇宙里面应该有三种智能，一个是生物智能，最高端表现方式就是今天讨论的脑科学，人的大脑能够承载认知的能力和发明创造的能力。第二种是我们一直在说人工智能，这个也是我们发明，但是以非常不一样的形式体现出来。第三种一直都盼望也害怕就是外星人智能，到现在还没有接触过，我想经过我们下一段这段讨论，我们再引回外星人智能可能性再聊一聊。

　　下一段特别想来比较一下大脑所代表生物智能和人工智能之间有一个什么样的关系，未来论坛还有一个活动叫闭门耕，我们做一个闭门的相对深入的讨论，我们有一次讨论这个话题脑科学与人工智能的关系，当时脑科学我们请神经科学家清华医学院鲁白教授，人工智能请中国科学院自动化研究所人工智能专家王飞跃教授。李兆平老师提到人脑最大功能信息压缩，所以我们当天经过大半天讨论我把整个讨论压缩成一句话跟大家分享，就是其实人工智能和脑科学的关系不大，我特别想听听在座几位真正专家对这个问题的看法，你们是怎么想的？

　　欧阳颀：

　　我不太同意这个观点。因为实际上从人工智能上世纪90年代初开始，当时人工智能搭的那个网络框架就是脑科学，现在你看有一个做记忆叫哈菲尔，这是一个网络，他就是学脑的记忆，然后把它简化，你要说不搭界，怎么叫不搭界，物理学家或者数学家做事情怎么做？我把你的功能尽量简化，简化到什么程度呢？再简化一步就什么都不是了，以这个为基础再来研究这些东西，至少在现在第一个哈菲尔网络，还有刚才李老师讲所谓卷积的神经网络，还有竖状神经网络，这都是AlphaGO做的神经网络，它都有脑科学，为什么这个结构要这么搭，其实都是和脑相关的。但是话又说回来，为什么不搭界呢？这可能是脑科学发现第一层最基础的规律，这些最基础规律已经威胁人类讲到了，实际上我们还有好多东西没挖出来。我举一个例子，和围棋冠军下围棋的那个计算机，我从能量上讲，物理就是能量，人们大脑非常集中思考的时候耗的能是多少呢？相当于一个100瓦的灯泡，你要给计算机100瓦让它去打架没戏，至少给他1万、10万倍功率才能达到那个作用，这个能量极限我想按照现在计算方法是不可能突破的，肯定有一些新的规律，我猜想应该有一些新的规律藏在我们脑子里，我们脑子处理信息不是现在卷积这些计算，肯定还有新的计算方法，这些计算方法从脑科学研究来给我们做信息科学反馈，不搭界是不是有点太过分了。

　　陈恂：

　　有没有反对欧阳老师意见的。

　　方方：

　　认同。

　　李兆平：

　　我觉得的确是很搭界的，比方说我们脑科学领域，尤其计算神经科学领域，刚开始基本上是无家可归，因为这个领域不存在。其实这个领域很多杂的人混在一起，这些杂的人最近几十年有的人就去做机器学习，有些人更往生物，一定情况下算理科和工科分工。这些分工是工作的关系，就是我要找一个工作，因为分工、获得兴趣更往工科方向走，有些更往理科方向走，尤其年纪大70、80年代开始的两个方面都做。比如我刚才讲强化学习，强化学习先是计算机，当时我就认为强化学习这个事情照物理方法不大好做，脑子是一个黑匣子怎么知道它是怎么回事，最好从边界开始，脑子的边界就是输入和输出，输入就是感官系统，输出就是你是手，中间的地方碰不到，你要是胡思乱想就是空中楼阁，就很不容易做。所以我就把强化学习认为是碰不到的地方，可是碰不到的地方从计算机强化学习的东西，说多巴胺是奖惩信号，我就一下子愣了，这是非常好的东西，这个分的越来越窄，像哲学家后来分成物理学家、化学家，的确稍微离的远一点，但是年纪大一点两个都做。

　　陈恂：

　　我其实也是同意几位老师的说法，人工智能和脑科学是搭界，搭界的程度也就是跟鸟在飞和飞机在飞差不了太多。这句话不是一句笑话，它想说明的是什么呢？人是看到了脑在飞，知道我们有一个东西在空气当中飞行，我们最后发明飞机的时候，我们借用了什么东西，我们其实只借用了一个东西空气动力学，或者说有一个法国科学家伯努利原理，我们知道有这样形式在空中一定速度划过产生一个升力，其实就用这么一个东西，飞机没有用鸟的材料，没有用鸟的飞行形式和鸟的能源供应方式，搭界不搭界，搭界，但是只是搭界到这个程度。

　　如果把一只鸟和飞机来比，我不知道这个东西影射到我们今天所讨论脑智能和人工智能，会不会产生一个很恐怖的感觉，什么意思呢？人脑就是那只鸟，人工智能就是那个飞机，今天人工智能在我们认为最高端、最抽象的游戏里面已经能够把我们打的一败涂地，刚才李老师幻灯片有一张照片认识这样的物体，人几十年搞下来不会认识到，但是李老师最近现在这一点可以做到，机器软件认出这是一个杯子、这是一个窗户，已经没有问题，所以人工智能进步速度很恐怖，大家已经体会到了。我这里提另外一件事情，我想听听几位老师的反映，那就是人脑已经停止进化了，为什么？脑好使的人并不见得会有更多机会生孩子，脑子不好使的人也不见得就没有机会生孩子，所以脑子好使的人和脑子不好使的人，传递基因后代的机会是一样的，这样的话人脑或者人的生物智能的进化已经停止了。但是我们都知道人工智能的进化不仅没有停止，实际上还在加速，所以你把两条曲线，一个在加速，一个在停止，一定在某一点人工智能会超过人的智能，这一点就是有人管它叫“奇点”，提出这个说法的一位科学家也曾经参加过我们未来论坛成立大会，现在在谷歌工作叫Ray Kurzweil，所以刚才这段说的有点多，我想听听几位老师跟我们分享一下他们对这件事情的看法，你们认为是不是有一天人工智能一定会超过人的智能？

　　欧阳颀：

　　肯定会超过，没有任何疑问，就是刚才类比脑和飞机一样，肯定会超过。实际上我看江苏《最强大脑》，那些题目要计算机算比人算的快多了，从这个基础上人已经比不强最强大脑，最强大脑所有任务让计算机干肯定比人大脑好，人能不能超过计算机，现在来看这些计算都是人设计的，现在有点失控是什么呢？就是计算机的自我学习能力，他学习出来策略人都理解不了，现在已经到这种程度了。我觉得计算机在各方面比人强大，这是毫无疑问的，这是以后发展的方向。比如说我们为什么拖拉机比人耕地快，这个没有什么。关键有一个问题，大家看电影看出来的问题，计算机能够有自我意识，如果他有自我意识就非常可怕了，它就变成一个计算机族群，一旦族群之间的对抗就可怕了。这一点是心理学家的主要任务，科学家就管什么事呢？就管理解事物、造出机器，科学家有时候做的事情非常危险，造出来东西为人类服务，也可以糟蹋人类，这个东西怎么解决好象不光是科学家的事，还得是大家的事，心理学家，甚至哲学家、社会学家大家讨论在适当的时候得做一些限制，对于脑科学来讲，我相信机器复杂到一定程度你想让它进化出有自我意识是可以的，但是我们不允许进化到那个地步，这是非常重要的。方老师对于自我意识这些东西研究比较多。

　　方方：

　　我不是做自我意识，心理学院有老师作这个。我提供一点素材，大家重新思考陈恂博士对还是不对，思考一下欧阳老师讲东西的对还是不对，陈恂博士讲人脑进化已经停止了，我提供一个数字，我可以问一下大家，如果让你做一个非常非常难的任务，解决一个非常难的数学问题，或者思考一个很复杂的人际关系，在这种极端情况下，我们的大脑里边有百亿个神经元，百分之多少神经元会被起用，我们大脑在一个人的人生当中，在某一时刻最多会有百分之多少神经元同时活动来支撑我们思维，大家有概念吗？

　　提问：20%。

　　提问：30%。

　　方方：

　　如果说20%，你每顿饭吃几两米饭，二两，如果说20%每顿饭吃八两米饭，大脑作为单独器官耗能很多，大脑只有5%的神经元同时激活和工作，神经元激活越多耗能越多，根据这个比例需要吃八两或者一斤的米饭每天才能支撑您活下来。

　　我提供这个素材想一想陈恂博士提到的问题，我们还有95%的神经元很少很少用，即使说不能进化了，如果我们优化我们大脑的功能，优化我们神经网络，是不是在智力上还可以进步提高，这是对陈恂博士说法的回应。

　　第二个，关于人工智能究竟能不能超过真人智能，AlphaGO是人工智能，我们现在提的一个概念叫类人智能，叫Human like intelligence，类人智能和人工智能区别在什么呢？我们想一想下围棋人工智能解决所有的东西都是在限定环境下，有限定规则的，有确定目标情况下人工智能表现比人要好。一旦没有规定，没有确定目标，人工智能还能不能超过人的智能，这就是值得我们考虑。围棋是从过去打仗过来了，我们假设每一个围棋棋子都变成一个士兵，指挥这些士兵，士兵在战场位置不是固定，每个士兵有每个士兵的情绪，每个士兵有每个士兵的状态，士兵和士兵之间有人际关系，怎么控制这些士兵打败另外这些士兵，这是智能所要回答的问题，现在智能不仅仅是智能，要加入一些情感的因素，我们人类包括某些动物有集体主义精神和利他主意精神，当我们完成一个任务一个同伴牺牲为了这个群体最终完成某一个目标，人是可以做到的，如果你完全按照规则来做去制作一个人工智能产品，人工智能产品最大限度让自己存活下来，会不会为了群体利益实现最终目标，这是需要考虑的，提出来类人智能和情绪智能的概念，需要我们在智能研究中需要考虑的。

　　李兆平：

　　其实我也没有一个回答，我也不知道。从能量观点上我也觉得的确是我们机器可以能量多一点，也许有一个能量解决的问题，也许不用耗这么多能。我们注意力有一个瓶颈，机器也许不需要瓶颈，在这样情况下就像欧阳老师说机器算四位数乘法比我们快，这些东西都做的比我们快。关键问题在于我们能不能控制限制人工智能，现在是我们在教机器，是不是到哪个程度上我们已经教不了它们，它们自己教自己，这个问题我不知道，我现在先不想。

　　陈恂：

　　我其实想大概了解一下我们听众对这个问题的感觉，人工智能有一点会毫无疑问超过人的智能，如果觉得是举一下手，差不多40%还不到，其他多数的朋友们还是觉得人的智能是更伟大的。

　　我稍微回应一下刚才方老师刚才的说法，人工智能现在做的比较漂亮，能够战胜人的智能通常在有规则的环境之内。仔细放大了想整个宇宙是有规则，我们知道宇宙里头只有那么多元素，这一点我们已经很清楚了。规则无非是我们所看到现象集合大小的而已，有一天还是能够觉得我们最后是战胜不了机器智能。虽说多数朋友都不相信这一点，我们沿着这个方向如果再往下推两步，有时候会出现很古怪的观察，我不知道大家有多少人最近听说过“模拟假设”这个说法，来自于被尊崇为创业教父。大概是这么一个逻辑推理，人的智能很重要一部分就是逻辑推理，假设说我们作为一个高等智能动物所产生出来的文明和科学，使得我们能够产生出来一个人造的人工的智能，这个人工的智能最后又会超越我们，你如果在全宇宙里面去看，现在科学已经告诉我们有多少恒星，有多少行星，出现跟地球大概差不多环境的概率乘上整个宇宙大小这个数字是挺大的一个数字，换句话说宇宙里头有其他高等智能生物进化出来的概率是很大的，如果是这样的话它们造出来它们的人，外星人智能概率也是很大，如果这样的话它们极有可能拿它们人工智能做一个计算机模拟，模拟它们历史上遥远的祖先们是怎么过的那么痛苦的日子，而我们就是计算机模拟里面的一个角色。挺好玩的，有挺恐怖的，和有一部电影《黑客帝国》所讲的东西是挺像的，我说到这儿我想跟几位老师讨论一下，其实刚才李兆平老师已经提到，我们应该限制发展人工智能，这一点是不是几位老师都同意。

　　欧阳颀：

　　现在应该有一些限制，比如说不允许让它有自我意识。

　　陈恂：

　　但是欧阳老师我们不知道自我意识怎么产生的，

　　欧阳颀：

　　所以研究自我意识产生是非常重要，研究清楚以后，或者有一些就是不让计算机产生自我意识，产生自我意识就麻烦了。

　　陈恂：

　　我再跟您争论一下，听说狗是有自我意识的。

　　方方：

　　狗没有。猴子可能有，可能没有，真正自我意识人在产生，猴子心理上做一个实验，猴子脸上涂一个红点，他看到镜子里有红点会使劲抠，把那个红点抠掉，它觉得红点在自己身上，这是真正自我意识该还是条件反映不太确定，这是一个标志说有可能有，再往下没有了，所以说狗是不怕自我牺牲的。

　　陈恂：

　　方方老师您觉得我们应该限制人工智能发展吗？如果限制用什么样方法限制、限制什么？

　　欧阳颀：

　　我不知道自我意识是怎么回事。

　　方方：

　　人的大脑有一片区域，就是负责自我意识产生，如果把这块区域神经活动增强，就会有很强自我抑制，抑制自我感觉会降很多。人处在不同层次、不同发展阶段，都有不同的自我意识、通过这种方法调节自我意识。我理解欧阳老师的意思，不能让机器是为了自身的利益而去做一些事情，不择手段做一些事情。

　　欧阳颀：

　　不能让机器认为是一个个体，我这个个体区分于你这个个体，这种东西要存在就有问题。

　　方方：

　　不能只为它自己去工作，其实是这个意思。这就涉及到脑科学奖赏系统，李兆平老师刚才讲到多巴胺系统，人做任何一件事情都是这个系统分泌多巴胺驱动你做这个事情，机器人不应该有这个东西，为了自己的目的不择手段，这是不可以的。

　　陈恂：

　　几位老师觉得我们可能都是某一个都是电脑模拟实验中间的一个角色吗？

　　欧阳颀：

　　没准，有这个可能。因为你刚才说，当然这有一个进化，可能有几亿年的兆落，我总觉得这种几率不大。

　　李兆平：

　　希望它模拟的好我们不要发现。

　　欧阳颀：

　　虽然说宇宙很大，但是现在说量子力学有超级作用，至少有一条因果论还是存在的，如果有因果论的话，信息是不能以高于光速传递的，这一点是肯定的，虽然宇宙很大，我们这个区域和外界到底有什么信息联系，可能也就是一个光源，现在也有引力波这些联系，不可能出现特别厉害的，希望是这样的，要不然咱们成了别人模拟，人家一按电纽咱们全没了。跟小孩玩玩具，玩腻了，回家睡觉了，一关电门咱们没了。

　　方方：

　　我认为有可能存在，我们是不是一个外界生物创造的一个玩偶，这完全有可能，但在科学上目前想不出来用什么方法去检测它，现在还是把它归结为一个哲学问题，非常有趣的哲学问题。

　　李兆平：

　　我是想如果我们真是别人模拟，我们现在已经发展挺不错，也许他们应该跟我们通讯了，其实你是我模拟出来，我们也足够坚强能够接受这个事实，是模拟出来，也许通讯会很有趣。

　　陈恂：

　　我只能说我们都是模拟程序，我们写程序这个人还是挺仁慈，大家过的都挺快乐的对吧。下面这段时间我们请观众如果有什么特别如鲠在喉不吐不快的问题可以请教专家。

　　提问：

　　李老师好，我是做VR这一块的，我对一个观点非常关注，也希望问一些问题。因为我们最近在做VR电影有一个非常困难的问题就是怎么去引导人们注意画面中的内容，因为VR电影是一个全景的东西，如果我们能够引导人们去关注这些东西来构架这个故事，VR的互动性将会非常好，所以我希望在这一块能跟您沟通一下和一些您的看法。

　　陈恂：

　　专家讨论给你科学答案的时候，我先给你一个玩笑答案，请编模拟程序的人改一下程序就行了。

　　提问：

　　就是虚拟现实，现在做出来让人感觉到在现实空间所感受的东西。人观看现实会有不同的注意点，我们制造出来虚拟现实的空间。

　　李兆平：你想让它注意什么地方？

　　提问：

　　对，我们讲一个好的故事或者让他注意好的东西，引起互动。

　　李兆平：

　　让它注意有一个自下而上的注意，有一个自上而下的注意，你告诉它看这里，也可以用自下而上让它自动去注意，自下而上你就可以看我们脑子里面这些功能，比如说这是唯一的一个东西，你就让唯一的东西不用告诉它，自己会去看的，可以用这个方法。

　　提问：

　　后面讲到更深层次的，包括相互竞价会出现不同注意力信息点存在的，我了解有的说法可能会把我们周围环境变暗，给一个光点，用手电筒或者光点引导人们注意力观看那个地方，或者用声音音效的方式引导注意力，或者它讲的一些话引起大脑产生互动，因为你跟着它逻辑去走，所以你知道会是这样，我想知道深层次的东西。

　　方方：

　　把这个最难的问题交给我了。

　　李兆平：

　　因为你是心理学家。

　　方方：

　　基本上跟李兆平老师观点是一样的，自上而下注意，自下而上注意。在深度3维空间做不同的东西，可以充分利用深度线索产生视觉显著图，刺激自下而上的注意力。自上而下可以借助声音、一些运动信息，借助它整个情境帮助你产生让观众注意你更加想让他注意的。

　　提问：李老师好，我最近从事很多深度学习方面的工作，我有一个问题想问一下生物学家，一般从计算机科学的角度我们需要特别多样本训练一个神经网络，当然是计算机里面的神经网络，很明显人类是不需要很多样本的，我们中国人有一句成语叫举一反三，发现人类的大脑非常善于举一反三，但是机器算法没有办法实现，这是不是牵扯到您提到V2、V3或者V4层这些生物学的奥秘也许我们没有弄清楚。

　　李兆平：

其实机器也可以举一反三，深度学习网络很多地方都有很重要验证方法就是举一反三，机器做出来没有举一反三说明它学的还不好，现在学术上学习必须要有举一反三。怎么能够让一个东西举一反三做的好还是不好，这是大家现在还在理解的问题，深度学习为什么能够做得好，这件事情我也非常关注，大家现在还没有答案。

　　提问：

　　我关心人脑为什么做的好？我不关心机器为什么做得好？因为我就在研究这个问题，我关心人脑为什么做的好。

　　李兆平：

　　我就不知道了。

　　欧阳颀：

　　我觉得这是一个未解，他们应该给我们答案的东西。我现在在做机器学习。我的一个研究生同时训练，主要要挑一些东西，在图像挑有意义的东西出来，训练一个学生5分钟告诉他挑什么就行了，训练一个机器你得给它1000个样本，甚至10000个样本，他才能学会95%，这就是差别。给一个7岁小孩把图像长这样挑出来，5分钟全找出来，你要让机器学这个且折腾呢，哪怕是7岁的小孩他就有一套方法，他真能挑出这个东西，这是脑科学的一个魔术，如果你要能知道人脑是怎么做这些事，对于机器学习来讲可能是一个很大的事。

　　李兆平：

　　也可能是一个表象的问题，脑科学和计算机科学都有表象是怎么回事，我们人和人，比方说欧阳老师教学生，你是用语言，语言的表象和被教学生脑子里面的表象是合的，所以也许就容易，这是我猜，我没有证据。如果要机器要你学什么东西马上可以举一反三，叫人学人怎么这么笨，怎么还没有学会，人和机器表象能够互通的，这是我猜的。

　　陈恂：

　　我觉得欧阳老师你对机器太苛刻了，7岁小孩已经学了7年，咱们训练机器训练7年也差不多。

　　欧阳颀：

　　只是训练小孩吃饭，没有训练这个，他也是第一次见到这种东西，马上他就能适应把东西挑出来。

　　方方：

　　这位朋友说学习是一种叫小样本学习，深度学习是大样本学习，要澄清一个误区，小样本学习或者举一反三并不是说他不学习，是因为他在以前学了很多很多东西以后，才能对某一个特定的问题举一反三。我举一个简单的例子来说，比如说现在大家认为李兆平老师是一个脑科学家，问她一个脑科学问题她举一反三能给出很多解决方案，这个东西从哪儿来？因为她20岁多以前乃至博士受到物理学的训练，物理学的知识迁移到脑科学研究中才能举一反三，举一反三并不是说她当时训练，并不是说她当时需要很好的学习，因为以前有很多学习能力可以。小孩子发展出举一反三能力，也一定学了其他相关知识才能举一反三，白板小孩绝对不可能举一反三，这是需要澄清的问题。

　　提问：

　　方方教授提的这个问题实际上已经反映生物学完全不同层面和计算机科学不一样的问题，他的意思就是说实际上我们用来学习的网络不应该是一个完全稀松的矩阵，应该完全充满了数据的矩阵，这也许很有可能是一个值得研究的方向，已经被训练过N种其他任务的矩阵，再被重新训练一个新的概念，一般来说我了解的算法都是拿一个稀松矩阵为某一个任务进行训练。

　　提问：

　　四位老师好，刚才您说我们人类人工智能是外星人模拟出来的，有可能不是他们有意模拟出来，而是模拟出来的一个BUG，计算机编程的时候，计算机代码成千上万行，因为一个错误或者架构问题出现神奇的BUG，外星人模拟宇宙物理结构，然后出现人类这么一个神奇的BUG，类比到现在的时代，互联网和大数据的时代，现在数据量越来越庞大，有没有出现全新的网络生命体，是我们完全想不到的生命体。

　　李兆平：

　　也许把这个BUG拿掉我们就没有原子弹，这样就比较安全一点。

　　方方：

　　因为我们智能是有缺陷的，我同意您这个观点我们是一个BUG。

　　提问：

　　老师我觉得您可惜可能没有理解我的重点，外星人模拟宇宙这么大的数据量产生人类这么奇特生命体，有没有可能互联网时代、大数据时代会产生全新的网络生命体？

　　提问：

　　他的意思是说他假设人是被模拟出来的，他模拟出来的时候是外星人无法控制，他说BUG出现一个外星人无法控制的东西就是人类，类比于网络，现在人类正在研究网络、人工智能，会不会说人在研究网络、人工智能的时候也出现一个BUG，这个BUG人类无法控制，他想表达是这个意思。

　　陈恂：

　　我倒是想用两位交流分享一点，我刚刚学到不久跟咱们优秀华人在微软做深度学习的陆琦，从哪儿学到很基本的知识，我想早就应该有了。人的学习分成两种不同的种类，一种李教授讲的强化学习，这个学习巴甫洛夫敲玲给动物喂食物道理是一样的。还有一种学习方法叫transference，我教你，通过语言的形式把你的思想传递给另外一个人，刚才两位在这里演示就是两个高等智能相互之间通过语言形式学习的方式，这种方式不大可能是一个BUG。

　　提问：

　　人的立体思维在哪里产生？V1是线性的。我想知道人的立体思维怎么产生？你刚才说V1区只识别线性，说明还没有到面的层次，我想知道立体是在哪里产生的，因为我本身是斜视的患者。

　　陈恂：

　　立体3维的感觉。

　　提问：

　　对。

　　李兆平：

　　立体视觉在V2以上，V1已经有神经元表示深度，但是深度可能是错的，也可能是对的，在V2以上越来越把对的深度拿出来。

　　方方：

　　这位观众最感兴趣是立体思维。

　　李兆平：

　　哦，立体思维不是立体视觉。

　　提问：

　　我看到立体不知道是不是看到立体，我感受到这个是立体的，我眼睛看不到立体我是不知道，我只知道脑子里感受到立体，我想知道脑子里怎么感受到的立体。

　　李兆平：

　　一定情况下脑子里面学习对外界做一个模型，否则的话信息太多了，模型就有一个想象力，这是因为你的想象力使你有感知，我刚才说视觉是一个反函数，是成像反函数，成像从3维到2维是唯一的函数，反函数有很多解，一个解是你的视觉，有的时候解从这么多解找出最可能的解，找出最可能解必须对世界要有一个统计上清楚，为什么大数据现在用的比较多，这是机器学习里面的概念。大数据统计模型越准确可以做的越好，脑子也是这么运行的。

　　提问：

　　我自己观察自己，照您这样说我两只眼睛都看了，我脑子就会处理，但是事实上斜视的患者，他的两个眼睛虽然都看到了东西，无法脑子里无法形成立体思维。

　　李兆平：

　　一只眼睛也可以有立体。

　　提问：

　　我不认可你这个看法，如果有立体这个东西飞过来，立体应该判断出距离，但是我判断不出来距离，应该没有立体。

　　李兆平：

　　你指得深度视觉，一只眼睛也可以看出立体，我们有很多冗余，冗余情况下，把冗余全部拿掉，比如说透视、影子、冗余信息全部拿掉了，两个眼睛之间的差别来你就看不到深度，大多数情况是比较少才发生，这是一个特殊的情况。

　　提问：

　　谢谢四位老师今天下午的精采分享。刚才方方老师对陈博士提出来人工智能能不能超过人类智能，其中有一个论证，我们目前人脑大概被开发利用的神经元是5%左右，就这个论证我想有三个追问：第一个，在已知科学当中人脑神经元被开发上限是多少？，有些神经元自主呼吸未必和智能有关。第二个，人类进入文明社会到今天人脑神经元开发百分比增加多少？第三个，科学家现在有哪些可能的方法会用来优化和开发利用现在还没有被开发出来的神经元？

　　陈恂：

　　我再加一个问题，大脑神经元增强仪一台得卖多少钱？

　　方方：

　　提出这来三个问题我都回答不了，他问从人类出现开始到现在，脑功能神经元利用提升了百分之多少？远古时代那个时候没有仪器测这个东西，这个实在没有办法回答。我想跟大家说，现在确实我们可以用一些物理训练的方法，可以提高你的视力这个没有问题的，提高你的听觉，提高你的短时记忆，包括语言能力，这都是可以做的。另外你还可以用电的刺激、磁的刺激对大脑特定区域进行低强度的刺激，可以抑制或者增强你部分脑区功能都是可以实现的，在科学、自然杂志都有很多文章探讨这个问题，效果也很明显，我可以回答这些。

　　提问：

　　各位老师我想请教一个问题，人的高等智慧从低等动物进化来的，从脑科学研究上讲，首先你是自我意识前提是意识，意识跟神经反射基本的分界点是什么？这两个差别本质是什么？本质意识到自我意识之间本质差别是什么？

　　李兆平：

　　其实我也不知道意识定义是什么，这是一个不大好定义的一个事情，比方说生物学家好像觉得这个不定义也可以去学习的，但是我不知道这个行不行，你说意识什么的，我不知道定义是什么，你刚才说反映，你给一个东西有一个输入就有一个输出的反映，那个反映到一种什么程度,这是我猜想可能可以的定义，但是我也并不是很满意的定义.如果输入和输出反映自由度太大，你已经不能猜出那个人怎么反映，然后你就自己认为他是有意识，你会认为那个人有意识，另外一个定义我能够预测下面干什么，比如说我知道你要走过来会要踩一脚下去，你还没有踩，我就知道，我能够预测也许是意识一部分的定义。

　　提问：

　　我提一个问题的跟方方老师说法有关，您刚才提到人在思考非常困难问题的时候，大脑全部调动只有5%，我在想所谓非常困难的问题是说思考巨大的决策树、人际关系、物理学的问题，是这种情况还是需要特别集中精力战争、战斗、运动，哪一种大脑活动量更大，这是一个问题？还有下一个问题，另外一种极端状况，西方类冥想，中国类打坐，人类研究过大脑处于什么样的状态，是更活跃还是更不活跃，有没有关注这一类的研究？

　　方方：

　　我来回答这么难的问题吗？

　　提问：

　　您提出的话头您先回答。

　　方方：

　　第一个问题，因为大脑里面有各个不同的部分，比如说前额叶会负责记忆，负责决策。我们边缘系统皮层下一点负责情感控制，比如说你要做一个既要有很强烈计算、决策的任务，而且这个计算决策的后部可能会对你个人的未来有影响或者对周围人有影响，涉及到情感过程，这种情况下多个任务叠加，多个后果产生，调动神经元更多，如果只是简单的跑步和运动皮层、小脑来做就可以了，这个并不是最多的，如果认知活动加上情感活动加在一起，那个引起神经活动是更多的。

　　提问：

　　这是您的猜测还是客观的观察？

　　方方：

　　具体神经元数据是没有办法直接去算的，你只可能功能性论证，看激活脑区大小有多少，再反算估计，不可能把针扎进去测每个人大脑。第二个问题，刚才您说的修行这个东西，一般他们在做观察的时候脑的大部分网络是要稍微安静一点的，比正常情况下要安静一点的。

　　陈恂：

　　最后一个问题。

　　提问：

　　我想问两个问题，第一个问题，想问李兆平老师，我想请您谈谈计算神经科学思想和方法，在社会神经科学研究中应用和发展？第二个问题，想请方方老师谈一下TMS、DCS、超声刺激在人脑研究中的使用和应用？

　　李兆平：

　　第一个问题计算神经科学在社会神经科学里面的应用是吗？

　　提问：

　　我想了解计算神经科学思想和方法，在社会神经科学当中的一个应用和发展？

　　李兆平：

　　计算神经科学思维方法，你说思考方法，我是物理出身还是物理方法，我认为物理方法就是自然科学的方法，自然科学的方法就是一种学会思考的方法，一句老话，一个思考的方法你可以用到各种的学科里面去，所以这个思考方法我们用到脑科学我就叫做计算神经科学，我把思考方法用在社会科学是一个思考方法，一定情况下思考方法，有的时候是一群人的传统或者一群人大家认可的，不一定说科学怎么就不一样了。

　　方方：

　　刚才这位听众提到如何用电刺激、磁刺激、超声刺激，这三个物理刺激去改变人脑的功能？

　　提问：

　　请方方老师谈这三种方法使用区别？

　　方方：

　　电刺激最简单，把电极贴到人脑给交流电或者直流电，通过交流电和直流电改变人的大脑电活动。磁场，磁刺激，是用磁的刺激器，离开大脑几公分距离，通过调整磁场大小和刺激范围，来通过磁场间接改变你的大脑的电活动。超声刺激处在应用前阶段，超声有机械波，可以调控你神经元里面离子通道的改变，同时也可以改变你的认知功能。我觉得三种方法有各种各样的好处，但是它的优点就是说，无论电、磁、超声，用不同操作方式都可以增强你的抑制脑功能，既可以用在研究基础科学问题，也可以用在人的训练当中。比如说美国用电刺激去训练狙击手，打一个两公里以外的目标，通过电刺激训练方式可以显著提高精度，这是一个实践的应用。

　　陈恂：

　　今天时间关系我们讨论到这里结束了。我有一个观察跟大家分享，我不是每一次未来论坛的理解未来讲座都在场，但是我的感觉是这个会场可能是大家提出来的问题我们主讲老师和嘉宾回答说“我不知道”出现的概率最大的，这反映了什么呢？反映了在我们讨论脑科学真的是一个崭新的科学，是一个里面还充满着谜团，充满着未知，其实同时也是充满了机会，看到这里这么多年轻人在这里，所以我想替几位科学家呼吁一下，来搞脑科学吧，真的很好玩，我相信不理解脑，没有理解未来，谢谢大家，也谢谢各位老师。