1701550900
更多的信息往往会带来更大的回报，并赢回额外的成本。如果一个财宝箱被埋在你家附近的某个地方，那么仅仅一条告诉它被埋在北半边还是南半边的信息就很有帮助，因为这节省了你一半的挖掘时间。告诉你它在哪个象限的信息会更有用，等等。坐标上有越多的数字，你就会越少浪费无效挖掘时间，所以你就会愿意付钱得到更多的信息，直到那一点已经非常接近，而不值得再花成本去做更小的细分为止。与之类似，如果你要破解一个密码锁，你拥有的每个数字都会减少需尝试的次数，因而节省的时间会抵消付出的成本。因此往往信息越多越好，直到收益递减的那一点，这就是为什么有些谱系的动物进化出越来越复杂的神经系统。
1701550901
1701550902
自然选择不能给生物体关于它所处环境的信息或是关于计算网络、小幽灵（后台程序）、模块、技能、表征或处理信息的心智器官的信息。它只能在基因之间选择。但基因构建了大脑，且不同的基因构建了以不同方式处理信息的大脑。信息处理的进化必须在螺母和螺栓层次，通过选择影响脑加工处理的基因才能实现。
1701550903
1701550904
许多种类的基因会为了更好的信息处理而成为自然选择的目标。修改过的基因会沿着脑室壁（脑中心的洞）产生不同数量的增殖单位，这会产生制造灰质的皮质神经元。其他的基因会允许增殖单位为不同数目的周期而分开，创造出不同数量和种类的皮质区域。借由移动一些化学物质轨迹和分子建构的路标等方式，用来连结神经元的神经轴可以被诱导往不同的方向上移动，进而完成将神经轴重新布线的目的。基因可以改变分子构成的锁钥结构，以便鼓励一些神经元和其他神经元进行连结。就像那个关于如何雕刻大象雕塑的老笑话中讲的（去掉所有看上去不像大象的部分），神经回路能够通过将程序设计为某种细胞和突触适时的自杀而塑造。神经元能够在胚胎发育的不同时点变得活跃，它们的激活模式，无论是自发的还是程序设计的，都可以在下游被解释为关于如何连线在一起的信息。许多这些过程在级联中相互作用。例如，增加一个区域的大小使得它能够在下游竞争中得到更好的位置。自然选择不关心脑加工过程如何怪异或是形成的脑如何丑陋。对修改的效果的评估，严格按脑算法指导动物的整体感知、思维和行动的效果。通过这些过程，自然选择能够构建一个功能更佳的大脑。
1701550905
1701550906
但随机变异的选择真的能改善神经系统的设计，还是会粉碎它，就像毁坏一个计算机程序中的字节一样，最后保留了没有被损坏的系统？计算机科学的一个新领域被称为遗传算法，它显示了达尔文主义的选择能够创造越来越智能的软件。遗传算法是复制出多个副本的程序，尽管有一些随机变异使得每个副本都略有一点儿差异。所有的复制品在解决问题时都有一场比赛，表现最好的才被允许为下一轮繁殖供给复制品。但首先，每个程序的各个部分都再次被随机变异，且成对的程序进行交配：每个都被一分为二，并相互交换半个。在经过许多轮的计算、选择、变异和繁殖后，幸存下来的程序往往比一个人类程序员所能设计的任何东西都要好。
1701550907
1701550908
与探讨心智演化更为相关的，是这个遗传算法在神经网络上的应用。我们可以将从模拟的感觉器官所得到的信息给一个网络作为输入，然后把网络的输出传递至模拟的肢体，再把这个网络放置在一个散布着“食物”及其他竞争网络的虚拟环境中。那些得到最多食物的网络在下一轮变异和选择之前留下了最多的复制品。变异就是连接权重的随机变化，有时伴随着网络之间的性别重新组合（交换一些它们的连接权重）。在早期迭代期间，“动物”——或者，就像有时它们被称为的，“有生命的物体”——在它们的领地内随意游荡着，它们偶尔会碰到一个食物。但随着进化，它们变为由一个食物呼啸而去。我们的确发现，当一整群神经网络是以演化的方式来调整它的内部的连结权重时，它们所表现出的效能通常都要高于单一网络自行进行学习所能够达到的效能。对于隐含多层级的网络尤其如此，这种网络是复杂动物，特别是人类一定具有的。如果一个网络只能学习，而不进化，那么环境的传授信号传播到隐含层时会被稀释得十分微弱，只能微弱影响连接权重。如果一群网络能够进化，即使它们不能学习，突变和交配的过程仍能直接地修改隐藏层当中的连结权重值，该网络能够在一瞬间拥有与最佳状态更为接近的连结重值组合。这也就是说，网络先天的结构是自然选择的结果。
1701550909
1701550910
进化和学习也可以同时发展，其天生结构在进化的动物也在学习。一群网络能够配置一个遗传学习算法，网络设计者通过猜测、沿袭传统或试错法构建的原始结构，被允许进化和修正。天生规格包括有多少个单位，它们是如何连接的，初始的连接权重是多少，以及在每个学习情境下权重应上下浮动多少等内容。模拟的演化过程将能够为网络在学习生涯中优先取得有利的地位。
1701550911
1701550912
因此，进化能够指导神经网络中的学习。令人奇怪的是，学习也能指导进化。还记得达尔文讨论的“有用结构的初始阶段”——那个半只眼睛有何好处的问题吧。神经网络理论家杰奥弗里·欣顿和斯蒂文·诺兰设定了一个残酷的例子。假设有一个被具有20个连接的神经网络控制的动物，每个连接要么是激活的（开）要么是中性的（关）。但除非20个连接都正确到位，否则神经网络无法发挥作用。不但有半个网络没用，就算有一个95%的网络也没用。在一个是从随机突变的方式来对神经网络的连结权重值进行设定的动物族群里，在大约每百万个（2020）有着不同基因组成的个体当中，才会出现一个拥有完全正确连结的变种个体。更糟糕的是，如果这个动物是有性繁殖的话，这种优势立刻就消失了，因为在终于找到权重的神奇组合后，它交换了一半出去。在这个模拟情境中，没有任何适应性网络进化出来。
1701550913
1701550914
那么现在考虑一群动物，它们的连接可以有3种形式：天生开启，天生闭合，或者可以通过学习设置为开启或闭合。变异决定了动物在出生时某个连接具有这3个可能性中的哪一种（开启、闭合，可学习）。在这些模拟中，平均一只动物有一半的连接是可学习的，另一半是开启或关闭的。个体是以下述的方法进行学习的：每个动物在一生中尝试着随机确定可学习的连接，直到它遇到了神奇组合。在真实生活中，这或许是弄明白如何捕捉猎物或敲碎坚果的方法；不管是什么，动物感觉到它的好运气后就保持着这些设置，停止了试错。从那时起，它就享受了更高的繁殖率。动物在生命中越早获得正确的设置，它具有更高繁殖率的时间就越长。
1701550915
1701550916
既然有了这些进化的学习者，或者学习的进化者，具有不到100%正确的网络就有了优势。以所有具有10个天生连接的动物为例，大约1000个中间的一个会10个连接都正确。（请记住100万个非学习的动物中只有一个具有20个天生连接都正确的动物。）这个禀赋良好的动物会具有通过学习其他10个连接而获得完全正确的网络；假如它只需要对1000种不同的状况进行学习，那么它就能有相当大的机会找出正确的网络。我只得到解答的动物将能够更早进行繁衍，因此也能更频繁地进行繁殖。在它的子嗣中，变异的优势使得越来越多的连接天生正确，因为拥有越多开始就正确的连接，就会花越少的时间来试错，终其一生仍没有学到的概率就越小。因此，在欣顿和诺兰的模拟中，网络进化出越来越多的天生正确的连接。然而，连接从来没有变成完全天生的。随着越来越多的连接被修复好，修复剩余连接的选择压力逐渐减少，因为只需学习少量的连接使得每个生物体都肯定能够迅速学会。学习导致天生能力的进化，但又不是完全天生。
1701550917
1701550918
欣顿和诺兰将他们的计算机模拟仿真结果发到一家期刊，但他们被告知这消息在100年前就被先行登出了。心理学家詹姆斯·马克·鲍德温（James Mark Baldwin）曾提出，学习能够以这样的方式指导进化，创造出一种拉马克式进化幻象而无须真的有拉马克式进化。但没有人证明过这个被称为“鲍德温效应”的观点是否真的有效。欣顿和诺兰展示了为什么它能够有效。学习的能力将“从干草垛里寻找针”的进化问题调整为“当你接近了这根针时，会有人告诉你”。
1701550919
1701550920
鲍德温效应很可能在大脑的进化中发挥了主要作用。与标准社会科学模型相反，学习能力并不是人类在进化历史上晚近时期才达到的一个顶峰。除了最简单的动物之外，几乎所有的动物都能学习。这些就是为什么像果蝇和海蛞蝓这样心智不复杂的生物成为神经科学家被试的原因了。如果多分子动物的早期祖先就有了学习能力，它可能就引导着神经系统向专业化回路的进化，即使这些回路结构是如此复杂，以至于光靠自然选择不足以解释它们出现的原因。
1701550921
1701550923
只有人进化出了智能
1701550924
1701550925
尽管许多动物所拥有的复杂神经系统都在不断地进行演化，但是大部分人以为动物们会努力想演化出较高智能的印象却是错误的。这个通常观点是说，低等动物有不多的几个固定反射，而在高等动物中，反射可以与新的刺激相关联（就像巴甫洛夫的实验中一样），而且反应也可以与奖励相关联（就像斯金纳的实验中一样）。根据这个观点，关联的能力在更高等的生物体中会变得更好，到最后，这些关联将可以脱离肉体欲望的刺激或实质的刺激，而能直接将不同的概念彼此相互连接，达到像人所拥有能力一样的顶峰。但是我们在真实动物身上所见到的智能分布情况绝非如此。
1701550926
1701550927
突尼斯沙漠蚂蚁离开巢，走了一段距离，然后在炙热的沙子上寻找被酷热烤晕的昆虫尸体。当它找到一个后，咬下一大块，转回身径直爬回巢穴里，也就是一个大约50米开外1毫米见方的小洞。它怎么找到回来的路呢？它的导航是靠在来的路上所搜集的信息，而不是靠像闻咸肉一样嗅着回来。如果有人在蚂蚁从巢穴里刚出来时，把它拿起来扔到离窝有一段距离的地方，这个蚂蚁就会漫无目的地转圈圈。如果有人在蚂蚁找到食物后移动了它，它便会朝与家的方向只差一两度的方向，以直线往回跑，直到超越了巢穴所在的距离，再掉转头来搜寻不会在该位置出现的巢穴。这说明蚂蚁测量并储存了回巢穴的方向和距离，这是一种被称为路径整合或航位推算的导航形式。
1701550928
1701550929
这个动物中信息处理的例子是由生物学家鲁迪格·维尔纳（Rudiger Wehner）发现的，它是心理学家兰迪·盖利斯泰尔（Randy Gallistel）所用的许多例子之一，盖利斯泰尔努力使人们不再把学习看作是形成关联。他解释了这个原则：
1701550930
1701550931
路径整合是一个将速度向量对时间求积分以得到位置向量的连积或离散程序。传统中海上导航的离散等效是有间隔地记录航行的方向和速度，用前一个记录以后的间隔乘以每个记录的速度，得到一个间隔接着一个间隔的位移（例如，以每小时5海里的速度向东北航行半小时会将船离原来地点向东北推进2.5海里），然后累加连续的位移（位置改变）就得到了位置净变化。这些在经度和纬度上位移累计的总和就是对船位置的航位推算。
1701550932
1701550933
听者对此表示怀疑。所有这些计算就容纳在一只蚂蚁小小的尖脑袋里吗？事实上，随着计算的进行，这是很简单的东西。你可以花几美元在电器行买几个小零件，就能做个这样的仪器。但对于神经系统的直觉已经被关联主义禁锢得枯竭殆尽，以至于如果一个心理学家要把这个机器的工作原理延伸至人脑，都会被贴上疯狂和不负责任的标志，更不用说归结为一个蚂蚁脑了。一个蚂蚁真能做计算甚至运算吗？当然不能，这显而易见。但当我们在做自己的航位推算时（我们的“方向感”），我们也没有计算。路径整合计算是在无意识中进行的，它们的输出进入了我们的感知——还有蚂蚁的，如果它有的话——这就像一种抽象的感觉：家在那个方向，很远啊。
1701550934
1701550935
其他的动物们执行着更加复杂的运算、逻辑和数据存储。许多候鸟晚上飞行数千公里，通过看星座保持着它们的方向。在做童子军的时候，老师教给我怎样找到北极星：就在小北斗七星的柄端，或是从北斗星的前端外推七倍于它深度的距离。鸟不是天生就有这个知识的，这并不是因为先天就具有这样的知识是一件不可思议的事，而是因为果真如此的话，这些知识很快就会过时，因而毫无用处。地球的自转轴以及伴随而来的北极是以27000年的周期，在进行着一种叫作分点岁差的摇摆运动。在进化的时间表上看，这个周期很快，鸟的回应是进化出一种特殊的运算来学习天极在夜空中的哪个位置。当它们还在巢里不会飞时，这些就都发生了。雏鸟盯着夜空几个小时，注视着星座们缓慢地旋转。它们发现了星星们似乎围绕着那个点运动，然后参照几个附近的星座记下了它的位置，获得了我在童子军手册上被告知的信息。几个月之后，它们就能使用这些星座中的任何一个来保持稳定的方向——比方说，在向南飞时保持北方在身后，或是来年春天面向天极返回北方。
1701550936
1701550937
蜜蜂通过跳舞告诉它们的同巢伙伴，以太阳为参照系的食物的方向和距离。好像这还不够让人惊叹，蜜蜂为了解决在利用太阳进行导航上会遇到的各种工程难题，还发展出了各种不同的调校系统和备用系统。跳舞的蜜蜂使用一个内部时钟来弥补从它发现食物的时间到它传递信息的时间之间太阳的移动。如果是多云，其他的蜜蜂使用天空中光线的偏极性来估计方向。这些杰作只是蜜蜂独创性的冰山一角而已，卡尔·冯·弗里希（Karl Von Prisch）、詹姆斯·古尔德（James Gould）以及其他一些人证明了这些问题。我的一位心理学家同事曾经认为，蜜蜂是一个用来教导大学生神经系统能够进行复杂运算的极佳材料。他在认知科学导论这门课中用第一周的时间来介绍这其中的一些巧妙实验。在第二年的课程中这些介绍增加到两周，三周，以此类推，直到学生们抱怨这门课程已经变成了一门“蜜蜂认知导论”。
1701550938
1701550939
还有许多可类比的例子。许多物种计算在每块地上花多少时间用于搜寻食物，从而优化它们花在搜寻食物上的每单位能量卡路里的回报率。有些鸟学习星历——太阳在一天和一年中在地平线以上的路径，这对通过太阳来导航是必要的。仓鸮使用声音到达两耳时间之间的亚毫秒差异来猛扑在漆黑中飒飒作响的老鼠。贮藏粮食的物种将坚果和种子放在预料不到的隐藏之处来搞乱小贼，但几个月之后它们一定都能回忆起来。我在前面一章中提到过，北美星鸦能够记住一万个隐藏之处。甚至巴甫洛夫和操作性条件反射这个关联学习的教科书式经典案例，最后也被发现并不是因为大脑总是会将刺激和反应关联在一起的缘故，而是经由一个能够进行多变量及非稳定时间序列分析的复杂演算法而来（就是根据事件过去发生的记录，预测未来事件何时会再度发生的分析）。
1701550940
1701550941
我展示这些动物的寓意在于，动物的脑就像它们的身体一样专业化并且设计良好。大脑是一个精密仪器，使得一个生物能够使用信息来解决其生活方式带来的问题。由于生物体的生活方式不同，而且它们彼此相关的方式像是一堆乱麻，而不是一根链条，所以物种不能够用智商或者根据它们实现了百分之多少的人类智能来排序。无论人类心智有何特殊，它都不可能比动物智能更多、更好或更加灵活，因为根本就没有所谓的一般动物智能的东西。每个动物都进化出了信息处理设备来解决它自身的问题，我们也进化出了设备来解决我们的问题。我们在即便是最微小的神经组织片断里所见到的复杂演算法，就和之前我们所见识到建造机器人的艰难程度、脑损伤所带来的副作用，以及被分开养育的双胞胎之间的相似性一样，都让我们窥见了人类心智背后所必定隐藏的高度复杂结构。
1701550942
1701550943
哺乳动物的脑，就像哺乳动物的身体一样，因循着一个共同的总体规划。许多相同的细胞类型、化学物质、组织、亚器官、中转站以及路径，在同一纲的动物中随处可见，主要的明显差异来自膨胀或萎缩的部分。但在显微镜下，差异出现了。皮质区域的数量有很大差异，从老鼠的20个以下到人类的50个以上。灵长目与其他哺乳动物的差异在于视觉区域的数量、它们相互的连接，以及它们与额叶的运动和决策区域的挂钩连接。当一个物种有一个显著的天赋时，它会反映在大脑的大体解剖结构中，有时肉眼都能看到。视觉区域在猴脑中的高比例（约占一半范围）反映了——更准确地说，是给予了——它们对于深度、颜色、运动以及视觉引导的领会方面的倾向。依赖声呐的老鼠有额外的大脑区域供它们的超声波听力，囤积种子的沙漠老鼠比不囤积种子的物种生来具有更大的海马突起——那里是认知地图的一个位置。
1701550944
1701550945
人脑也讲述了一个进化故事。即使是快速地对比一下，也会发现灵长目动物的大脑已经经过了大幅的重新设计，才变成人脑这个样子。我们的脑比起一只普通猴子或与我们身体大小相仿的猿的脑要大3倍左右。人类为了达到膨胀脑体积的目的，将婴儿脑部的增长过程向后延长到了出生一年后之久。如果我们的身体在那个期间按比例生长的话，我们将会高达3米，重达半吨。
1701550946
1701550947
大脑主要的区域也已经修补过了。嗅觉的神经基础嗅球已经皱缩到灵长目动物相应部分的1/3（以哺乳动物的标准看已经比较小了），主要视觉和运动皮质区域也都成比例地皱缩。在视觉系统内，信息的第一站——初级视觉皮层在整个脑中占较小的比例，而后面的复杂形式处理区域则扩张了，将视觉信息推到语言和概念区域的颞顶区。负责听的区域增长了，特别是理解讲话的区域。额叶——复杂思维和计划的位置——也激增到像我们一样大小灵长类动物相应部分的两倍。猴子和猿的脑略微有些不对称，而人脑，特别是负责语言的区域，则非常不匀称，两半球的形状就可以很明显地区分开来。灵长目动物一些脑区域的相应部分在人脑中已经有了新的功能。负责讲话的布洛卡区在猴脑中有一个同源区域（进化的对应部分），但猴子显然并没有用它来讲话，它们甚至都似乎没有用它来发出尖叫、咆哮以及其他声音。
1701550948
1701550949
发现这些差异很有趣，但即使人脑看上去就像是猿脑的翻版，两者间也有极大的不同。真正起作用的是神经元之间连接的模式，就像不同的计算机程序、微芯片、书或者录像带之间的差异不在于它们的形状，而在于它们构成成分的组合安排一样。关于人脑的微型回路功能实际上还不为人知，因为缺少志愿者愿意在死后将他们的脑捐献给科学。如果我们能设法读取成长中的人类和猿的神经回路代码，我们就一定能找到大量的差异。
[
上一页 ]
[ :1.7015509e+09 ]
[
下一页 ]