據(jù)國外媒體報道，大腦是一個非常復雜的器官。人腦含有約1000億個神經(jīng)元，神經(jīng)元之間的連接多達100萬億。人們常將人腦與另一套具有強大問題解決能力的復雜系統(tǒng)相比較：即數(shù)字計算機。人腦和計算機都含有大量基本單元，人腦中為神經(jīng)元，計算機中為晶體管。這些基本單元都可組成復雜回路，處理電信號形式的信息。大體來看，人腦與計算機的架構十分相似，均由負責輸入、輸出、重要處理和記憶儲存的幾大回路構成。

但人腦與計算機相比，究竟誰的問題解決能力更勝一籌呢?考慮到計算機技術在近幾十年中的飛速進步，你也許會認為計算機占了上風。經(jīng)過特殊設計和編程的計算機的確在許多復雜游戲中打敗了人類高手，如上世紀90年代打敗了國際象棋大師、前幾年又在圍棋比賽中取勝;計算機在百科知識競賽中也表現(xiàn)突出，如美國電視節(jié)目《危險邊緣》。但在許多日常任務中，人類總是完勝計算機，比如在圖片中辨認一輛自行車、或在擁擠的街道上尋找一名特定的行人，又比如伸手拿過杯子、并順利將杯子送到嘴邊等等。在概念化和想象力方面，人類更是贏得毫無懸念。

為何計算機和人腦擅長的任務各不相同呢?通過將計算機與人腦進行對比，計算機工程師與神經(jīng)科學家都從中受益頗多。還在現(xiàn)代計算機剛剛起步時，就有人在書中將兩者做了比較。這本書名叫《計算機與人腦》(The Computer and the Brain)，由約翰·馮·諾依曼(John von Neumann)編寫。他于上世紀40年代帶頭設計的計算機架構至今仍是大多數(shù)計算機的基礎。下表列出了計算機與人腦的一些比較數(shù)據(jù)：

計算機的基本運算速度遠勝過人腦。目前個人電腦進行加法等基本運算的速度可達每秒100億次。要估算人腦的基本運算速度，可以對神經(jīng)元傳遞信息和相互交流的基礎過程進行分析。例如，神經(jīng)元可以“發(fā)射”動作電位(即在神經(jīng)元細胞附近產(chǎn)生的電信號脈沖)，然后沿著長長的軸突將其傳遞下去，傳給與之相連的下一個神經(jīng)元。這些電脈沖的頻率和時長就是要傳遞的信息。此外，神經(jīng)元在向其它神經(jīng)元傳遞信息時，主要通過向軸突末端名為“突觸”的結構釋放化學神經(jīng)遞質進行，其相鄰神經(jīng)元又會通過突觸傳遞，將神經(jīng)遞質轉化回電信號形式。突觸傳遞耗時最快約1毫秒。因此若把電脈沖傳遞與突觸傳遞都算上，大腦的基本運算速度至多為每秒1000次，僅為計算機的1000萬分之一。

計算機的基本運算精度也比大腦高出許多。計算機的精度取決于數(shù)字位數(shù)。例如，32位計算機的精度為2的32次方分之一，約為42億分之一。而證據(jù)顯示，在生理噪音的影響下，神經(jīng)系統(tǒng)中涉及的大部分數(shù)字(如神經(jīng)元發(fā)射信號的頻率，常用來代表刺激強度)往往存在百分之幾的誤差，精度最高也只有100分之一。與計算機相比，幾乎只占了個零頭。

然而，人腦的運算既不算慢，也不能說不精確。如一名職業(yè)網(wǎng)球運動員可以密切追蹤速度高達每小時250公里的網(wǎng)球的運動軌跡，迅速跑到球場上的最佳位置，調整好胳膊姿勢，然后將球打回對手場地。這一切僅需幾百毫秒即可完成。不僅如此，人腦在身體的幫助下完成這些動作的能耗僅為個人電腦的十分之一。大腦是如何辦到的呢?計算機與人腦間的一大差異便是系統(tǒng)內部信息處理模式的不同。計算機任務主要以串行步驟進行，因為工程師在編寫程序時，指令也是按時序排列的。對這種運算模式而言，每一步都必須保證高精度，否則錯誤會在接下來的步驟中不斷累積和放大。人腦也會采用串行模式處理信息。例如在打網(wǎng)球時，信息先從眼睛傳遞到大腦，然后傳遞到脊髓，進而控制腿部、軀干、胳膊和手腕的肌肉收縮。

但人腦也會大量采用并行處理的模式，充分利用了大腦中不計其數(shù)的神經(jīng)元和神經(jīng)連接。例如，運動中的網(wǎng)球會同時激活視網(wǎng)膜上的眾多光感細胞，接收到的光線由這些細胞轉化為電信號。接著，這些信號會同時傳遞給視網(wǎng)膜上的多種不同神經(jīng)元。等光感細胞生成的信號通過了視網(wǎng)膜中的兩三個突觸連接后，關于網(wǎng)球位置、方向和速度的信息已經(jīng)由并行的神經(jīng)回路提取出來、同時傳遞給了大腦。與之類似，負責自主性運動控制的運動皮層也會同時發(fā)送指令，使腿部、軀干、胳膊、手腕的肌肉同時收縮，使身體和胳膊同時擺好姿勢、做好擊打網(wǎng)球的準備。

這種大規(guī)模并行策略之所以得以實現(xiàn)，是因為每個神經(jīng)元都會接受來自大量其它神經(jīng)元的輸入、并向大量其它神經(jīng)元傳遞輸出。一個哺乳動物神經(jīng)元的輸入和輸出平均可涉及1000個神經(jīng)元。(相比之下，每個計算機晶體管的輸入和輸出節(jié)點加起來也只有3個。)一個神經(jīng)元輸出的信息可同時通過多條并行路線向下傳遞。與此同時，在上游處理了同一信息的大量神經(jīng)元又會將輸出信息傳遞給同一個神經(jīng)元。后者對提高信息處理精度尤為重要。比如說，單個神經(jīng)元的信息可能受噪聲影響很大(精度只有100分之一)。但若將100個攜帶同一信息的神經(jīng)元輸入取平均值，下游神經(jīng)元接收到的信息精度便會大大提高(在這個例子中約為1000分之一)。

計算機和人腦基礎單元的信號模式既有相似、又有不同。晶體管采用的是數(shù)字信號，借離散值(0和1)代表信號。神經(jīng)軸突脈沖也是數(shù)字信號，因為在任意給定時刻，神經(jīng)元只有“發(fā)射脈沖”和“不發(fā)射脈沖”兩種可能。且發(fā)射脈沖時，所有脈沖的強度和形狀都差不多，這樣才能保證長距離脈沖傳遞的可靠性。但神經(jīng)元也會采用模擬信號，即用連續(xù)值代表信息。一些神經(jīng)元(如視網(wǎng)膜中的大部分神經(jīng)元)并不會產(chǎn)生電脈沖，其輸出通過不同等級的電信號進行傳遞。與電脈沖不同，這些電信號的強度可以連續(xù)變化，并且能傳遞更多信息。神經(jīng)元的接收端(信號通常由樹突接收)也利用模擬信號將成千上萬的輸入進行整合，讓樹突得以開展復雜計算。

大腦的另一大顯著特征也在打網(wǎng)球時發(fā)揮了重要作用：神經(jīng)元間的連接強度可隨著活動和經(jīng)驗發(fā)生改變。神經(jīng)學家普遍認為，這一變化過程是人類學習和基因的基礎。重復訓練可使神經(jīng)回路變得更適宜執(zhí)行相應任務，從而大大提高速度和精度。

近幾十年來，工程師一直在從大腦中汲取靈感、以改善計算機設計。并行處理模式與可根據(jù)用途修改的神經(jīng)連接強度已成為了現(xiàn)代計算機的基本原則。例如，增加并行處理如今已是計算機設計的一大趨勢，從多核處理器的流行便可略知一二。此外，機器學習和人工智能領域的“深度學習”近年來發(fā)展迅猛，對電腦和手機上物體與語音識別功能的飛速進步功不可沒，而這其實是受了哺乳動物視覺系統(tǒng)的啟發(fā)。就像視覺系統(tǒng)一樣，深度學習也用多層結構代表越來越抽象的特征，每層之間的連接強度權重可通過“學習”進行調整，而非由工程師預先設計好。這些進步大大拓寬了計算機可開展的任務范圍。不過，人腦的靈活性、歸納能力和學習能力仍然遠超當前最先進的計算機。隨著神經(jīng)科學家不斷揭露大腦的奧秘(計算機也在其中發(fā)揮著越來越重要的作用)，工程師也能從中受到更多啟發(fā)，進一步改善計算機的架構和性能。誰在特定任務中勝出并不重要。無論是神經(jīng)科學還是計算機工程，均能從這些跨學科交叉研究中受益良多。