人類對心智和大腦的發掘與(yu) 人類對自然的理解與(yu) 征服同樣悠久。哺乳動物的神經係統，也許是自然界最強大的器官。
某種程度上，人類對於(yu) 科學和機器的狂熱，就是在複製自身的心智。當科學研究進入21世紀，科學家們(men) 則試圖借助“理性的自負”真正破解大腦與(yu) 心智之謎：大腦的信息編碼與(yu) 儲(chu) 存，神經元的傳(chuan) 導和對於(yu) 情緒認知的控製，是否可以與(yu) 計算機科學相聯係？ 古典哲學家認為(wei) ，人生下來就是一張白紙。那麽(me) ，人類能否向控製機器一樣在這張白紙上肆意塗鴉？科學與(yu) 倫(lun) 理從(cong) 來都是一對雙生子，每當科學向前一步，人類對於(yu) 道德和自我的困惑也向更深層次突破了一層。
英國曼徹斯特大學動物學教授、神經科學家馬修·科布的新書(shu) 《大腦傳(chuan) 》就是這樣一部作品，它既展示了人類不斷破解大腦與(yu) 神經背後的曆程，也展示了科學與(yu) 人文之間永恒的衝(chong) 突。當知識的自負使人類不斷征服了腦科學的未知領域時，困惑也隨之而來——我們(men) 是否有資格改造並控製人性？假使我們(men) 真正地澄清了自身的心智與(yu) 知識的迷霧，我們(men) 又該期待怎樣的未來？
下文摘編自《大腦傳(chuan) 》第十二章。
作者在本章中梳理了20世紀60年代以來科學家如何將腦科學運用到計算機科學與(yu) 人工智能領域。以及科學家對人類心智之謎的困惑所在：假如人腦就是一台計算機，那麽(me) 人為(wei) 什麽(me) 會(hui) 有這樣或那樣的價(jia) 值觀，這些價(jia) 值觀又是為(wei) 何會(hui) 引領我們(men) 塑造了今天的世界？
《大腦傳(chuan) 》 [英]馬科·修布
在計算機時代初期，科學家們(men) 對這些新機器與(yu) 腦之間的相似之處感到無比震撼。受到這種啟發，不同的科學家采用了三種不同的方式來使用計算機。有些科學家忽略了生物學，專(zhuan) 注於(yu) 讓計算機盡可能更智能，這個(ge) 領域後來被稱為(wei) “ 人工智能”（這個(ge) 概念是約翰·麥卡錫 在1956 年提出的），以各種方式為(wei) 現代生活做出了積極的貢獻（至少目前是這樣）。
對於(yu) 理解腦是如何工作的，最富有成效的方法並非來自創造超級智能機器的嚐試，而是那些構建腦功能模型的努力，這些研究探索的是模型中神經元之間交互連接的規則。如果你喜歡，可以把這個(ge) 領域稱為(wei) “ 神經元代數”（neuronal algebra）。模擬神經係統的早期嚐試出現在1956年，當時IBM（國際商業(ye) 機器公司）的研究人員檢驗了赫布的猜想（神經元的組合是腦的基本功能單元）。
他們(men) 使用的是IBM的第一款商用計算機—IBM 701。這是一種真空管計算機，由11個(ge) 大型部件組成，幾乎占據了一個(ge) 房間（總共隻售出了19台）。
IBM 701這個(ge) 團隊模擬了一個(ge) 由512個(ge) 神經元組成的網絡。盡管這些組件最初並沒有連接到一起，但就像赫布提出的那樣，它們(men) 很快就形成了一些組合，並且自發地以波的形式同步它們(men) 的活動。雖然這個(ge) 非常粗糙的模型存在局限性，但這表明神經係統環路的某些特征源自一些非常基本的規則。
▶️ 計算機是另一種人腦嗎？
最早使用計算機模型來闡釋腦運作機製的人之一是數學家奧利弗·塞爾弗裏奇（Oliver Selfridge）。他是維納的學生，與(yu) 皮茨、麥卡洛克和萊特文也關(guan) 係密切。1958年，塞爾弗裏奇展示了一個(ge) 被他稱為(wei) “ 群魔”（Pandemonium）的分級處理係統，這個(ge) 係統是在他有關(guan) 機器模式識別的研究工作的基礎上開發出來的。
塞爾弗裏奇以創建一種簡單的單元—“ 數據惡魔”（datademon）為(wei) 出發點，這些單元可以通過將某一特征（比如一條線）與(yu) 預先設定的內(nei) 部模板進行比較來識別環境中的元素。這些“ 數據惡魔”會(hui) 把它們(men) 檢測到了什麽(me) 報告給更高一級的“ 惡魔”—“ 計算惡魔”（computational demon）。
對於(yu) 接下來發生了什麽(me) ，塞爾弗裏奇是這樣解釋的：在下一個(ge) 層級上，“ 計算惡魔” 或者 叫“ 亞(ya) 惡魔”（sub-demon）會(hui) 對數據進行某種或多或少的複雜計算，並將計算結果傳(chuan) 遞到再下一個(ge) 層級—“ 認知惡魔”（cognitive demon）那裏，由“ 認知惡魔”對證據加以權衡。每一個(ge) “ 認知惡魔”都會(hui) 計算出一聲尖叫，而最高層級的惡魔—“決(jue) 策惡魔”（decision demon）會(hui) 從(cong) 所有的尖叫中選擇出最大聲的那一個(ge) 。這個(ge) 過程的最終結果是，一個(ge) 複雜的特征（比如一個(ge) 字母）會(hui) 被“ 決(jue) 策惡魔”識別出來。
乍一看，這似乎隻是感覺處理層級觀的一個(ge) 電子版本，最早可以追溯到阿爾弗雷德·斯密。但“ 群魔”有自己的獨特之處—它可以在整個(ge) 過程中不斷學習(xi) 。這個(ge) 程序會(hui) 持續關(guan) 注自己對物體(ti) 的分類準確與(yu) 否（在最初階段，這些信息是由人提供的）。
通過不斷重複運行這個(ge) 程序，以及這個(ge) 過程中塞爾弗裏奇所謂的對惡魔的“ 自然選擇”（如果分類正確，它們(men) 就會(hui) 被保留下來），隨著時間的推移，係統會(hui) 變得越來越準確。它甚至能識別那些並不是設計出來供它識別的東(dong) 西。根據認知科學家瑪格麗(li) 特·博登的說法，“ 群魔”的影響是不可估量的—它表明計算機程序可以模擬相當複雜的感覺過程，而且如果它的成功獲得適當的反饋，程序的功能還可以隨著時間而改變。
與(yu) 此同時， 另一位美國科學家弗蘭(lan) 克· 羅森布拉特（Frank Rosenblatt）提出了一個(ge) 稍有不同的模型 — 感知機（Perceptron）。感知機關(guan) 注的也是模式識別，也使用了靈活層級連接的思想—一種後來被稱為(wei) “ 連接主義(yi) ”（connectionism）的方法。羅森布拉特認為(wei) ，腦和計算機都具備兩(liang) 項功能—決(jue) 策和控製，無論是在腦還是計算機中，這兩(liang) 項功能都是基於(yu) 邏輯規則運行的。
美國科學家弗蘭(lan) 克· 羅森布拉特與(yu) 感知機（1）
但腦同時還在執行兩(liang) 項更深層，交互性也更強的功能：對環境的解讀和預測。所有這些功能都在羅森布拉特的感知模型中得到了體(ti) 現，因此他把感知機稱為(wei) “ 第一台能夠產(chan) 生原創性想法的機器”。事實上，和之前的“群魔”一樣，感知機隻是學會(hui) 了識別字母。
而且就感知機而言，字母必須要大約半米高才能被識別出來。但感知機與(yu) “ 群魔”的關(guan) 鍵區別是，感知機無須預設的模板，通過使用並行處理（同時執行不同的計算，就像腦一樣）就能做到這一點。這種差別絕非偶然，因為(wei) 羅森布拉特不僅(jin) 對開發一項在當時看來令人瞠目結舌的技術感興(xing) 趣，對提出理論來解釋腦的運作方式同樣感興(xing) 趣。
媒體(ti) 很喜歡追捧這樣的事。當羅森布拉特的資助方美國海軍(jun) 在 1958 年宣布他的研究成果時，《紐約時報》歡呼道：“ 今天，美國海軍(jun) 披露了電子計算機的雛形，在未來，它有望能夠走路、說話、看見、書(shu) 寫(xie) 、複製自己，並意識到自身的存在。” 這些話並非出自某位過度興(xing) 奮的記者之口，而是羅森布拉特本人的原話。
關(guan) 於(yu) 羅森布拉特，一位科學家後來回憶說：“ 他是那種新聞工作者夢想報道的人，就像有魔力一樣。按照他的說法，感知機能做出各種各樣了不得的事情。也許確實如此，但他的工作證明不了這一點。”盡管羅森布拉特在媒體(ti) 上進行了精心的宣傳(chuan) ，但他對感知機的真正意義(yi) 卻保持了相對冷靜的態度。
在他1961年出版的著作《神經動力學原理》（Principles of Neurodynamics）中，羅森布拉特寫(xie) 道：感知機不是任何實際神經係統的近似仿品。它們(men) 是簡化的網絡，能幫助我們(men) 研究神經網絡及其所在環境的組織方式與(yu) 這些網絡的“ 心理”表現之間的關(guan) 係法則。感知機實際上可能對應於(yu) 生物係統外延網絡的某些部分……更有可能的是，它們(men) 是對中樞神經係統的極端簡化，其中一些特征被放大了，而另一些則被縮小了。
到了20 世紀60年代中期，專(zhuan) 家們(men) 開始承認，即使是感知機，也並不像人們(men) 吹捧的那樣好。1969年，人工智能先驅馬文·明斯基（Marvin Minsky）和同事西摩·佩珀特（Seymour Papert）出版了一本書(shu) ，對感知機模型給予了非常負麵的評價(jia) 。
明斯基和佩珀特對感知機的能力進行了數學分析，認為(wei) 無論對於(yu) 人工智能還是對於(yu) 理解腦來說，這種方法都是死胡同，因為(wei) 感知機的構造方式使它不可能在內(nei) 部表征它正在學習(xi) 的東(dong) 西。一方麵由於(yu) 這類批評的出現，一方麵由於(yu) 這些模型進展放緩，美國對連接主義(yi) 方法的資助逐漸枯竭，這個(ge) 領域也隨之萎縮。
羅森布拉特隨後開始研究學習(xi) 轉移現象，這個(ge) 領域的研究將在恐暗肽理論出現時達到高潮。1971年7月11 日，在他43歲生日那一天，羅森布拉特在一次船隻事故中喪(sang) 生。盡管“ 群魔”和感知機未能提供可以應用到生物模式識別係統上的見解，但這兩(liang) 個(ge) 程序改變了研究者對腦的看法—它們(men) 表明，任何對感知（無論是人的感知還是機器的感知）的有效描述，都必須引入關(guan) 鍵的可塑性要素。因此，它們(men) 與(yu) 基於(yu) 機械或者壓強隱喻的舊模型完全不同。
此外，在這些連接主義(yi) 程序的結構與(yu) 休伯爾和維澤爾發現的簡單特征探測器的層級結構之間，存在著一種誘人的相似性，巴洛1972年提出的關(guan) 於(yu) “ 紅衣主教細胞” 的想法顯然受到了這種相似性的影響。對一些人來說，這意味著這些新模型並不僅(jin) 僅(jin) 是用隱喻來解釋腦是如何工作的。它們(men) 實際上揭示了真正的機製。
▶️ 基因、理性與(yu) 人腦的機製
隨著學界對“ 群魔”和感知機的興(xing) 趣逐漸消退，大衛·馬爾開發了一種不同的腦功能計算模型。馬爾此時已經在劍橋大學闖出了名聲。在那裏，他發表了一係列論文，宣稱已經發現了腦是如何工作的。但他很快就否定了這些數學模型，認為(wei) 它們(men) 隻是“ 一種簡單的組合技巧”，因為(wei) 他意識到研究人員們(men) 需要一種完全不同的方法。1973年，馬爾搬到了波士頓的麻省理工學院，與(yu) 明斯基一起工作。他的目標是創造一台能看見東(dong) 西的機器，進而理解人的視覺是如何工作的。
4年後，馬爾患上了白血病，因此迅速開始撰寫(xie) 一本名為(wei) 《視覺》（Vision）的書(shu) ，總結他的見解。他在書(shu) 的前言中寫(xie) 道：“ 因為(wei) 某些事情，我不得不比原計劃提前幾年開始寫(xie) 這本書(shu) 。” 馬爾於(yu) 1980年去世，年僅(jin) 35歲。1982年，《視覺》出版上市。
也許正是意識到了死亡將近，馬爾的這部著作展現出了更為(wei) 宏大的視角，而沒有限於(yu) 一個(ge) 視覺模型的細節。他把他有關(guan) 腦運作機製的觀點放到了一個(ge) 更廣泛的倫(lun) 理背景下，講述了我們(men) 是如何進化的，以及我們(men) 對自然選擇的影響抱有的深刻態度源自何處。
說腦是一台計算機，這沒錯，但又容易引起誤解。它確實是一台高度專(zhuan) 業(ye) 化的信息處理設備—或者更確切地說， 是許多信息處理設備的集合。將我們(men) 的腦視為(wei) 信息處理設備，這並不是在貶低或者否定人的價(jia) 值觀。
這麽(me) 看待人腦反而更能體(ti) 現人的價(jia) 值觀，並可能最終幫助我們(men) 從(cong) 信息處理的視角理解人的價(jia) 值觀究竟是什麽(me) ，人為(wei) 什麽(me) 有這樣或那樣的價(jia) 值觀，以及這些價(jia) 值觀是如何整合進基因賦予我們(men) 的社會(hui) 習(xi) 俗和社會(hui) 組織的。
電影《攻殼機動隊》中的腦機接口馬爾的這部著作中使用了很多數學方法，因此有人說引用他這本書(shu) 的人比理解他這本書(shu) 的人更多。這句俏皮話說明，馬爾最大的貢獻不在於(yu) 其視覺計算模型的精確細節，而是他的思想方法。
即使是馬爾最熱情的支持者也承認，在今天看來，他的這本書(shu) 的主要價(jia) 值是其曆史意義(yi) 。與(yu) 巴洛不同，馬爾認為(wei) 單個(ge) 神經元的活動不足以解釋環路是如何發揮其功能的，也無法解釋感知是如何運作的。
他曾用一種略帶諷刺的口吻來為(wei) 自己的新方法辯護：試圖僅(jin) 僅(jin) 通過研究神經元來理解感知，就像試圖僅(jin) 僅(jin) 通過研究羽毛來理解鳥類的飛行一樣：根本就不可能。要研究鳥類是如何飛行的，我們(men) 必須先了解空氣動力學，隻有這樣，羽毛的結構和鳥類翅膀的不同形狀才變得有意義(yi) 。
要理解某個(ge) 特定的功能在腦（或計算機）中是如何執行的， 馬爾的方法是分三步走。首先，待解決(jue) 的問題必須以遵循邏輯的方式加以陳述，這樣的理論方法限定了如何通過實驗來探索問題或者對問題進行建模。
其次，必須確定係統輸入和輸出的表征方式，還需要確定將係統從(cong) 一種狀態轉換到另一種狀態的算法的描述。最後，必須解釋第二層在物理上（在腦活動這個(ge) 問題上，就是在神經係統中）是如何實現的。
馬爾的觀點是，在創造一個(ge) 可以看見東(dong) 西的網絡（無論是一台機器還是一個(ge) 腦）這個(ge) 問題上， 麵臨(lin) 的約束條件在所有情況下基本上都是一樣的，因此應該可以使用類似的算法，即使這些算法在生物體(ti) 中與(yu) 在計算機中的運行方式可能大為(wei) 不同。他認為(wei) ，通過解決(jue) 機器的視覺問題，我們(men) 可以更好地理解我們(men) 腦中的視覺。在腦如何識別簡單物體(ti) （比如一條邊）這個(ge) 問題上，馬爾的想法是以休伯爾和維澤爾的發現為(wei) 基礎的。但與(yu) “ 群魔”和感知機不同，他的方法引入了更豐(feng) 富的計算方案，而不隻是一個(ge) 把線段的各個(ge) 點疊加在一起，然後與(yu) 模板對比的層級結構。正如馬爾 1976年在冷泉港的一次會(hui) 議上所說的那樣，“ 這個(ge) 輪廓不是被探測到的，而是被構建出來的”。
這種觀點可以追溯到赫爾姆霍茲(zi) ，它強調了腦並非隻是一個(ge) 接收感官信息的被動觀察者。感知還涉及對這些刺激的組合和解釋。這種方法對於(yu) 任何視覺模型來說都是不可或缺的，因為(wei) 如果機器（或者視網膜）隻是在圖像的每一個(ge) 點上識別光度值，那麽(me) 什麽(me) 也不會(hui) 發生。這些是照相機做的事情，而照相機是無法看見東(dong) 西的。
雖然有這些深刻的見解，但馬爾的機器方法並沒有改變我們(men) 對機器視覺的理解，也沒有改變我們(men) 對腦如何看東(dong) 西的理解。就我們(men) 目前對視覺皮層中具體(ti) 過程的理解而言，同樣的算法還沒有在生物體(ti) 和計算機中被發現。同樣麻煩的是，馬爾用來理解視覺的方法無法被擴展到腦功能的其他領域去使用。
▶️ 視覺與(yu) 感知
盡管我們(men) 在計算機麵部識別和其他人工場景分析方法上已經取得了巨大的進步，但機器視覺仍然遠遠落後於(yu) 我們(men) 腦中的視覺。同樣地，我們(men) 對“ 看見”東(dong) 西時究竟發生了什麽(me) 仍然知之甚少。每個(ge) 人都同意，在我們(men) 的腦中一定有某種對場景的符號表征，但沒有人太清楚這究竟是如何發生的。
在《視覺》出版 30 周年之際，馬爾的學生肯特·史蒂文斯回顧了馬爾的貢獻並得出結論說，雖然符號表征在視覺中的重要性毋庸置疑，但“ 我們(men) 仍然無法完全理解符號係統在生物視覺中的地位”。在這個(ge) 問題上，對猴子腦中麵部識別細胞的研究或許已經能為(wei) 我們(men) 提供一些見解。
2017年，加州理工學院的兩(liang) 名研究者常樂(le) 和曹穎向獼猴展示了一係列麵孔，並研究了猴子腦中一係列細胞的單細胞反應。這些細胞總共能識別麵部50個(ge) 維度的信息（眼間距和發際線等），但每個(ge) 麵部識別細胞隻對其中一個(ge) 維度感興(xing) 趣。
為(wei) 了說明這些信息是如何結合起來並準確地表征整個(ge) 麵部的，常樂(le) 和曹穎記錄了200個(ge) 這類細胞對一係列照片的反應， 然後用計算機根據這些神經元的電活動就精確地重建出了原始的圖像。
有趣的是，他們(men) 並沒有發現獼猴腦中存在“ 詹妮弗·安妮斯頓細胞”的證據，或者用他們(men) 的話來說，“ 不存在負責識別特定個(ge) 體(ti) 身份的探測細胞”。
但另一個(ge) 研究小組的一項研究表明，猴子的顳葉中似乎有一個(ge) 區域參與(yu) 了識別“ 臉熟”的猴子的麵孔的過程。曹穎推特的個(ge) 人簡介很簡短：“ 皮層幾何學家”。曹穎猜測，她所揭示的麵孔檢測過程中的特征提取可能是一個(ge) 發生在視覺皮層的通用過程—“ 我們(men) 認為(wei) ，整個(ge) 下顳葉皮層可能使用了相同的方式來把各個(ge) 連接的區域組織成網絡，並且在所有類型的對象識別中使用了相同的編碼方式。” 她目前試圖解決(jue) 的問題是理解視錯覺（比如著名的花瓶 / 人臉錯覺）的神經基礎。正如她指出的那樣，在10年前，沒有人知道該從(cong) 哪裏下手研究這個(ge) 問題。但現在我們(men) 知道了。
至於(yu) 人類是如何識別麵孔的—包括我們(men) 祖母的臉—我們(men) 似乎很可能像獼猴那樣，腦中存在某種分散式分布的麵孔識別網絡。你腦中的這種算法不同於(yu) 手機的人臉識別算法或者安保係統篩選犯罪嫌疑人照片的算法，後者完全是為(wei) 了辨識某些特征定製的，依賴於(yu) 眼間距、臉形等生物計量特征。
生物視覺中的麵孔識別要複雜和抽象得多，而且最終是以休伯爾和維澤爾發現的各種元素（線條、斑點等等），而不是以麵部每個(ge) 細節的解剖結構以及彼此之間的關(guan) 係為(wei) 基礎的。這些元素以某種方式被組織成了一個(ge) 複雜的層級係統（就像馬爾想象的那樣），而且這個(ge) 係統同樣適用於(yu) 環境中的其他特征，而不僅(jin) 僅(jin) 是麵孔。在哈佛大學最近一項結果令人不安但又讓人驚歎的研究中， 研究人員在猴子身上融合使用了計算和電生理的方法，研究結果揭示了這些層級細胞可能對什麽(me) 刺激感興(xing) 趣。
這些科學家把圖像投射到屏幕上，並記錄清醒猴子的下顳葉皮層的單個(ge) 細胞的活動。這倒沒什麽(me) 稀奇的。
但這些圖像並不是靜態的，而是合成的，在不斷變化和流動。圖像是由一種名為(wei) XDREAM的算法“ 進化”出來的，這種算法會(hui) 不斷調整刺激，以獲得細胞最大程度的反應。這種方法並非原創，神經科學家查爾斯·康納（Charles Connor）和同事在10年前就曾使用過，但這項新研究得出了令人毛骨悚然的結果。
在經過一百多次迭代後，圖像從(cong) 一片灰白色的平板“ 進化”成了夢境一般的超現實主義(yi) 影像：猴子麵部的各個(ge) 部分被扭曲雜糅到了一起，這裏可以辨認出來是眼睛，那裏是無形且模糊的身體(ti) 的某個(ge) 部分，不同部位的朝向也各不相同。
這表明在猴腦中，這些細胞真正感興(xing) 趣的是這類奇怪的圖像，而不是肖像。如果在有“ 詹妮弗·安妮斯頓細胞”的人的腦中也會(hui) 出現類似的現象，那就意味著這些細胞其實並沒有被設定成對任何照片上的影像做出反應—細胞之所以會(hui) 有反應，僅(jin) 僅(jin) 是因為(wei) 照片跟細胞真正響應的影像非常相似。
神經科學家查爾斯·康納與(yu) 此同時，麻省理工學院的研究人員也發表了類似的結果，不過結果不像哈佛大學科學家的結果那麽(me) 離奇。他們(men) 在猴子視覺皮層中一個(ge) 與(yu) 麵孔識別無關(guan) 的區域的細胞上開展了相同的實驗。
研究發現，這些細胞似乎隻會(hui) 被某些帶有一定生物特征的奇怪的幾何圖像激活，這些圖像就像人在出現嚴(yan) 重偏頭痛時產(chan) 生的那類幻象。上述發現很容易誘使我們(men) 想象，這些奇怪的混合形狀才是一隻猴子看著另一隻猴子時實際上看到的東(dong) 西。但是請記住，有數百萬(wan) 個(ge) 細胞參與(yu) 了對麵孔的感知，而且最重要的是，腦中並沒有什麽(me) 微型小猴在審視這些單個(ge) 細胞的輸出。
以某種方式產(chan) 生感知的是整個(ge) 係統，不是某個(ge) 細胞，甚至不是一小群細胞。最近，在小鼠上開展的研究為(wei) 理解視覺感知的神經基礎提供了一條有力的途徑。2019年夏天，利用一種複雜的光遺傳(chuan) 學技術，哥倫(lun) 比亞(ya) 大學拉斐爾·尤斯特的研究小組和斯坦福大學卡爾·戴瑟羅斯的研究小組在相隔幾周的時間裏先後發表論文，證明可以重現小鼠在視覺感知過程中腦的活動模式。 在這兩(liang) 項研究中，小鼠都事先經過訓練，當它們(men) 看到一種條紋圖案時就會(hui) 舔水。
研究人員發現，如果用光遺傳(chuan) 學方法激活這些模式，即使沒有視覺刺激，小鼠也會(hui) 舔水。兩(liang) 個(ge) 小組使用了略微不同的技術：戴瑟羅斯的小組精確地刺激了十幾個(ge) 神經元，使其產(chan) 生相應的活動模式；尤斯特的小組則專(zhuan) 注於(yu) 兩(liang) 個(ge) 連接緊密的神經元，這兩(liang) 個(ge) 神經元能夠激活腦視覺係統中的一組神經元，從(cong) 而產(chan) 生相應的活動模式。
盡管這些研究令人印象深刻，但我們(men) 仍然無法據此認定這些活動模式就是小鼠的視覺感知，或者就是視覺感知發生— 通過其他神經元組合的活動—的必要先決(jue) 條件。雖然計算科學家和神經生物學家已經付出了數十年的努力，對於(yu) 當我們(men) 看見東(dong) 西時究竟發生了什麽(me) 這個(ge) 問題，我們(men) 的理解仍然很模糊。
本文摘自《新京報書(shu) 評周刊》
【競賽報名/項目谘詢+微信：mollywei007】
評論已經被關(guan) 閉。