主题：【原创】神经网络和人脑运作的数学原理是相通的 -- 真理

神经网络起源于上世纪五十年代。在那之前，心理学家Donald Hebb已经提出了后世被称作Hebbian theory的假说，即 “neurons that fire together, wire together”。该理论基于神经可塑性原理提出，两个神经元之间的连接会因为重复性的神经活动而得到加强，反之则会削弱。这个原理经过几十年的研究已经被视作铁一般的事实。神经网络就是这一原理在图灵机里面的具体应用。神经网络用在行列式运算过程中用反馈来调整权重的办法模拟神经元的功能。这虽然人脑不能说动物大脑严丝合缝，但是数学原理是相符的。

举个例子，用于图形识别的卷积神经网络的数学原理（Convolutional Neural Networks)可以说和高等动物的视觉系统如出一辙。以人为例，人脑视皮层V1的神经元都拥有其“感受野”，也就是其视网膜上的一块区域对其的投射，区域之内，每个视网膜感光细胞对视皮层神经元都有不同的权重，该权重可以为正效果，也可以为负效果。这样的结果是神经元可以对某种特定的图像特征有反应。例如下图的感受野，对应的是一个光斑。

同样类似的，还有的神经元能识别暗斑、直线、边缘、和特定的运动等等。人脑的视皮层神经元就这样一层一层地，把人眼看到的图像分解为大量的基本结构和元素，然后用神经元组成的实体网络的动作电位活动代表你看到的图像。

卷积神经网络复现的，正是这样的功能。任何一副图像在计算机里都可以简化为一个矩阵。计算机可以对图像进行卷积计算，即用一个小矩阵（kernel）对图像矩阵进行滑动的求和，生成一个小一些的新的矩阵，那个小矩阵的作用就像是一个感受野。其形成的新一层的矩阵中的每一个数字就代表视皮层里的一个能感受特定位置上特定形状的神经元。Deep Learning和人类的视觉系统一样，就是通过多层的矩阵或神经元，将图形解构为一个个小的特征，用真的或者假的神经元进行量化描述。

人的视觉系统需要幼年关键期的发育和学习，而卷积神经网络同样需要学习。一个幼儿通过成年人的教导和大量观察周围环境促进自己视觉系统和认知能力的发育。而卷积神经网络也就是将大量人工标注过的图片输入其系统，从而能够真正的“看懂”这些图片。

比如，一个幼儿看到大人拿起一个苹果，告诉他这是一个苹果，从而认识了苹果。表面上幼儿似乎一下子就学会了，但他其实之前已经看到了大量的类似图形，已经积累了很多的数据。一个卷积神经网络被人输入数百张图片，里面有的有苹果，文件名也被标注为有苹果。另外没有的就说没有苹果。经历反复学习，这个卷积神经网络也能识别任意图片里面有没有苹果的存在。在这一过程中，人脑和电脑用类似的原理做了同样的学习，也就是认识了一个苹果。

人脑的优势是一些功能和结构是先天就存在的，例如很多形状的感受野在胚胎发育过程中就形成了。而计算机的卷积神经网络一般得在设计和训练过程中从头构建每一个kernel有多大，有多少个，有多少层。反过来，计算机的计算量是人类无法比拟的。所以计算机的神经网络的功能会胜过人脑。

除了视皮层，人脑的其它功能也并不神秘，如听觉其实是耳蜗将不同频率的声音用不同位置的耳蜗膜来代表，这其实就是傅立叶变换。计算机AI处理声音信号或者电讯号也是同样的数学方法。其它的运动、学习记忆也没有什么神秘不可测的新原理。因此可以说，任何人脑能做的事情，计算机的神经网络最终都能做到，而且做的更好。

我目前唯一不知道的是计算机神经网络将如何产生独立的人格。因为上面介绍的都是人脑某一方面的功能，而对应的神经网络也只能实现这一方面的功能。那么如何将人脑的功能组合起来，让部分的相加产生质变，形成一个真正的人，这一点神经生物学还没有搞清楚，而计算机神经网络怎样做到也不清楚。不过这两个问题或许是同一个问题。不久前有个实验室发表了用AI欢迎大脑神经活动为图片的论文，也就是用fMRI测大脑视皮层活动，然后用算法把这些视皮层的信号倒回来算出大脑正在思考怎样的图像。把这样的研究推而广之，神经科学家早晚能够测量整个大脑的活动，然后用计算机还原人脑的想法，在此基础之上研究人类思想的奥秘，最终让计算机拥有真正的人格。这不是高不可攀的难题，很可能我们这些人有生之年都能看到。