人类的大脑新皮质

尽管进化带来的改变并不总是朝着更高的智力水平前进，但是，智力仍是一个重要的进化分支。大脑新皮质的分层学习能力如此重要，以至于它在进化过程中体积变得越来越大，并最终成为大脑的主体。大脑运转时，并不以神经元为基础，而是神经元集合。

因为重要事物都要受到保护，所以你有了头骨护脑，塑料套筒护梳子，钱包护钱财。

乔治·科斯坦萨，《宋飞传》

如今，我们第一次能够如此简洁而全面地对工作着的大脑进行观察，我们应该能够发现其巨大能量背后的整体运作程序。

约翰·泰勒

布朗·霍维兹

卡尔·弗里斯顿

正如雕刻家需要在石头上工作一样，大脑也是基于它接收的数据工作的。从某种意义上来说，雕像会永远矗立在那里。但雕像不止一个，能够使某个雕像脱颖而出，就是雕刻家的魅力所在。所以不管我们的世界观如何不同，这些观点都源于我们最初的混乱感觉，在这一点上人与人之间没有什么差别。只要愿意，人们可以通过推理将世界追溯到那个黑而无序、辽阔无边的空间，甚至追溯到那个被科学家称为唯一真实世界的密集的原子空间。如今我们所感受到和生活着的世界就是我们祖先和我们经过无数次选择判断后发展而来的世界，正如雕刻家为完成一个雕像必须舍弃某些材料一样。就算是同一块石头，不同的雕刻家也会雕刻出不同的雕像！就算是同样单一而又无感情的混乱，也会产生不同的思想和不同的世界观！我的世界不过是百万个相似的世界中的一个，很多人会跟我持有相同的世界观。但是在蚂蚁、墨鱼或是螃蟹的眼里，世界将有很大的不同！

威廉·詹姆斯

智力，一个重要的进化分支

智力到底是生物进化的最终目的还是只是目的之一呢？史蒂芬·平克（Steven Pinker）写道：“对于我们的大脑，我们很沙文主义，认为它们是进化的唯一目的。”他继续争辩道：“那根本讲不通……自然选择与智力发展一点关系也没有。由于物种生存环境和繁殖速度的差异，生物进化的过程也有所不同。随着时间的推移，为了在那个环境、那个时期生存并繁殖，有机物需要改变它们的设计。除了成功适应，它们别无选择。”最后他总结道：“生活是枝繁叶茂的灌木丛，而不是天平或梯子，生物体就在分支的顶端，而不是底层。”

平克质疑人脑的这种设计究竟是“利大于弊，还是弊大于利”（见图4—1）。关于人脑设计的弊端，他讲道：“大脑很是笨重，女性骨盆几乎不能容纳婴儿过大的头。这种设计导致很多母亲死于难产，而且这种特殊的骨盆旋转设计，使得女性在生物学角度上比男性走得慢。此外，笨重的大脑使得我们在面临坠落等致命意外伤害时更容易受伤。”他还列举了大脑其他的缺点，如高消耗的运行机制、过缓的反应时间以及漫长的进化过程。

图4—1　大脑主要部位的物理结构

这些观点看似准确（尽管我的很多女性朋友走得比我快），但平克没有看到问题的全部。诚然，从生物学上来看，进化没有特定的方向。这只是一种探究“枝繁叶茂的灌木丛”本质的方法。

同样，进化带来的改变也并不总是朝着更高的智力水平前进——它们朝着各个方向发展。有很多例子表明，几百万年来，某些生物未曾发生改变，例如，上溯到2亿年前的爬行动物，以及很多更加古老的微生物（见图4—2）。但是在进化方向不同的分支中，更高水平的智力确实是分支之一。这个分支也是本章讨论的重点。

图4—2　不同哺乳动物的大脑新皮质

新皮质的分层学习能力

假设我们有一个充满蓝色气体的广口瓶。打开瓶盖，气体分子不会收到“嘿，伙计们，瓶盖开了，我们向出口出发，奔向自由吧”这类信息，也不会直冲瓶口。分子只会像往常那样漫无目的地移动。在移动过程中，靠近瓶口的某些分子确实会离开瓶子，而且随着时间的推移，大多数气体分子会溜出瓶子。一旦生物进化偶遇会分层学习的神经机制，该生物的大脑就会发现该机制对进化的目标之一——存活非常有用。为适应迅速改变的环境，学习速度需要不断加快，新皮质的优点就愈发明显。不管是植物还是动物，所有的生物都会随着时间的推移逐渐适应改变的环境，但没有新皮质，这种能力只能通过代际遗传继承。没有新皮质的物种可能要经历很多代，也就是几千年才能学会具有跨时代意义的新行为——就植物来说，新行为指适应环境的方法。新皮质最显著的存活优势是它可以在几天之内完成新知识的学习。如果某物种遭遇环境剧变，该物种的某一成员发明，或发现，或无意间找到（这3种全是创新的变体）适应改变的方法，该物种的其他成员就能得知、学习并模仿那个方法，之后这个方法会像病毒般迅速传播至整个种群。6500万年前的白垩纪第三纪灭绝事件使得很多没有新皮质的物种迅速灭绝，因为这些物种不能很快地适应突然改变的环境。这标志着拥有新皮质的哺乳动物开始取代它们的生态主导地位。这样一来，生物进化发现具有分层学习能力的新皮质是如此重要，以至于大脑不断增大，直到最终取代智人的大脑。

神经科学已经确定了具有分层学习能力的新皮质的重要意义，同时也为思维的模式认知理论提供了依据。很多观测和分析都发现了该依据，我也会回顾其中的一部分。加拿大心理学家唐纳德·赫布（Donald O.Hebb）首次尝试解释学习的神经原理。他在1949年描述了一种机制，在该种机制中，神经元基于自己的经验改变了生理机制，这就为学习和大脑可塑性提供了基础准则：“假设反射活动（或痕迹）的持续或重复会导致细胞不断发生变化，这些变化会增加细胞的稳定性……当细胞A的轴突近到可以激活细胞B，或者不断反复或持续地激活细胞，其中一个或两个细胞会成长或进行代谢，因此，作为激活B的细胞之一，A的效率就会增加。”该理论被表述为“同一时间激活的细胞会联系在一起”，这就是著名的赫布型学习。赫布理论已得到证实，很明显，大脑中的细胞集合不仅能创造新的联系，还能基于它们自己的活动强化新联系。事实上，我们在扫描大脑时可以看到神经元连接的发展。人工“神经网络”的建立就是基于赫布的神经学习模型。

积木式神经元集合

神经元是新皮质学习的基本单元，这是赫布理论的核心假设。我在本书中提到的思维模式认知理论是以不同的基本单元为基础的：不是神经元本身，而是神经元集合，我估计有100个左右。各单元之间的联系和突触力量相对稳定，并由基因决定，也就是说每个模式认知模块的结构由基因决定。学习发生在这些单元之间，而不是各单元内部，更确切地说，学习是由这些单元之间联系的突触力量决定的。

近来，瑞士神经科学家亨利·马克拉姆（Henry Markram）也支持学习的基本模式是神经元集合的模式这个观点，我会在第7章描述他旨在模拟整个人脑的宏伟计划——蓝脑。在2011年的一篇论文中，他描述了如何详细研究和分析哺乳动物的新皮质神经元，并在皮质最基本的层次为赫布的集合寻找依据。他的发现与赫布不同，他写道：“我们可以预测集合内部神经元之间的连接以及突触权重，但这种连接却有自己的模式，而不是随意指定的。”他总结道：“这些发现表明，经验并不能轻易地塑造这些集合的突触连接。”他还推测，“这些集合由大脑自行设计，外在力量无法改变这种联系，而且每个集合就像乐高积木中的一小块，需要拼凑组合才能习得知识。记忆就是将这些单个积木搭建成复杂建筑物的产物。”他继续写道：

人类对功能神经集合的研究已经持续了十多年，但至今还没有科学家发现突触互联神经元群的直接证据……由于这些集合都有相似的拓扑结构和突触权重，而且这些集合并不是由任何特定的经验所塑造，所以我们将这些集合视为内在集合。在决定这些集合之间的突触联系和权重时，经验发挥的作用很小。我们的研究已经发现了很多神经元之间内在的乐高积木似的集合的证据……在同一大脑神经层内，集合之间可能会自行重组成更高级别的集合，继而进军更高级别的皮质柱，甚至到达大脑区域，最后可能成为整个大脑中最高级别的有序集合……记忆的获取过程与堆积木非常相似。单个集合就如同一块有着特定任务的积木，如加工、构建、对这个世界作出反应等。不同的积木堆到一起，就形成了内在认知的特别联合，正是这些认知体现了一个人特定的知识和经验。

马克拉姆提出的“乐高积木”，与我描述的模式认知模块是完全一致的。在邮件交流中，马克拉姆将这些“乐高积木”描述为“共享内容和内在知识”。而我却更倾向于认为，这些模块的目的是辨识模式，并记住它们，然后基于部分模式预测其他模式。我们应该注意，马克拉姆预测的包含“几十个神经元”的模式只涵盖了新皮质中的第Ⅴ层。第Ⅴ层的神经元确实丰富，但是基于神经元数量在Ⅵ层中分布的一般规律，我们可以推测出每个模块大约包含100个神经元，这一推断结果跟我的估计刚好一致。

虽然科学家已经对新皮质的连接和其明显的模块进行了多年研究，但上述研究却第一次向世人展现了这些模型的稳定性——尽管大脑有着自己的动态过程。

2012年《科学》杂志3月刊中，马萨诸塞总医院的研究也展示了新皮质连接的规律结构，该项研究由国立卫生研究所和国家科学基金会资助。文章写到，就像整齐的城市街道那样，新皮质的连接也呈现出网格的模式：“基本上，大脑的整个结构很像曼哈顿的街道，你不仅可以在这里看到类似于街道2-D计划的视图，还可以清晰地看到第三个轴，以及第三维度上的电梯。”文章作者哈佛大学神经系统科学家、物理学家以及该项研究的领头人瓦·韦登（Van J.Wedeen）写道。

在《科学》杂志的播客上，韦登讲述了研究的重要性：“这是对大脑通路三维结构的调查。在过去几百年中，科学家一直在思考大脑通路的结构，最典型的印象或模式是这些通路就像一碗意大利面条那样——彼此连接的同时又拥有各自独立的空间。利用核磁共振成像技术，我们可以通过实验来研究这个问题。我们发现，大脑的所有通路彼此并不孤立，而是以某种规律为基础，以一种单一且极其简单的方式连接在一起。它们看起来很像立方体。通路基本上向三个垂直方向延伸，并向这三个方向平行扩展，最终组成整个模型。因此，从某种意义上来说，与彼此孤立的意大利面条不同，大脑是一个内部互相连接的整体。”

不管怎么说，马克拉姆的确发现了重复出现在新皮质的神经元模型，而韦登发现了模型之间相当整齐的联系模式。在大脑开始工作的时候，会有很多模式认知模块可以识别的“等待联系”需要大脑处理。因此，假如一个给定的模块要与其他模块相连接，并不需要一方长出轴突、另一方长出树突构建连接。它只需要连接在等待联系的轴突，然后连接到纤维末端，从而建立连接。正如韦登与其同事所写：“大脑通路沿着早在人类胚胎阶段就已经成型的模式发展着。因此，通过观察成熟大脑，我们可以看到通路的三维原始梯度影像，而这种影像因受到环境的影响而有所改变。”换句话说，正如我们所学、所看到的那样，新皮质的模式认知模块正在与那些在胚胎时期就已经建立的联系连接在一起。

有一种电子芯片就是基于相似的原则设计的，即现场可编程门阵列（FPGA）。该芯片包含了数百万个具有逻辑运算功能的模块和就绪连接点。为完成特定的任务，我们可以（通过电子信号）控制连接的激活状态。

在新皮质中，那些很少使用的长距离连接最终会被抛弃，这也解释了一个现象：当新皮质的某个区域受损时，新皮质会继续使用原始区域，而不选择受损区域附近的区域——因为前者工作效率更高。韦登的研究表示，就像模块本身，新皮质的原始连接呈现出极强的有序性和反复性，而网格模式在新皮质中起“指导连接”的作用（如图4—3至图4—5所示）。研究发现，这种模式存在于所有灵长类动物以及人类的大脑中，而且在新皮质中尤为明显，从处理早期感官模式的区域到处理更高层次情感的区域中都有这种模式的影子。韦登在《科学》杂志上的文章总结道：“大脑通路的网格结构无处不在、连贯，并且随着3条主要轴线的发展而发生变化。”这再一次说明有一个普遍算法指引着新皮质工作。

图4—3　某国立卫生研究院研究发现的新皮质中原始链式高度规则的网格结构

图4—4　新皮质联系规则网格结构的另一种视图

图4—5　新皮质中发现的网格结构与运用在集成电路与电路板上的纵横开关极其相似

视觉皮质与通用算法

众所周知，新皮质的某些区域的确是分等级的。视觉皮质是研究最多的，它被分成了V1、V2以及MT（或V5）区域。当我们进一步观察视觉皮质中更高级别的领域时（概念处理意义的“更高”，而非物理学意义上的“更高”，因为某种新皮质只会被特定的信息激活），可识别的特质变得更为抽象。V1负责识别眼睛看到事物的基本线条和初始形状。V2负责识别事物轮廓，处理两只眼睛的视觉差异，对事物进行空间定位，以及判断事物的主体部分和背景。新皮质的更高层次区域负责处理诸如对象的身份这类概念，识别事物的样子以及跟踪事物的运动路线。在这个层级体中，信息可以向上一级传输，也可以向低一层级传输；信号既可以是刺激性的，也可以是抑制性的。麻省理工大学的神经科学家托马索·波吉奥（Tomaso Poggio）做了很多人脑视觉成像的研究，他过去35年的研究对视觉新皮质“早期”（最低概念）层次上的分层学习和模式识别的发展具有重要意义。

我们对于视觉新皮质低级分层的理解与我在前面一章描述的思维的模式识别理论是一致的，而且近来人们对大脑神经处理分层本质的研究远远超出了这些层次。得克萨斯大学的神经生物学教授丹尼尔·费勒曼（Daniel J.Felleman）与他的同事致力于“25个新皮质中大脑皮质的分层结构”的研究，该研究既包含了视觉区域，也包含了负责处理各种感官模式的更高层次的区域。随着对新皮质层级结构研究的深入，他们发现，层级越高，新皮质处理信息的过程越抽象，处理信息时调动的区域越多，处理所需的时间也越长。对新皮质的任意一个连接来说，信息在层级结构中总是呈现向上和向下的双向交流。

近来的研究在很大程度上允许我们将这些研究扩展到视觉皮质之外的区域，甚至融合了很多来自感官输入信息的联合区。普林斯顿大学心理学教授乌里·哈森（Uri Hasson）和他的同事在2008年发表了研究结果，该研究论证大脑神经区域的绝大部分区域与视觉皮质有着相似的活动。“很明显，视觉皮质通路的神经元不断扩大自身的空间接受域。这是视觉系统的基本组织原则……真实事件的发生地点绝不限于某个地方，时间也不限于某个时刻。因此我们猜测，既然有与空间接受域大小相适应的分层结构，那么也应该存在一个负责处理大脑不同区域发出的过渡信息的层级结构。”根据上述发现，他们总结道，“与已知空间接受域的皮质分层相类似，人脑中的颞接受窗口的数目分层越来越多。”

大量的可塑性证据（学习与信息交流）是新皮质通用算法存在的最有力证据，换句话说，通过使用新皮质的通用算法，我们可以使一个区域完成本该由另外一个区域完成的任务。如今大量神经科学研究正在试图确定新皮质不同区域与模式类型的一一匹配。完成这项任务的传统方法是找出因受伤或重击而受损的大脑丧失的功能，并找出大脑具体的受伤部位，通过前者和后者的结合，我们就可以确定新皮质内不同区域的功能。举个例子，如果一个病人脑部的梭状回区域刚刚受伤，而他突然无法像之前那样根据他人的脸部肖像识别来人，却依然能无障碍地根据人的声音和语言模式识别他人，我们可以推测上述区域与脸部识别有一定的关系。这个判断的基础是，新皮质的不同区域只负责处理和识别特定模式类型。不同的身体区域负责处理不同的模式类型，因为这是正常情况下信息传播的方式。但如果由于某种原因，信息传播受到阻碍，新皮质的另一区域就会介入并接管受阻区域的工作。

可塑性受到了神经学家的广泛关注，他们观察到由于受伤或重击而导致大脑受损的病人，能够在新皮质的另一区域重新习得该技能。关于可塑性最受关注的例子也许是2011年的一项研究，即由美国神经科学家玛丽安娜·贝德尼（Marina Bedny）以及她的同事进行的关于“先天性盲人视觉皮质发生过什么”的研究。人们普遍认为视觉皮质早期层，如V1和V2，天生就是处理非常低级的模式（如边缘或弧边），而前皮质（位于我们特有的大前额中的新皮质进化新区域）天生是处理复杂和微妙得多的语言以及其他抽象概念模式。但正如贝德尼和她同事们所发现的：“人类进化了左前脑区域以及特别善于语言加工的颞叶皮质。然而，先天性盲人在某些语言任务上也能激活视觉皮质。我们可以证明这种视觉皮质活跃实际上反映了语言加工。我们发现对于先天性盲人来说，左视觉皮质与传统语言区域表现相似……我们推断为视觉而进化的脑域会因早期经验而具有语言加工能力。”

想一想该项研究的启示：它意味着物理上相对远离的新皮质区域，以及被认为概念很不一样的新皮质区域（原始视觉线索对抽象语言概念），本质上来说使用的是相同的算法。负责处理不同模式类型的区域可以相互替代。

来自加利福利亚大学伯克利分校的神经科学家丹尼尔·费尔德曼（Daniel E.Feldman），于2009年写了一篇关于被他称为“新皮质上可塑性的突触机制”的综述，并提供了这种可塑性在整个新皮质上存在的证据。他写道：“可塑性允许大脑学习、记住感官世界中的模式，改善行动……并帮助伤后恢复功能。”他补充道，这种可塑性的实现是通过“结构变化，包括皮质突触和树突棘的形成、移除以及形态改变”。

关于新皮质可塑性（以及新皮质算法的一致性）的另一个令人震惊的例子是，最近由加利福利亚大学伯克利分校的科学家们所展示的——他们将植入式微电极列阵连接起来，以接收老鼠运动皮质某一区域的特定脑信号，此区域负责控制触须的活动。他们安排实验，如果老鼠们能在某种神经模式上控制那些要激活的神经元，而又不移动它们的触须的话，它们就会得到奖励。要获得奖励，所需要的模式涉及一种它们的前端神经元通常无法实现的精神任务。不过，老鼠们能够完成这项精神任务，主要是一边通过它们的运动神经元进行思考，同时从精神上切断其对运动的控制。科学家们得出的结论是：负责整合肌肉运动的新皮质区域的运动皮质也使用标准的新皮质算法。

不过，使用新皮质的新区域来代替受损区域，重新习得的技能或某种知识会不如原有的好，这是为什么呢？有几点理由可以说明。学习并完善一项特定技能，需要花费一生的时间，因而在新皮质的另一区域重新习得，并不能瞬时产生同等的效果。更重要的是，新皮质新区域并不只是作为受损区域的替补坐等在那里。它本身也发挥着至关重要的作用，因此在弥补受损区域时，要抛弃它的新皮质模式，它表现得很犹豫。它可以从释放模式的一些多余的副本开始，但是这样做会微妙地降低已存技能，也不会释放出与再学习到的技能原先占用大小相同的皮质空间。

可塑性有局限还有第三个原因。因为大多数人的特定模式类型会流经特定区域（例如梭状回区域处理脸部），所以这些区域已经被那些模式类型（通过生物进化）优化了。正如我将在第7章中介绍的，在我们的数字新皮质发展中出现了同样的结果。我们可以通过我们的字符识别系统来识别言语，而反之亦然。但是，由于言语系统被优化了，所以字符识别系统也因为打印出来的文字被优化了，因此，假如我们用一个代替另一个的话，执行能力就会减弱。实际上，我们会运用进化（基因）公式来完成这种优化，这种优化是模拟生物自然。假设大多数人的脸部成百上千年（或更多）来一直流经梭状回区域，生物进化就能够形成有力的能力来处理那个区域中的这种模式。它使用相同的基本公式，但是它是定向到脸部的。正如荷兰神经科学家兰德尔·科尔尼（Rondal Koene）所写的：“新皮质非常一致，原则上来说，柱或微型柱可以做其所能做的。”

近来大量研究支持以下观察：基于对它们造成影响的模式，模式认知模块相互连接起来。举个例子，神经科学家易左（YiZuo）和她的同事观察到：新的树突棘在神经细胞之间形成联系，所以老鼠们学到了新的技能（通过一个狭孔抓到种子）。索尔克研究所的研究者已经发现新皮质模块的这种自我连接明显是由少量基因决定的。在新皮质中，这些基因和这种自我连接方法也是一致的。

许多其他研究证明了新皮质的这些属性，我们来总结一下我们从神经学文献和自己的思想实验中所观察到的。新皮质的最基本单位是神经元模块，我估计约有100个。这些神经元被连接到每个新皮质单元中，这样每个模型就不会有明显的差别。每种模型之间的连接和突触强度的模式都是相对稳定的。正是模型之间的连接和突触强度代表了学习。

新皮质中大约有1015种连接，而基因组中的设计资料却只有2.5亿字节（无损压缩后），因此从基因上来说，连接本身是不可能预先确定的。这种学习有可能是新皮质查询旧脑的产物，却仍然只体现了相对较少的信息。模块之间的连接大体上是从经验中确立的（后天培养而不是自然形成）。

大脑并不具备足够的灵活性以保证每种新皮质模式认知模块都能够轻易地与任一种模块相连接（就像我们能轻易地在电脑上或网上编程一样）——必须创建实体物理联系，轴突连接到树突上。我们每次都是从大量可能的类神经连接开始。正如维登研究所展示的，这些连接以一种很重复而又很整齐的方式组合在一起。基于每种新皮质模式识别器所识别到的模式，这些等待中的轴突的终端连接就会发生。没有用的连接最终会被删除。这些连接是分等级建立的，反映了事实的自然等级秩序。那就是新皮质的关键优势。

新皮质模式认知模型的最基本公式在新皮质中，从处理最基本感官模式的“底层”模型到识别最抽象概念的“高层”模型都是对等的。新皮质区域可塑性和可交替性最明显的证据就是这个重要观察的确实证明。处理特定模式类型的区域有一些优化，但这只是二阶效应——最基本的公式是通用的。

信号沿着概念阶层上上下下。往上的信号意味着“我发现到了一种模式”，往下的信号意味着“我在期待模式的产生”，这本质上是一种预测。往上或往下的信号要么是兴奋的，要么是抑制的。

每种模式自身都处于一种特定的秩序并且不容易逆转。即使一种模式似乎有多面性，它也只是由更低层模式的一种一维模式所体现，因此每种识别器都有固有的递归性。不过，分层可以有很多层。

我们所了解的模式有很多是重复的，尤其是那些重要的模式。模式认知（诸如普通物体和脸部）和我们的记忆使用相同的机制，这些机制正是我们所了解的模式。它们也被作为模式序列储存着——基本上是故事。那种机制也用于学习和在物理世界中进行物理运动。模式的重复使得我们能识别物体、人和那些有变化且发生在不同环境中的想法。尺寸和大小的变化参数也使得新皮质能够编码不同维度的变化幅度（就声音而言是持续时间）。编码这些幅度参数的一条途径就是通过不同数量重复输入各种模式。举个例子，口语“steep”就有模式，它有不同数量的重复长元音【E】，每个都有中等层次的重要性参数集表明【E】的重复是有差异的。数学上来说，这种方法并不等于拥有明确的尺寸参数，也不像实际运行那样工作，就只是一种编码幅度的方法而已。关于这些参数，我们目前拥有的最有力的证据就是为了得到接近人类层次的准确层次，人工智能系统需要它们。

以上的总结包括了从我所分享的研究结果抽样和我早先讨论的思想实验抽样中所得出的结论。我坚持认为我所呈现的模型是唯一能满足研究和我们的思想实验所确立的所有约束的模型。

最后，我再提供一个具有说服力的证据。数学上来说，过去几十年里我们在人工智能领域开发的用来识别和智能处理真实世界现象（如人类话语和书面语言）、理解自然语言文件的技术，和我上文所呈现的模型很相似。它们都是思维模式认知理论的例子。人工智能领域并不是尝试复制人脑，它只不过是达到对等的技术。