在计算机科学家试图创立人工智能的过程中,知识是如何存入大脑的已经不仅仅是个学术问题了。那么,蜂群思维中的记忆架构是什么样的呢?
过去,多数研究人员倾向于认为,(记忆的存储)就如同人类管理其自制的文件柜一样,直观而自然:每个存档文件占用一个地方,彼此间有多重交叉引用,就像图书馆一样。活跃于 1930 年代的加拿大神经外科医生怀尔德·潘菲尔德[注释]通过一系列著名的精彩实验,将这种认为每条记忆都对应于大脑中一个单独位置的理论发展到了顶峰。潘菲尔德通过大胆的开颅术,在病人清醒的状态下利用电激探查其小脑活体,请他们讲述自己的感受。病人们能够回忆起非常生动的往事。电激的最微小移动能引发截然不同的想法。潘菲尔德在用探测器扫描小脑表面的同时,绘制出每个记忆在大脑中的对应位置。
他的第一个意外发现是,那些往事是可以重播的,就如同在若干年后播放录音机一般——“摁下重播键”。潘菲尔德在描述一位二十六岁妇女癫痫发作后的幻觉时用了“回闪”这个词:“同样的回闪出现了几次,都与她表亲的家或去那里的旅行有关——她已经有十到十五年没有去那里了,但小时候常去。”
潘菲尔德对活脑这块处女地的探索使得人们形成了根深蒂固的印象:脑半球就好比出色的记录装置,其精彩的回放功能似乎更胜过时下流行的留声机。我们的每个记忆都被精确地刻划在它自己的碟片上,由不偏不倚的大脑忠实地将其分类归档,并能像自动点唱机中的歌曲一样,摁动正确的按扭就能播放出来,除非受到暴力的损伤。
然而仔细查看潘菲尔德实验的原始记录会发现,记忆并不是十分机械的过程。有一个例子,是一位二十九岁的妇女在潘菲尔德刺激其左颞叶时的反应:“有什么东西从某个地方朝我来了。是一个梦。”四分钟以后,当刺激完全相同的点时:“景色似乎和刚才的不一样……”而刺激附近的点:“等等,什么东西从我上面闪过去了,我梦到过的东西。”在第三个刺激点——在大脑的更深处,“我不停地做梦。”对同一点重复刺激:“我不停地看到东西——我不停地梦到东西。”
这些文字所谈及的,与其说是从记忆档案馆的底层文件架上翻出的杂乱无章的昨日重现,倒不如说是梦一般的模糊闪现。这些过往经历的主人把它们当作是零碎的半记忆片段。它们带有生硬的“拼凑”色彩,漫无目的地飘荡;梦境由此而生——那些关于过去的、星星点点的、没有中心的故事被重组成梦中的拼贴画。并没有所谓似曾相识的感觉,也没有“当时情形正是如此”的强烈意识。没有人会被这些重播所蒙蔽。
人类的记忆的确会不管用。其不管用的方式十分特别,比如在杂货店里记不起购物清单中的蔬菜或是干脆就忘掉了蔬菜这码事。记忆的损伤往往和大脑的物理损伤有关,据此我们猜测,记忆在某种程度上是与时间和空间捆绑在一起的——与时间和空间捆绑在一起正是真实的一种定义。
我们的记忆(以及我们的蜂群思维)是以同样模糊而偶然的方式创造出来的。要(在记忆中)找到那颗跳动的流星,我的意识首先抓住了一条移动的光的线索,然后收集一连串与星星、寒冷、颠簸有关的感觉。创造出什么样的记忆,有赖于最近我往记忆里塞入了什么,也包括上次重组这段记忆时所加进去的感觉或其他事情。这就是为什么每次回忆起来都有些微不同的原因,因为每次它都是真正意义上的完全不同的经历。感知的行为和记忆的行为是相同的。两者都是将许多分布的碎片组合成一个自然涌现出的整体。
认知科学家道格拉斯·霍夫施塔特说道:“记忆,是高度重建的。在记忆中进行搜取,需要从数目庞大的事件中挑选出什么是重要的,什么是不重要的,强调重要的东西,忽略不重要的东西。”这种选择的过程实际上就是感知。“我非常非常相信,”霍夫施塔特告诉我,“认知的核心过程与感知的关系非常非常紧密。”
在过去二十年里,一些认知科学家已经勾画出了创造分布式记忆的方法。1970 年代,心理学家戴维·马尔提出一种人类小脑的新模型,在这个模型中,记忆是随机地存储在整个神经元网络中的。1974年,计算机科学家彭蒂·卡内尔瓦提出了类似的数学网络模型。借助这个模型,长字符串的数据能随机地储存在计算机内存中。卡内尔瓦的算法是一种将有限数量的数据点储存进非常巨大的潜在的内存空间的绝妙方法。换句话说,卡内尔瓦指出了一种能够将思维所拥有的任何感知存入有限记忆机制的方法。由于宇宙中可能存在的思想要比原子或粒子更多,人类思维所能接触到的只是其中非常稀疏的一部分,因此, 卡内尔瓦称他的算法为“稀疏分布记忆”算法。【这感觉就是公布式的记忆方法?】
在一个稀疏分布式网络中,记忆是感知的一种。回忆行为和感知行为都是在一个非常巨大的模式可选集中探查所需要的一种模式。我们在回忆的时候,实际上是重现了原来的感知行为,也就是说,我们按照原来感知这种模式的过程,重新定位了该模式。
卡内尔瓦的算法是如此简洁清晰,以致于某个计算机高手用一个下午就能大致地实现它。1980年代中期,在美国宇航局艾姆斯研究中心,卡内尔瓦和同事们在一台计算机上设计出非常稳定的实用版本,对他的稀疏分布记忆结构进行了细调。卡内尔瓦的记忆算法能做一些可媲美于人类思维的不可思议的事情。研究者事先向稀疏内存中放入几个画在 20×20 格子里的低画质数字图像(1至9)。内存保存了这些图像。然后,他们拿一个比第一批样本画质更低的数字图像给内存,看它是否能“回忆”起这个数字是什么。结果它做到了!它意识到了隐藏在所有低画质图像背后的原型。从本质上来说,它记起的是以前从未见过的形象!
这个突破不仅仅使找到或重现过去成为可能,更重要的是,当只给定最模糊的线索时,它也能够从无数的可能性中发掘出一些东西。对一个记忆体来说,仅仅能调出祖母的容貌是不够的,在不同的光线下以及从不同的角度去看祖母的样子时,它都应该能辨认出来。
蜂群思维是能同时进行感知和记忆的分布式内存。人类的思维多半也是分布式的,至少在人工思维中分布式思维肯定是占优势的。计算机科学家越是用蜂群思维的方式来思考分布式问题,就越发现其合理性。他们指出,大多数个人电脑在开机状态的绝大部分时间里并没有真正投入使用。当你在计算机上写信时,敲击键盘产生的短脉冲会打断计算机的休息,但当你构思下一句话的时候,它又会返回到无所事事的状态。总体而言,办公室里打开的计算机在一天的大部分时间里都处于闲置状态。大公司的信息系统管理人员眼见价值几百万美元的个人电脑设备晚上在工作人员的办公桌上闲着,很想知道是否能够充分利用这些设备的全部计算能力。他们所需要的正是一个在完全分布式的系统中协调工作和存储的办法。
不过,仅仅解决闲置问题并不是分布式计算的主要意义。分布式系统和蜂群思维有其独特的优势,比如,对突然出现的故障具有极强的免疫力。在加利福尼亚州帕罗奥多市的数字设备公司的实验室里,一名工程师向我演示了分布式计算的优势:他打开装有公司内部计算机网络的机柜门,动作夸张地从里面拔掉了一条电缆。网络路由毫不迟疑地绕过了缺口。
当然,任何蜂群思维都有失灵的时候。但是,因为网络的非线性特质,当它确实失灵的时候,其故障可能类似于除了蔬菜什么食物都记得的失语症。一个有损伤的网络智能也许能计算出圆周率的第十亿个数位,却不能向新地址转发邮件;它也许能查出为非洲斑马变种进行分类这样晦涩难懂的课本文字,却找不出任何有关一般动物的合乎情理的描述。对蔬菜的整体“健忘”不太像局部的储存器故障,它更像是系统层面上的故障,据其症状推断,有可能是与蔬菜相关的某种特殊关联出现了问题——就像计算机硬盘中的两个独立但又相互矛盾的程序有可能造成一个“漏洞”阻止你打印斜体字一样。斜体字的存储位置并没有被破坏,但是渲染斜体字的系统进程被破坏了。
创建分布式计算机思维所遇到的一些障碍可以通过将计算机网络建立在一个箱体内的方法加以克服。这种经过刻意压缩的分布式计算也被称为并行计算,因为在超级计算机中的成千上万的计算机在并行运转。并行超级计算机不能解决“办公桌上闲置的计算机”问题,也不能将散布各处的计算能力聚合起来;并行运转是其本身和内部的一个优势,不过单就为了这一点,也值得花一百万美元来制造一个单机装置。
并行分布式计算非常适用于感知、视觉和仿真领域。并行机制处理复杂性的能力要好于以体积庞大、运算速度超快的串行计算机为基础的传统超级计算机。在采用稀疏分布式内存的超级计算机里,记忆与数据处理之间的差异消失了。记忆成为了感知的再现,与最初的认知行为没有什么区别。两者都是从一大堆互相连接的部件中涌现出来的模式。
联系客服