第2章 神经网络

1986年1月，当我进入加州大学伯克利分校工作时，做的第一件事是梳理智能和大脑功能方面相关理论的发展历史。我阅读了由解剖学家、生理学家、哲学家、语言学家、计算机科学家和心理学家所撰写的数百篇论文。许多不同领域的人撰写了大量有关思维和智能的文章，而且每个领域都有一套自己的期刊，各自使用自己的术语。我发现他们的描述既不一致也不完整。语言学家用诸如“句法”和“语义”之类的术语谈论智能，因为对他们而言，大脑和智能都与语言有关；视觉科学家采用的是2D、2.5D和3D草图，因为在他们看来，大脑和智能都与视觉模式识别有关；计算机科学家则谈论模型和框架，这是他们为了表达知识而创造的新术语。这些人都没有谈及大脑的结构，以及大脑是如何实现这些理论的。虽然解剖学家和神经生理学家撰写了大量有关大脑结构及神经元行为的文章，但他们大多未曾尝试去研究并推导更为普适的理论。不同的实验方法以及由此产生的大量数据，理解起来不仅非常困难，而且令人沮丧。

大约就在此时，一种全新的有关智能机器的发展思路崭露头角，并且颇有前景。自20世纪60年代末以来，神经网络就以某种形式出现了，但就研究机构获得的资金与人才而言，神经网络和人工智能存在竞争关系。“重达800磅的大猩猩”(1)人工智能明显比神经网络研究更受人们的追捧。神经网络研究人员被列入黑名单，长达数年无法获得资助。不过，仍有少数人在继续思考这一方向，直到20世纪80年代中期，他们才终于守得云开见月明。很难确切解释为什么大家突然对神经网络产生了兴趣，但毫无疑问，其中一个促成因素是人工智能技术的发展持续遭遇失败。人们设法寻找人工智能的替代品，并在人工神经网络中找到了一种。

神经网络是对人工智能方法的真正改进，因为神经网络的体系结构基于真实的神经系统，不过非常松散。神经网络研究人员，也被称为连接主义者，他们并不热衷于计算机编程，而是渴望研究神经元相互连接后形成的整体所展现的行为。大脑由神经元构成，因而大脑就是一个神经网络。连接主义者希望通过研究神经元之间的相互作用，清楚地了解智能难以捉摸的特性，并通过复制神经元群之间的正确连接来解决人工智能无法解决的一些问题。神经网络与计算机的不同之处在于，它没有CPU，也不会将信息存储在集中式存储器中。神经网络的知识和记忆分布在整个连接中，就像真正的大脑一样。

从表面上看，神经网络似乎与我的兴趣非常契合，但我很快对这个领域的研究感到失望。当时我认为，对于理解大脑而言，有必不可少的三大准则。

第一准则是，考虑大脑的功能时需要包括时间因素。真正的大脑能够处理快速变化的庞大信息流，而这种通过大脑的信息流完全是动态的。

第二准则是反馈的重要性。神经解剖学家早已发现，大脑内部充满了反馈连接。比方说，在新皮质和在大脑中位置比较靠下的丘脑之间的连接回路中，反向连接（即通向输入）的数量几乎经常是正向连接数量的10倍！这就意味着，每有一根向前传递信息进入新皮质的神经纤维，就会有10根从新皮质反向将信息传递回感官的神经纤维。同时，反馈也控制着整个新皮质的大多数连接。虽然反馈的确切用途还不为人所知，但从已发表的研究成果来看，它确实广泛存在。综上所述，我认为反馈是至关重要的。

第三准则是，任何一个关于大脑的理论或模型都应该能够解释大脑的物理结构。就像后文中提到的那样，新皮质不是一个简单的结构，而是由一个不断重复的层次结构组成的。任何一个没有体现这种结构的神经网络，肯定不会像大脑那样工作。

很可惜，虽然神经网络研究呈爆炸式增长，但大多数研究都止步于一些极其简化的模型，而这些模型都无法满足上述三大准则。大多数神经网络主要是由少量神经元组成的三层网络。第一层神经元被用来表示输入模式；然后，这些输入神经元会被连到第二层神经元，即隐藏层神经元；随后，隐藏层神经元被连到了第三层的输出层神经元。神经元之间的连接具有不同强度。根据连接强度的不同，一个神经元的激活会促进另一个神经元的激活，但可能会抑制第三个神经元的激活。因此通过改变这些连接强度，神经网络可以学会将输入模式映射到输出模式。

这些简陋的神经网络只处理静态的输入模式，不会做出任何反馈，结构上也完全不像人脑中的神经网络。有一种最常见的神经网络叫“反向传播”网络。这种网络通过将错误信号从输出层反向传播回输入层来学习。你可能认为这应该算一种反馈，但其实不是。首先，虽然“反向传播”网络在学习时，会发生错误信息的反向传播，但是当网络经过训练能够正常工作时，信息传播就只有一个方向了，即从输入层到输出层。其次，这些简单神经网络不具备时间的概念。它们只是将静态的输入转变为静态的输出。因此，在这些网络内部不存在任何历史记录，哪怕是刚发生不久的事情。最后，与大脑中那些复杂的层次结构相比，这些神经网络的架构还是显得微不足道。

我以为该领域内的研究会很快转向更为真实的网络，但这种情况并没有发生。由于这些简单的神经网络的应用场景已经有很多，整体研究反而停滞了很多年，并未取得进展。随着这样一种全新又有趣的工具的诞生，一夜之间，成千上万的科学家、工程师和学生可以据此申请研究经费，获得博士学位，出版关于神经网络的书籍。人们忙于创办各种公司，利用神经网络来预测股市、处理贷款申请、核实签名，以及监测其他上百种关于模式分类的应用。也许神经网络的创造者怀有更宏伟的目标，但是这个领域被另一批人主宰了，而这些人对于理解大脑工作原理及智能并没有兴趣。

大众媒体并不太了解这种区别。报纸、杂志和电视科学节目将神经网络描述为“类脑”，或者将其称为“按照与大脑相同的原理”工作。与必须对所有程序进行编程的人工智能不同，神经网络通过样例学习，在某种程度上似乎更智能。NetTalk就是一个经典案例，它学会了将字母序列映射到语音中。用印刷文本训练神经网络，听起来就像是计算机在朗读单词。不难想象，假以时日，神经网络就能与人类对话。各大官方媒体报道都错误地将NetTalk称为一种学习如何朗读的机器。NetTalk是一个很棒的案例，但它的实际功能微不足道。它无法阅读，也不能理解，几乎没有实用价值。它只是将字母组合与预定义的声音模式匹配起来。

关于神经网络和大脑的区别，请让我打个比方。我们先不去想大脑是如何工作的，而是看看计算机是如何工作的。经过多年研究，我们发现，计算机里的部件都由晶体管组成。数亿个晶体管精准而复杂地连接在一起，但我们并不理解计算机是如何工作的，晶体管又为何以这种形式连接。因此，有一天我们决定只连接少数晶体管，想看看会发生什么。我们没有想到，虽然只有3根晶体管，但以某种形式连接时，它们就变成了一个放大器：一端的一个信号传输到另一端时被扩大了。收音机和电视里的扩音器就是以这种形式的晶体管组成的。这项发现十分重要，一夜之间，一个新兴产业就出现了，人们纷纷利用晶体管的这种信号放大效应制造晶体管收音机、电视和其他一些电子设备。这虽然也不错，但我们还是不知道计算机是如何工作的。尽管扩音器和计算机都由晶体管组成，但它们之间并无共同点。同理，大脑和一个三层神经网络虽然都由神经元构成，但它们也毫无共同点。

1987年夏天，有件事情进一步浇灭了我对神经网络的热情。我参加了一次神经网络会议，听了一家名叫Nestor的公司相关人员的演讲。该公司试图出售一种神经网络应用程序，用于识别便笺簿上的笔迹。他们公司给该程序定价100万美元。这引起了我的注意。尽管Nestor公司宣传他们的神经网络算法有多么高超，将它视为又一项重大突破，但我认为可以用更简单传统的方式识别笔迹。

那晚回家后，我开始思考这个问题。两天后，我就设计出一款笔迹识别器，它识别速度很快，尺寸小巧，功能灵活。我的方案没有使用神经网络，也没有像大脑那样工作。尽管受那次会议的启发，我打算设计一种带手写功能的计算机，并最终在10年后产生了PalmPilot，但它也使我确信：神经网络相较于传统方法，并无多大改进。我创建的笔迹识别器最终成为涂鸦（Graffiti）文本输入系统的基础，这套系统用于首批Palm产品。我觉得Nestor公司离倒闭不远了。

对简单神经网络的介绍就到这里。它们的大多数功能都可以通过其他方法轻松处理，最终媒体也不再报道了。至少，神经网络研究人员并没有声称他们的模型是智能的。毕竟，它们就是非常简单的网络，无法媲美人工智能程序。

我不想给你留下所有神经网络都是简单的三层这种印象，一些研究人员一直在研究不同类型的神经网络。如今，“神经网络”一词用于描述各种模型，其中一些模型的特点在生物学上更符合这个词的本义，另一些则不尽然，但几乎没有人尝试了解新皮质的整体功能或结构。

我认为，大多数神经网络最基本的问题是它们与人工智能程序所共有的特征。两者都因为过于关注行为而承受着不可衡量的损失。

无论将这些行为称为“答案”、“模式”还是“输出”，人工智能和神经网络都是在假定智能就是程序或神经网络在处理给定输入后产生的行为。计算机程序或神经网络的最重要属性是它提供正确的还是所需的输出。受图灵启发，神经网络的研究人员认为智能就等于行为。

但智能不仅是要在行为或表现上体现的问题。行为是智能的体现，但不是智能的核心特征或基本定义。只要稍加思考，你便能明白这一点：你足够智能，可以躺在黑暗中思考和理解。忽略大脑中发生的事情，只将注意力集中在行为上，已经成为理解智能和构建智能机器的一大障碍。

自联想记忆

在探索关于智能的新定义之前，我想先介绍另一项连接主义研究，该研究在描述大脑如何工作方面与大脑的实际情况非常接近。但问题是，很少有人意识到这项研究的重要性。

当神经网络大出风头时，有一小部分神经网络理论家创造了一些并不关注行为的网络，并称之为自联想记忆（auto-associative memory）。这些网络也由简单的神经元构成。神经元之间互相连接，并在达到一定阈值时被激活。不同的是，这些连接包括了许多反馈。比起反向传播网络只是把信息向前传递，自联想记忆会把每一个神经元的输出反馈给输入，就好像自己给自己打电话一样。这样的反馈回路导致出现了一些有趣的特性。当一种行为模式应用于这些人工神经元时，它们会对这种模式形成记忆，同时，网络会把模式与这些记忆自动关联。这也是他们被称作“自联想记忆”的原因。

这样一种连接方式可能第一眼看起来特别荒唐。为了从记忆里检索一种模式，你必须提供你想要检索的模式。这就好像你去水果店买一串香蕉，店主问你如何支付时，你说用香蕉支付。你可能会问，这样做有什么意义呢？但是自联想记忆确实存在几项重要特性，而这些特性也存在于真实的大脑中。

第一个重要的特性就是，你无须使用完整的模式进行检索，只使用这个模式的一部分，或者是被打乱的模式即可。即便你在检索时使用的是一个被弄得一团糟的模式，自联想网络也可以用它检索出正确的模式，就像最初储存时那样。这就好像你去水果店用已经吃了一半的、快烂掉的棕色香蕉，换回一个完整的青色香蕉；或者好像你去银行拿着一张无法辨认的残币，然后收银员对你说：“这看起来是一张破损的100元纸币。把它给我，我给你换张新的。”

第二个重要特性是，与其他神经网络不同，自联想记忆可以用来记忆一个模式序列，或者是时间模式（temporal pattern）。这个功能可以通过在反馈上加入时间延迟来实现。通过这个延迟，你可以给自联想记忆呈现一个模式的序列，它可以记住这个序列。以一段旋律为例，我先输入“一闪一闪亮晶晶”的前几个音符，然后自联想记忆就可以返回整首歌。即使只输入一部分序列，自联想记忆也可以找回剩余部分。我们之后也会看到，这就是人类学习所有事物的方式。我认为大脑也使用了类似自联想记忆的连接方式来实现这点。

自联想记忆暗示了反馈和时变输入的潜在重要性，但大多数研究人工智能、神经网络以及认知行为的科学家都忽视了它们。

就整体而言，神经科学家并没有做得更好。他们也很了解反馈，因为他们就是发现反馈的人，但大多数人没有形成或发展相关理论，来解释为什么大脑需要这么多反馈，只是在模糊地谈论“阶段”和“调制”。在他们提出的关于大脑整体功能的多数想法中，并没有考虑时间的作用或考虑得不够充分。他们倾向于根据事情发生的地点来绘制大脑图表，而不看随着时间的推移，神经激发模式何时会相互影响，以及以何种方式相互影响。当然，这种偏见部分源自当前实验技术的局限性。

20世纪90年代又被称为“脑研究的黄金十年”，功能成像技术是当时最热门的一项发明之一。功能成像机器可以拍摄人类大脑活动的照片，但无法捕捉快速的变化。因此，科学家要求被试一遍又一遍专注地执行一项任务，就好像要求他们在拍照时一动不动一样，只不过此时拍摄的是心理照片。结果，科学家掌握了大量数据，弄清了在执行某些任务时，相应的活动发生在大脑的哪些区域，而关于真实的随时间变化的输入如何流经大脑的数据却很少。功能成像可以明确在特定时刻，当事情发生时，相应的大脑活动发生在大脑中的哪个位置，但不易捕捉大脑活动是怎样随时间变化的。虽然科学家也想收集这些数据，但他们缺乏优秀的技术手段。因此，许多主流的认知神经科学家继续相信“从输入到输出”的谬论。固定一种输入，然后看会得到何种输出。新皮质的连接图一般按照这样一种流程来展示：从初级感觉区开始，也就是从视觉、听觉、触觉等输入的地方开始，向上流入更高级的分析、规划、运动等区域，再将指令下达给肌肉。先感知，后行动。

我并非想暗示每个人都忽略了时间和反馈。这个领域如此广阔，几乎每个理论都有它的拥护者。近年来，人们越来越相信反馈、时间和预测的重要性。但多年来，人工智能和经典神经网络所受到的热烈追捧，使得其他方法都被抑制和低估了。

行为决定了智能吗

无论是智能领域外行还是专家，都认为行为决定了智能。这一点并不难理解。至少几个世纪以来，人们一直将大脑的能力比作发条，接着又将其比作泵和管道，然后是蒸汽机，后来又比作计算机。从艾萨克·阿西莫夫（Isaac Asimov）提出的机器人学三定律，到《星球大战》（Star Wars）系列影片中的机器人C-3PO，几十年来，科幻小说中充斥着人工智能的理念。让智能机器做事的想法在我们的想象中根深蒂固。所有机器，无论是人类制造的还是人类想象出来的，都是为了完成某件事而设计的。我们没有会思考的机器，有的只是会行动的机器。即便是观察人类同胞，我们也会关注他们的行为，而不是探究他们潜藏的想法。因此，从直觉上看，智能行为似乎应该是智能系统的度量标准。

然而，纵观科学史，直觉往往是发现真相的最大障碍。科学框架通常很难被发现，并非因为它们很复杂，而是因为人们容易受直觉影响，从而做出一些不正确的假设，进而无法看到正确的答案。在哥白尼提出日心说之前，当时的天文学家错误地认为地球处于宇宙中心，静止不动。因为从感觉上讲，情况就是这样的。从直觉上说，这是显而易见的：群星分布在一个巨大的旋转球体内部，人类就在该球体的中央。假设地球像陀螺一样自转，自转的平均角速度为7.292×10^-5弧度／秒，并且整个地球都在太空中疾驰，更不用说在数万亿千米之外的星星了。提出这些超前的理论，会让人把你当成疯子。但结果证明这是正确的理论框架。有些简单易懂的事情，我们凭直觉认为它们并不正确。

在达尔文提出进化论之前，很明显，物种的类别就是固定的。鳄鱼不与蜂鸟交配，它们是不同物种，无法融合。物种进化的理念不仅违背了宗教教义，也违背了常识。承认进化论，意味着你与这个星球上的每种生物都有一个共同的祖先，包括蠕虫和厨房里的开花植物。我们现在知道这是真的，而直觉却不然。

之所以要提到这些著名的例子，是因为我相信对智能机器的追求也会受到阻碍我们进步的直觉假设的负面影响。当你问自己“智能系统有什么用”时，你会凭直觉从行为的角度进行思考。人类通过言语、写作和行动来展示智慧，对吗？对，但不完全对。智能是发生在你头脑中的事情，行为在这里是一种可有可无的成分。虽然从直觉上说，这并不是显而易见的，但也不难理解。

用简单的框架理解大脑

1986年春天，我日复一日地坐在办公桌前阅读科学文章，努力梳理智能的历史，并密切关注人工智能和神经网络的研究进展，我发现自己陷入了细节中。的确，有无穷无尽的知识值得研究和阅读，但我对整个大脑到底是怎样工作的，甚至它有什么作用，都没有任何清晰的了解。这是因为之前的神经科学领域本身关注的全是细节，现在仍然如此。每年该领域都会有数以千计的研究报告发表，但这些研究报告内容大同小异，都是对现有研究成果的堆砌，而非内容的整合。至今仍然没有全面的理论或框架解释大脑的运作过程和机制。

我开始想象这个问题的解决方案会是什么样子的，是否会因为大脑的复杂而变得极其复杂？是否需要100页密密麻麻的数学运算来描述大脑的工作原理？我们是否需要绘制成百上千个独立电路，才能理解真正有用的发现？我认为情况并非如此。历史表明，科学问题的最佳解决方案往往是简单而优雅的。虽然细节可能令人生畏，通往最终理论的道路可能异常艰辛，但最终的概念框架通常很简单。

倘若没有一个核心理念作为指导，那么神经科学家就不会取得太多进展，因为他们试图将收集到的所有细节整合起来，形成逻辑完整的连贯性描述。大脑非常复杂，是一个巨大且令人生畏的细胞团。乍一看，它就像一个填满煮熟的意大利面的体育场。人们将它也描述为电工的噩梦。但是经过仔细检查，我们发现大脑并不是一个随机堆叠起来的东西。它有很多组织和结构，由于组织和结构的数量过于庞大，我们并不能指望只凭直觉了解大脑整体的运作方式。我们可以将破碎花瓶的碎片重新拼在一起，来了解花瓶本来的样子，但不能用同样的方式来探究大脑。神经科学领域之所以没有取得太多成果，不是因为没有足够的数据，也不是缺乏正确的数据。我们需要做的是转变思路。有了适当的框架，细节才会变得有意义且易于操作。想想下面这个奇特的类比，你就明白我的意思了。

想象一下，几千年后，人类已经灭绝，来自外星的探险家登陆地球。他们想弄清楚人类当初是怎样生活的。他们尤其对人类的道路网络感到困惑。这些奇怪的复杂结构是做什么用的？他们首先可能会通过卫星和实地勘测，对所有东西进行归类。他们应该是一丝不苟的考古学家，会记录每一个散落的沥青碎片的位置，每一个倒在地上并因受侵蚀而滑下坡的路标，以及他们能找到的每一个细节。他们注意到一些道路网络与其他道路网络不同。在某些地方，道路所处位置多风并且狭窄，看起来几乎是偶然形成的；在某些地方，它们形成了一种很规则的网格，而在另一些地方，它们又变得很宽广，并在沙漠中绵延数百千米。这些探险家收集了大量的细节，但这些细节对他们来说没有任何意义。他们继续收集更多细节，希望能找到一些新数据来解释这一切。这件事困扰了他们很长一段时间。

最终，其中一位探险家说：“我明白了！……这些生物无法像我们一样传送自己。他们不得不四处旅行，也许就是借助这些设计巧妙的移动平台。”由这个基本的观点出发，许多细节就说得通了。小而曲折的道路网络出现在交通工具出现的早期，当时的交通工具移动速度缓慢。宽广的道路是为高速长距离行驶而设计的，这就解释了为什么这些道路的标志上会有不同的数字。这些探险家接着又推断出住宅区与工业区的划分方式，以及商业需求和交通基础设施之间可能的关系等。事实证明，他们编目的许多细节都不是很有联系，只是偶然形成的，或因当地地理环境的需要而存在的。此时，依然会有相同数量的原始数据存在，但不再令人费解。

我们可以确信，同样类型的突破也将使我们了解大脑的所有细节。

从大脑内部提取智能

很可惜，并不是每个人都相信人类可以理解大脑是如何工作的。许多人，包括一些神经科学家，都相信大脑和智能在某种程度上是无法解释的。有些人认为，即使我们能理解它们，也不可能制造出以同样的方式工作的机器，这种智能需要人体、神经元，也许还有一些新的、深不可测的物理定律。每当我听到这些争论时，我不禁想起过去的知识分子反对研究天空或反对解剖尸体，阻碍人们了解人体的运行机制。“别费心研究那个，它不会带来任何好处，即使你能理解它是如何工作的，我们也无法用这些知识做任何事情。”诸如此类的观点将我们引向了一个叫作功能主义的哲学分支，这是人类在思维方面形成的简短历史中的最后一站。

根据功能主义的理论，智能或“有思想”纯粹是组织的一种属性，与你是由什么构成的没有本质上的关系。心智可存在于任何系统中，只要其组成部分之间具有正确的因果关系即可，这些部分可以是神经元、硅芯片或其他东西。显然，这种观点对于任何潜在的智能机器制造商来说就是标准的问题。

想一想：如果用盐瓶代替丢失的国际象棋骑士棋子下棋，会不会不那么真实？显然不是。盐瓶在功能上等同于骑士，因为盐瓶在棋盘上移动并与其他棋子相互作用，因此你的游戏还是真正的国际象棋游戏，而不仅仅是一场模拟游戏。再想一想，如果我用光标删除每个字符然后重新输入，这句话会不会一样？或者再想想：每隔几年，你的身体就会替换掉构成你的大部分原子，尽管如此，你在所有重要的方面依然如故。如果一个原子在你的分子构成中发挥相同的功能，那么它们就是等同的。同样的逻辑也适用于大脑：如果一个疯狂的科学家用一个功能等效的微型机器复制品替换了你的每个神经元，那么手术结束后，你依然能够感受到真实的自我，与手术前无异。

根据这个原则，一个使用与人脑相同功能架构的人工系统应该同样具有智能，它不仅是人造的，而且实际上是真正智能的。

人工智能的支持者、连接主义者和我都是功能主义者，因为我们都相信大脑没有什么内在的特殊或神奇之处可以让它变得智能。我们都相信有一天人类将能够以某种方式制造智能机器。但是人们对功能主义有着不同的解释。虽然我已经说明了我认为人工智能和连接主义范式之所以失败，关键在于输入-输出谬误，但关于为何人类仍未能设计出智能机器，还有一个关键点。虽然人工智能的支持者采取了我认为是弄巧成拙的强硬路线，但在我看来，连接主义者的主要问题是太胆怯了。

人工智能研究人员会问：“为什么人类工程师要被进化过程中偶然发现的解决方案所束缚呢？”原则上，他们的这种质疑是有道理的。众所周知，生物系统，如大脑和基因组，并非具有优雅的结构。鲁布·戈德堡机械（Rube Goldberg machine）就是人们常用的比喻，它以大萧条时期的漫画家鲁布·戈德堡（Rube Goldberg）的名字命名。他的漫画中经常会出现一些过于复杂的滑稽装置，它们仅仅是为了完成琐碎的任务而设计的。软件设计师也有一个相关的术语kludge，它指的是编写程序的人没有远见，使程序中充斥着繁重无用的复杂性，最终连编写者本人也常常难以理解程序的意图了。人工智能研究人员担心大脑同样是一团糟，是一个有着数亿年历史的杂乱无章的东西，充满了低效率和进化的“遗留代码”。如果是这样，他们想知道，为什么不摒弃整个令人遗憾的混乱架构并另辟蹊径呢？

许多哲学家和认知心理学家都认同这种观点。他们喜欢将思维比喻为由大脑运行的软件，是计算机硬件的有机模拟物。在计算机中，硬件级别和软件级别彼此不同。相同的软件程序可以在任意通用图灵机上运行。例如，你可以在普通个人计算机、苹果计算机或由克雷公司（Cray）研发的超级计算机上运行WordPerfect Office办公套件，即使这三个系统具有不同的硬件配置。如果你正在尝试学习WordPerfect Office办公套件，那么硬件的选择对学习没有任何影响。我们由此推断，思维也是这样，大脑没有教人类关于思想的任何东西。

人工智能的捍卫者还喜欢指出工程解决方案与自然版本完全不同的历史实例。例如，人类成功地制造出飞行器，可这是通过模仿有翼动物的拍打动作实现的吗？不，人类用固定翼和螺旋桨就做到了，后来用的是喷气发动机。这可能不是大自然的造物方式，但人类创造的方法确实有效，而且比拍打翅膀的方法高效很多。

同样，人类制造了一种速度和行程可以超越猎豹的在陆地上行驶的车辆，但不是通过制造类似猎豹的四足跑步机，而是通过发明轮子来实现的。轮子能够在平地上高效地移动，这说明即便进化从未产生过这种特定策略，也并不代表它不是一种好的策略。一些研究心智的哲学家已经注意到“认知轮”（cognitive wheel）的比喻，即人工智能解决某些问题的方法，尽管与大脑的工作方式完全不同，但同样优秀。换句话说，一个程序假如以某种狭隘但有用的方式，产生类似或超越人类表现的输出，那么它的确与人类大脑做这件事的方式一样好。

我相信这种对功能主义“以目的证明手段”的解释，会导致人工智能研究人员误入歧途。正如约翰·塞尔在表达“中文屋”这个观点时所展示的那样，行为对等是不够的。由于智能是大脑的内部属性，我们必须深入探究大脑才能了解什么是智能。在对大脑尤其是新皮质的研究中，我们需要小心地找出哪些细节只是进化过程中多余的“被冻结的偶发事件”。毫无疑问，许多鲁布·戈德堡式流程中都混入了重要的特征，但是你很快就会看到，强大的力量有一种潜在的优雅，而这种力量绝非现今最好的计算机可以比拟的，它等待我们将其从这些神经回路中提取出来。

连接主义者凭直觉认为大脑不是计算机，大脑的秘密在于神经元连接在一起时的行为方式。这是一个良好的开端，但该领域在早期取得成功后几乎没有新的进展。尽管人们曾对三层网络大力开展研究，而且目前仍有许多人这样做，但很少有人研究新皮质中实实在在的网络。

半个多世纪以来，人类一直将全部聪明才智用于尝试通过编程在计算机中实现智能。在这个过程中，人类创造了文字处理器、数据库、视频游戏、互联网、手机，以及令人信服的计算机动画。但是智能机器仍然没有出现。要想取得成功，人类需要大量借鉴大自然的智能引擎，也就是新皮质。人类必须从大脑内部提取智能，没有其他路可以走。