中国人工智能学会通讯——意识科学研究进展 1.4 意识功能细胞的发现

1.4 意识功能细胞的发现

此处所说的“意识功能细胞”,是指脑 细胞中具有特定功能的细胞,这些功能是 指具有意识的核心功能,或公认的构成意 识的基础性或专门化的功能,例如推理功 能、数学计算功能、空间定位功能等。

逻辑推理是意识的基本活动形式之 一。在人推理时,其脑细胞如何运动一直 是较多研究的课题。表 1 是近年来国外对 逻辑推理的脑核磁共振成像(fMRI) 研 究状况 [21]。

研究显示,对不同的推理形式,脑不同区域产生反应。对于不同的反射区,并根 据其他理论推断,形成了 4 种不同的理论, 解释脑细胞在进行逻辑推理时的运行机理为内心证明理论、内心模型理论、双结构 理论、视觉内心成像理论 [22-26]。

内心证明理论或内心逻辑理论, 由 Braine Henle,Rips 于 20 世纪 70 年代创立, 是将脑类比于计算机处理数据,认为可能 有专职的规则处理功能细胞。

与内心证明理论,内心模型理论认为, 推理过程是脑对于句子所包含的结构和空 间特性意义的信息处理结果,而不是对句 子字符规则的处理结果(见表 1:II-3)。 该理论由 Laid 和 Byrne 于 20 世纪 80~90 年 代创立。

介于上述两者之间的学说是内心的 内 容 和 形 式 的 双 结 构 理 论, 由 Evans 和 Goel、Sloman 于 20 世 纪 末 创 立。Goel 等 对抽象形式的亚里士多德三段论,以及三 段论实例进行分别 fMRI 的实验表明,反射 区有各自不同的区域,也有共同区域(见 表 1:III-2),因此推测脑具有空间信息和 抽象结构处理双结构。

视觉内心成像理论认为,推理是脑对可 视化的发现前提中不充分信息的提供,即 推理结论,由 Kosslyn 和 Finke 于 20 世 纪 80~90 年代创立,它类似于双结构理论(见 表 1 :IV-1)。

对于脑神经细胞的空间功能特性的重 大发现是约翰 • 奥基夫(John O ́Keefe); 莫泽教授夫妇(May- Britt Moser、Edvard Moser)发现了大脑中的空间定位系统,包 括位置细胞 (Place Cell) 和网格细胞 (Grid Cell)。前者由奥基夫于 1971 年发现;后者 由莫泽夫妇于 2005 年发现 [25, 27-30]。空间功 能细胞能够实现方向、位置、速度的感知, 产生空间和边界的意识,莫泽夫妇和奥基夫 由此获得 2014 年诺贝尔生理学或医学奖。 他在大脑一个海马体区域发现一种特殊的神 经细胞,当实验小鼠在房间内的某一特定位 置时,其中一部分这样的细胞总是显示激活 状态;而当小鼠在房间内的其他位置时,另外一些细胞则显示激活状态。奥基夫认为, 这些是“位置细胞”,它们构成了小鼠对所 在房间的地图。莫泽教授夫妇发现大脑定 位细胞被称为是“网格细胞”,这些细胞 产生一种坐标体系,从而让精确定位与路 径搜寻成为可能。

空间功能神经细胞的发现对于意识功 能的意义在于,它验证了意识的“先验性” 是可实验验证的。康德在 17 世纪提出了意 识的“先天性”或“先验性”,它构成纯 粹理性,其根本特征之一是意识能够以时 空结构整理思维“材料”,这种时空结构 先天知识,构成后世所称为意识的主观能 动性的核心特征,即意识不只是被动地接 受外界信息,而是以先天结构整理外界信 息;这种先天结构是以时空结构为基石的, 毕竟时空结构是各种事物结构的母结构。 因此,空间感知能力的物理化实际上验证 了康德的空间概念的物理基础,在哲学层 面上验证了意识领域的科学形而上学的可 能性和现实性。同时,细胞对于空间结构 的对应关系,也验证了意识同构模型在物 理世界、符号世界和神经细胞层次上的严格同构关系。

比空间功能细胞更为抽象的功能细胞是 “计算细胞”,即对于实现抽象数学运算功 能的细胞。2004 年,美国精神卫生研究所 (NIMH)的研究者 Heekeren 等发现了基于 抽象运算结果的决策细胞 [31]。被试对脸和区 别于脸的几何体的脑fMRI反射区进行观测, 形成了图 2 右侧的数据,数据显示 4 组刺激 样本对应的 fMRI 反射信号,其中每组柱状 图反应的是对脸和几何体反射的强度(反射 区见图 2 左部)。可以看出,4 组数据边缘 两侧的数据显示了对少噪声刺激的反应。其 重大发现在于,在脑前皮质区 B8/9 有一个 区域(见图 3)与图 2 的 4 组对比信号的差 异度正相关,即少噪声的刺激区域正相关于 前皮质区 B8/9 的特定区域,该区域是“减法” (减掉噪声)的关联区,是“减法”的运算 细胞。这一功能的发现显示人脑的细胞群体 呈现一种抽象运算的递归行为,类似于计算 机的递归函数的递归运算。这是脑细胞的抽 象运算功能的一个发现。

时间: 2024-09-14 18:28:09

中国人工智能学会通讯——意识科学研究进展 1.4 意识功能细胞的发现的相关文章

中国人工智能学会通讯——混合智能概念与新进展

脑科学以阐明脑的工作原理为目标,近年来已成为最重要的科学前沿领域之一.脑功能计算.脑智能模仿再度成为学术界和产业界热议话题[1-4].欧盟.美国.日本相继启动了大型脑研究计划,强有力推动了人们对脑结构.脑功能和脑智能的探索和认识:另一方面,人工智能研究风起云涌,最近一个标志性事件是谷歌的AlphaGo以4:1战胜围棋世界冠军李世石[5],实现了围棋人工智能领域史无前例的突破.2016年9月斯坦福大学发布了<2030年的人工智能与生活>报告[6],全面评估了当前人工智能的进展.挑战.机遇与展望.

中国人工智能学会通讯——着力突破与创新 实现超越与引领

提 要 2016年3月,围棋人机大战的结果,在舆论界激起了惊涛骇浪:在科技界也引起了强烈反响.为了把握人工智能的发展现状和规律,探讨我国人工智能的发展战略,在中国人工智能学会和众多人工智能同行的支持下,由本文作者出面申请了一次高层战略研讨会,这就是以"发展人工智能,引领科技创新"为主题的香山科学会议.与会者同气相求.同心协力,站在国家战略的高度,以纵览全球的视野,通过深入的研讨和论证,凝聚了诸多宝贵的共识,形成了直送中央的<关于加快发展我国人工智能的专家建议>.本文简要介绍

中国人工智能学会通讯——深蓝、沃森与AlphaGo

在 2016 年 3 月 份,正当李 世石与AlphaGo 进行人机大战的时候,我曾经写过 一 篇< 人 工 智 能 的 里 程 碑: 从 深 蓝 到AlphaGo>,自从 1997 年深蓝战胜卡斯帕罗夫之后,随着计算机硬件水平的提高,计算机象棋(包括国际象棋和中国象棋)水平有了很大的提高,达到了可以战胜人类最高棋手的水平.但是,长期以来,在计算机围棋上进展却十分缓慢,在 2006 年引入了蒙特卡洛树搜索方法之后,也只能达到业余 5 段的水平.所以 AlphaGo 战胜韩国棋手李世石,确实是人

中国人工智能学会通讯——智创未来 未来已来

2016 年带着我们难忘的记忆,就这样翻篇了.由我们学会发起.全国多个组织积极参与的.纪念全球人工智能 60 年的一个个系列活动历历在目,在我们身边发生的种种无人驾驶的比赛和试验活动还在让我们激动不已,AlphaGo 战胜人类围棋冠军李世石的震荡被 Master 的新战绩推向又一个新高潮,时间就这样把我们带入了新的一年--2017 年. 对 2017 年的人工智能,我们会有什么期待呢? 深度学习会火 无人驾驶会火 机器人产业会火 机器同传会火 人机博弈会火 交互认知会火 不确定性人工智能会火 智

中国人工智能学会通讯——2016机器智能前沿论坛召开

2016 年 12 月 17 日,由中国人工智能学会.中国工程院战略咨询中心主办,今日头条.IEEE<计算科学评论>协办的"2016机器智能前沿论坛"暨"2016 BYTE CUP国际机器学习竞赛颁奖仪式"在中国工程院举办.论坛嘉宾包括中外顶尖的数据挖掘.机器学习,以及自然语言处理方向的专家学者. 与以往不同,本次论坛除介绍机器学习的重大进展和应用外,还着重讨论了机器学习技术在媒体数据上的应用,并为2016 BYTE CUP 国际机器学习竞赛的获奖选手进

中国人工智能学会通讯——Master虽优势较多 但仍有缺陷

近日,Master 在各大围棋网站横扫顶尖职业棋手,随后,谷歌 DeepMind 创始人德米什 • 哈萨比斯在 Twitter 上发布消息,证实了 Master 是 AlphaGo 的升级版.众所周知,围棋困难的地方在于它的估值函数非常不平滑,差一个子盘面就可能天翻地覆:同时状态空间大,也没有全局的结构.这两点加起来,迫使目前计算机只能用穷举法,并且因此进展缓慢.但人能下得好,能在几百个选择中知道哪几个位置值得考虑,说明它的估值函数是有规律的.这些规律远远不是几条简单公式所能概括,但所需的信息量

中国人工智能学会通讯——机器学习里的贝叶斯基本理论、模型和算法

非常感 谢周老师给这个机会让我跟大家分享一下.我今天想和大家分享的是,在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法--贝叶斯方法.它是在机器学习和人工智能里比较经典的方法. 类似的报告我之前在CCF ADL讲过,包括去年暑假周老师做学术主任在广州有过一次报告,大家如果想看相关的工作,我们写了一篇文章,正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述,大家可以下去找这篇文章读. 这次分享主要包括三个部分: 第一部分:基本理论.模型和算法 贝叶斯方法基础 正则化贝叶斯推

中国人工智能学会通讯——无智能,不驾驶——面向未来的智能驾驶时代 ( 下 )

到目前为止似乎比较完美,而实际还 存在着一些问题.我们现在看到很多道 路上面,交通标志牌它的分布非常稀疏, 可能每过一两公里才能够检测出来一个 交通标志牌,因为毕竟这个深度学习算 法是目前最完美的,它有时候还会错过 一个交通标志牌,这时候怎么办呢?我 们会发现在路面上也有非常明显的视觉 特征,我只要把路面的这些视觉特征识 别出来进行匹配,其实是有连续的绝对 的视觉参考的.所以我们做的办法是, 把这个路面粘贴起来.这个粘贴的方法 很简单,跟我们手机拍场景图片一样, 我们慢慢移动的时候可以把这个场景

中国人工智能学会通讯——深度学习与视觉计算 1.3 计算机视觉领域利用深度学习可能带来的未来研究方向

1.3 计算机视觉领域利用深度学习可能带来的未来研究方向 第一个,深度图像分析.目前基于深度 学习的图像算法在实验数据库上效果还是 不错的,但是远远不能够满足实际大规模 应用需求,需要进一步的提升算法性能从 而能够转化相应的实际应用.比如这个基 于图片的应用,可以估计性别和年龄,但 是其实经常会犯错,因此需要进一步提升 深度图像分析的性能. 第二个,深度视频分析.视频分析牵扯 到大量的数据和计算量,所以做起来更加 麻烦.当前深度视频分析还处于起步的阶 段,然而视频应用非常广泛,比如人机交互. 智