「AI與社會」工作坊
人工智慧與大腦模擬：過去，展望及影響

主持：黃于玲 助理教授
主講：陳建中 特聘教授

大腦是人類與外界溝通的核心，模擬大腦的目的是要讓機器具備大腦的功能，換言之就是要製作出人類的心智能力（human intelligence）。從電腦問世前就有人問：「機器是否可以模擬人類的智能反應？」萬國商業機器集團（International Business Machines Corporation，簡稱 IBM）的深藍電腦在 1999 年擊敗西洋棋的世界冠軍而震驚世界。世人熱議：「人工智慧這麼厲害，它還能做什麼？」，2005年開始的 blue brain project 就是後深藍電腦的發展，由瑞士科學家 Henry Markram 領軍，該團隊認為：電腦可以打敗世界棋王，代表已有足夠的計算能量，可以模擬大腦功能。大腦模擬是要從生物現實（biologically realism）的條件下 ，模擬整個神經運作過程——模擬神經細胞，還有神經之間的連結，訊號傳遞（釋放化學物質），再往前建立神經運作的基本單位皮層柱（hypercolumn）。2008年時，研究團隊已成功模擬老鼠的細胞模式，可模擬的神經數已臻至老鼠的大腦，這結果令人驚豔、也讓美國緊張，導致美國政府於Obama時代挹注六百億美金從事大腦研究，讓這幾年美國的神經科學突飛猛進。歐洲團隊預計在2023年完成人類的細胞模式，然而這階段僅是把很多神經連結在一起，還未考慮神經反應以及大腦行為，屆時是希望電腦的計算能力已能去模擬每個神經。

那時候距離人工智慧控制世界的劇情還太早。人文社會科學是研究人類行為、思考及互動的領域，研究這一切是因爲不清楚大腦在想什麼，若可以模擬每個神經，憑藉夠快的電腦，就可以模擬任何人類行為，進而是人際互動，那還需要神經科學或社會科學嗎？人工智慧對於學科的震撼來自如此，近幾年的研究成果已經開始對神經科學有重大影響，對於人文社會科學的影響還要再觀察幾年。

大腦是地表上最強的智能系統。在二次大戰前就有以模擬神經運作的方式，來改善機器的演算法，1946 年發表的Hebbian rule是個里程碑，還有 1978 年提出的Rule Based AI，就是現在決策樹發展的原理，發明者Herbert Simon還因此拿到1978年的諾貝爾經濟學獎。接近當代模樣的 AI 是來自1980年代的平行分散處理模式（ parallel distributed processing model），或稱為神經網路的方法，都是用 AI 來模擬人類智慧的成果。

討論人工智慧、不免就會談到機器學習，顧名思義是要機器學東西，所以要先釐清什麼是「學習」。科學上研究學習一事，可以回溯到心理學家Pavlov的古典制約（classical conditioning）實驗，他在研究實驗犬的唾液分泌量時發現：進食前牠的唾液分泌量就有顯著增加，乃是因送餐前的訊號——鈴聲所致。
鈴聲原本與食物無關，但每次食物都隨著鈴聲而來，實驗犬就把鈴聲與食物在腦中做出連結，這就是古典制約。

簡言之，把事情兩兩配對，就是一種學習；反之、人在制約狗，狗也在制約人——實驗犬進食時，研究者就開始記錄，這也是一種連結，不同的是：研究者的動作是主觀介入，此種連結稱為運作式的制約（operant conditioning）。另一種實驗：只要按下開關，就會有食物掉下來。動物會理解到行動與回饋之間的關係。這兩個實驗不太一樣，然而什麼是學習？把不同物體之間的連結在腦中建立起來，就是學習。

「如果兩神經時常一起反應，這兩神經之間的連結會逐漸增強。」加拿大神經科學家 D. O. Hebb 這樣回答制約的邏輯，而他所建立的 Hebbian rule 除了是神經科學常使用的法則，現在大部分神經網絡或人工智慧的學習演算法，都是以它為基礎發展——兩現象時常一起出現時，它們之間的連結 （connection）會增強。

決策樹，最常用於決策系統的 rule based AI，係由史丹佛大學心理系的Herbert Simon團隊所創建。他們發現「依照條件採取活動」是人類的決策方式，若能清楚所有可能性，機器也能做出適當選擇，協助人類決策行為。這是現在最常見也應用面最廣的 AI ，許多客戶服務專線就是如此。在媒體上曝光最多次的實體 rule based AI 是由日本國際電氣通信基礎技術研究所的黑石浩教授、其所發明的聊天機器人 Erica；Erica 會觀察眼神、分析話語、進而判斷如何回應。siri 或 ok google 也是這類產品，依照訊息模擬人類的互動過程。

神經網絡不是在模擬神經，而是利用神經連結的概念，其過程為：一、以節點模擬神經元；二、每個神經元都會從其他神經元獲得訊號；三、神經元把接收到的訊息綜合處理後，輸出訊號送給後續的神經元。稱為平行處理模式的神經網絡就是在處理這些事情——神經元把訊息層層轉送，最終導致行動。兩兩之間連結的強弱、與刺激有關的神經元、反應時間等，由這些條件構成神經網絡的平行處理模式。

平行分散處理模式在1980至1990年代有很大的影響，也受到許多哲學家、心理學家或神經科學家的批評。討論過程中都會談到連接指令（connectionism）：所有東西都是神經系統連結所造成，神經反應本身不是那麼重要，常見的神經網路研究就是這樣想：不管神經特性，只要連結建立好，什麼都可以訓練，重點是神經之間的連結，這就是連接指令的傳統。

另個傳統是來自電腦科學，有關巨量神經科學的演算法。巨量神經科學重視系統如何使物件運作（如圖靈機 turing machine），會根據規則來決定接到訊息後的下一步該怎麼做，這跟前面說的 rule based AI 有些不同：rule based AI 是利用現在對神經科學的知識去建立機制，所以該機制會考慮神經運作模式，不同神經類型所導致的運作方式不同，不同時期或不同區域的大腦運作方式也會不同，要理解上述種種關係才會讓運作模式正確。對電腦科學的人而言，重視的是符號處理（symbolic processing）：訊號的進入是觸發點，進而轉化成內在表徵（ internal representation，一個物件在系統中的樣子），系統再透過自己的邏輯理解物件，這就是符號處理的過程。從輸入變成內在表徵，再轉成行動或決策，這一步步運算都要很清楚，所以仍重視神經科學的研究。

連結主義與計量主義這兩個取徑很不一樣。電腦科學／計量主義是要接近大腦真正的結構，所以很重視大腦模擬，從而發展出智能；平行處理模式／連結主義不太在乎此道，只注重連結，因為什麼都可以計算，傾向於模擬神經元的運作，而不是神經系統的運作（預設每個神經都是相同），任何模樣皆可後天訓練。對於社會科學的人而言，就是先天論與後天論的差別，不過現在談的東西都是機器。

研究的重點也不同。電腦科學／計量主義很重視符號，以及訊息如何轉化成內在表徵、如何運算等，因為大腦各區域因應不同功能或任務而會有不同的運作方式，還是盡量模擬人類大腦運作；平行分散模式／連結主義著重在怎麼從環境中學習該做的事情，重點是學習而非結構，什麼都可以訓練，所有運算都相同。

從視覺系統談大腦功能。眼睛上有感光細胞，光線經過上視丘，最後到達大腦；大腦與我們所看到的東西，在早期視界是一對一的關係，從圖例來說，ABC 三個點是不同位置，投射到大腦裡就是不同位置，大腦每個神經所負責的區域都不同，都是一對一關係；每個感光細胞都只會看到一點光，只有看到物體的一小部分。 簡言之，細胞接收另一細胞訊息的過程是一種疊積（convolution，又稱卷積、褶積或旋積）狀態。面對線性系統，可用一個點測試其反應，透過輸入的刺激以及其疊積狀態，就可以預測系統對其他刺激的反應。延續視覺的例子。由於偵測到的亮度不同，大腦對於圖像的理解也會有差異，這就是接受域（receptive field）疊積後成像的結果。多個視神經偵測同個邊界，因為光感應所造成相異或相反的結果；基本而言，視神經細胞對線條的反應比邊界強烈，若感知到水平線有變化，大腦中的垂直線也會跟著變動。

每個神經系統都有自個對幾何特徵敏感的項目，但各神經系統能理解的部分都不同，只看到一部分的訊息、不完整的圖像，例如對水平方向敏感的神經，對於橫線條會有強烈反應，但它會完全看不到直線；換言之，對於水平方向敏感的神經，它會完全看不到垂直方向的訊息。物體的每個位置都有專屬的神經做加速反應，再層層傳遞訊息到大腦，組裝成完整圖像，這就是階序性運作模式（hierarchical processing）。換言之，所有的物件在視覺上都可以拆解，如人體，手臂，手掌，手指等圓柱辨識的過程，再從各種圓柱形組裝回原形；另一派認為、大腦沒這麼複雜，它只負責辨識一些基本形狀，點－圈－線段－曲線－形狀－物體，任何物體都是這些形狀的排列組合。

進一步說、人體中總會找到專屬神經對特定物件作反應，這就是所謂的祖母細胞（grandma cell）。有人取笑：若這細胞死掉，人就無法認得自己的祖母；且世界上的事物何其多，難道每事每物都要準備一個細胞？階序性運作模式這樣的核心概念，讓許多心理學家不以為然，但晚近有找到祖母細胞，就是對特殊物品特別有反應的細胞。

視神經辨識圖像的三個關鍵為：一、每個細胞都有接收域；二、每個細胞接受到前個細胞訊息的疊積反應；三、細胞接收訊息後，產生更加複雜訊息並送到下一層的階序性運作模式。

Riesenhuber與Poggio在1999年就用前述的概念發展出Hmax模式：當圖像印入眼簾時，點結合成線，線條組織成輪廓，之後愈趨複雜。在當時頗受好評，然而深度學習在2012年橫空出世，發現它很大部分是在做影像處理，分辨影像元素的篩選機制完全可以訓練，而人類大腦的基因也可說是幾百萬年訓練而成。考量大腦運作模式，發現腦部各區域的階序與疊積過程有高度相關，這使得大腦與 AI 兩者的感知特徵非常相似。

大腦是個非常有效率的系統，深度學習以神經網絡模式去認識環境，也是要用較佳的訊息處理能力，這樣的特質條件使得兩者的感知模式有趨同的現象，深度學習經過訓練後、竟然與百萬年進化的基因處理方式相近，如此我們才肯定深度學習可以輔助理解大腦的模擬。又至今談到的兩個取徑，大腦模擬就是按照神經科學的規則，模擬每個細胞並模擬大腦反應；平行處理模式／連結主義，則只在意首要規則。這兩個不同取徑卻得到相似的結果。

是否要建立彷彿人類的AI？我們能否做到又該如何做？這三個議題是現階段該討論的AI發展議題。就第一個問題而言，有些人希望如此，例如對長照機器人的期待；深度學習方法長期忽略神經科學理論卻還是可以發展地很好，例如影像辨識在2014年就可以超越人類，但是對於神經科學學界來說，深度學習還不是解方，要在圖像辨識表現地比人類好，除了AI、黑猩猩亦可，這已獲得實驗證實。

人腦有效地與環境互動，不只是現在，也要在未來的環境如此。換言之、大腦具備高效率且高適應性，能快速觀察到環境變化。AI在這部分無疑是遜於人類，所以人類智能與人工智能在這裡就有明顯差異；人類的高效適應性是為了生存，現今的AI研究較少談到適應能力——透過訓練就可以成為健全的AI，但是換個環境就必須要重新訓練。

如果人類無法辨識與自己互動的對象是真人或AI（如turing test）時，是否就可以宣稱電腦有智能？雖然這樣的電腦可以騙過人類，似乎是好現象，但這其實是過度優化的結果，反而騙不過人類，因為人類會有誤差與錯覺等的判斷失誤，而AI會忽略，導致它沒有人類的常態。

就科技發展而言，近似人類的AI有望可以做到，透過有效的訓練與學習，過去機器人被視為冷冰冰的形象，將由有效的互動反應奪回人類好感；再來，大腦基於幾百萬年的演化，對於例外的掌握及環境的變化有一套方便的捷思法（heuristics），好讓其效能更強，這也是機器學習不斷向大腦求教的主因，副作用會是重蹈人類的覆轍。對社會科學研究而言，人類常採取最簡單也最有合宜的方式去做事，造成對於許多事物有刻板印象，而不去深究細節，這是人類的慣習，對電腦來說就是立基在先驗機率。如果似人AI存在的話，我們就必須要面對這樣的問題——人類的偏見，AI也會有。

綜合討論

提問：人類大腦的運作就是一種深度學習的過程？

回答：大腦的運作跟深度學習很類似，所以「是否要AI模仿大腦」、「是否要有一個類人的AI」這種爭論才會持續不斷；圖靈機就是模仿大腦的一個里程碑。

提問：一個與人類相似的機器人，只要溝通過後，人們就能夠分辨。因為它的特徵與長處，會明顯與人類不同？

回答：現在有許多用於語音服務的聊天機器人，還有像Erica這樣的高階機器人，閒話家常時人們會無法分辨，但若討論艱澀或超乎常理的話題時，會陷入「無法理解」的跳針狀態，因為它的腦袋中沒有那些資料。許多富含社會脈絡意義的語句，它也會無法應對。

提問：關於祖母細胞，是說對於一個事物、大腦有特定神經細胞對其編碼，但又以視覺來說，每個物件從不同角度觀察而有各種成像，終究還是可以正確辨識並理解事物，這兩者概念是否有所衝突？

回答：沒有衝突，就是祖母細胞的概念。這細胞是對一個物件編碼，而非影像；當影像愈趨複雜時，負責不同角度的細胞就會有所分配，持續處理訊息，所以祖母細胞其實是以全觀角度在看，無論什麼角度她都是祖母——她的臉、戴面具、叫名字等，都會認知到同一個人，這細胞就是為了辨識她而存在，也是前面談的階序性運作模式，許多不同角度綜合後成為具體的再現，再連結概念，整個過程即是祖母細胞的運作模式。

提問：前面談到許多AI是否要長得像人的各種優缺點，要滿足使用者好感又要顧及效能等；也談到、類人的AI也將帶有人類的偏見，這又回到剛才的關鍵議題：完全去除偏見的AI，是否真的比真實世界薰陶下的AI，其效果更好？又我們能對偏見的容忍程度該如何決定？

回答：若是一個駕駛飛機的機器人，我們會期待它具邏輯性、不用像人，而若是長照機器人則是要越像人越好。大腦的運算速度其實比電腦慢，效率好的原因是因捷思法，因為建立許多假設，進而造成刻板印象，這就成為兩難，特別是AI接觸到新的環境都要重新學，唯有透過先驗機率（priori probability）來達成平衡，以過往經驗來判斷應對方式，不用重新學習。若所設計的 AI 就是要採用捷思法提升效能，就很難避免刻板印象的建立。

提問：美國社會學會底下的Journal of health and social behavior，其主編在2020 年提出：該期刊將優先接受能把生物學、人類行為或心理學知識融入社會學或健康研究的論文。早期社會學較多是批判生物決定論的立場，強調後天建構論，現在由於生物學知識已大幅進展，可以把生物決定論與環境互動論兩者結合。從心理學角度出發，相較於二十年前，有什麼對於人類社會或行為的嶄新理解？

回答：二十世紀初，學界主張生物學決定行為，而後行為主義當道，認為一切可由學習而得，動物亦是；1960年代因社會動盪，環境決定論躍升成主流，無論在社會學或心理學界。近幾年由於遺傳學的發展，還有神經科學的進步，知識界的進展讓許多領域邊界愈趨模糊，如心理學之中的人格心理學，認為人類有多項特質、對立派就認為環境會使人們行為趨同，性格屬流動而非固定，接著又由行為遺傳學取代之，認為基因是人的差異來源……近期，環境心理學又逐漸回到主流地位。

總結而言，人的行為來源有幾種。一是生物系統：人類經過幾百萬年的演化，若從哺乳類追溯則是幾億年，過去祖先們的學習經驗是先天的基礎，利於往後的學習；捷思法的出現，就是因為效率很高。二是環境影響：語言學家 Noam Chomsky 說、語言學習能力為與生俱來，但語言種類為後天選擇，而環境的差異還包含社會文化。

相較其他學科，心理學重視生理機制對行為的作用，這就是神經研究重視大腦模擬的初衷：透過一個大腦來了解行為，未來期待用多個大腦來模擬團體與社會。若AI的發展讓這想法實現，對社會科學勢必有重大衝擊及改變，也必須要適應如此潮流；至今的神經模擬已對神經系統研究有重大影響，而社會科學的困難主要是影響因素太多太難掌握，若可以上述大腦模擬的方式進行，這些困難會迎刃而解。

提問：因應疫情之故，許多國家施行保持社交距離（social distancing）的措施，對人類的心理與情緒造成影響。若能事先模擬出隔離之下的心理狀態，進而是社會互動模式，或許這可以給予政策建議。

回答：台北於2003年SARS（Severe Acute Respiratory Syndrome，嚴重急性呼吸道症候群相關冠狀病毒）肆虐期間，就有些心理學家做過類似研究，這些當然有對政策的幫助，不過效益不大，因為分析結果的預測性都不夠好；神經科學對大腦的理解也是近幾年才有進展，許多神經的功能還是未知，很像30年前分子生物學對基因的探索，現在的認識都還太粗略，可說是手繪地圖與電子地圖的差別，還有一段長路要走，還要大家一起努力。