现在最多能开发到多少大脑（神经网络专家告诉你）

根据统计，近几年在科学技术领域最重要最有前景的技术——大数据，机器学习和人工智能名列前茅。

今天，就算你不知道什么是人工智能，也一定听过AI（Artificial Intelligence）的大名，甚至还能聊上一聊个人的见解。如果你是各种信息平台的重度用户，那一定已经深切地体会到大数据推送的精准和神奇。

笔者今天要科普的不是机器学习和人工智能，而是连接该技术的另一端，通过对人工智能的研究，反过来认识和理解我们人类自身大脑的机理，然后从科学的角度来解释什么是意识。

我们的思想来自于大脑，然而我们又无法直接观察大脑的运作，因此要了解大脑的工作机理非常困难。

想揭开大脑的奥秘，我们先来看看计算机的工作原理。

我们都知道，计算机/电脑是由输入，输出，控制，运算，存储五个基本部分组成。计算机的功能概括起来就是：将输入的信息，经过一系列的运算，然后输出一个运算结果。

计算机为什么被称为电脑？因为它的基本工作原理跟人脑是一样的：我们通过视觉，听觉，嗅觉，味觉，触觉向大脑传送信息（输入）；然后大脑对信息进行一系列的分析判断（运算）；最后做出相应的反应（输出）。

其中输入和输出部分是直观的，而运算部分（大脑）是一个黑盒，没有人能够看到大脑究竟是如何处理信息的。

既然看不到我们的大脑是如何分析信息的，那么就先来看一下电脑是如何进行计算的。

稍微懂一些编程的都知道，计算机的运算程序最早是由很多if else指令进行逻辑运算的。大概是这个样子的：

if 输入1 then 输出1

else if 输入2 then 输出2

else if………

这样的程序虽然也能够处理越来越复杂的逻辑，甚至很多复杂的程序远远超过人脑的分析能力，但是，这样的程序是没有灵魂的。

因为所有的逻辑判断都是程序设定好的，计算过程是固定的，灵活性只取决于你的程序中写了多少if else分支。

但人脑显然不是按照固定的逻辑来处理信息的，人脑的灵魂来自学习，所谓活到老学到老，随着学习和认知的改变，人脑对相同信息的判断是不断变化着的。

电脑技术发展到这个时期，虽然算力在不断提高，但终究还只是一部按照指令运行的机器，还谈不上智能。

然而，当计算机技术进入到人工智能阶段以后，情况就开始变得有趣了。

很多人可能对人工智能的第一印象是，由大量运算模拟出来的类似智能的决策。其实不是，人工智能的质变是让电脑实现了人脑的学习能力，从而电脑也可以通过学习来不断获得和更新知识，而不再是单纯的运行指令而已。

学习能力，是实现智能的关键。

比如今天普遍应用的人脸识别技术，它不只是识别静态的证件照而已，不管你做什么样的表情，或者从不同的角度，不同的距离，它都能够准确的识别出来，那么计算机是如何做到的呢？

比如大数据推送能够精准地把你感兴趣的内容推送给你，这又是如何做到的呢？难道计算机已经能够读懂并理解人类的语言？

本文我们不展开讨论机器学习的细节，而是要引入一个重要的概念：神经网络（Neural Network）模型。

神经网络是实现机器学习（Machine Learning）的一种模型，这种网络结构的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。

也就是说，神经网络系统是实现机器学习的理论基础，跟我们人脑学习的原理是一样的，只是在具体实现上有一些不同。

机器学习的人工神经网络算法由三种网络层组成：输入层（输入信息）、隐藏层（分析计算）以及输出层（输出结果）。

输入层：为数据特征输入层，输入数据特征个数就对应着网络的神经元数。

隐藏层：即网络的中间层，隐藏层层数可以为0或者很多层，其作用是接受前一层网络输出作为当前的输入值，并计算输出当前结果到下一层。隐藏层是神经网络性能的关键，通常由含激活函数的神经元组成，以进一步加工出高层次抽象的特征，以增强网络的非线性表达。隐藏网络层数直接影响模型的拟合效果。

输出层：为最终结果输出的网络层。输出层的神经元个数代表了分类标签的个数。（注：在做二分类时，如果输出层的激活函数采用sigmoid，输出层的神经元个数为1个；如果采用softmax分类器，输出层神经元个数为2个）

引入神经网络的重点在于，我们人脑处理信息的机制，也是一个由神经元组成的网络。每一个神经元有输入，处理，输出。然后很多神经元连接在一起，形成一个个网络，对各种信号进行处理和反应，这就是大脑会思考的根本。

接收区：树突到胞体部分，会有电位的变化，阶梯性的生电。阶梯性是指树突接受不同来源的突触，如果接收的来源越多，对胞体膜电位的影响越大，反之亦然。而接受的信息在胞体内整合。

触发区：在细胞体整合的电位，决定是否产生神经信号的起始点。位于轴突和胞体交接的地方。也就是轴丘的部分。

传导区：为轴突的部分，当产生神经信号时，遵守全有全无定律来决定是否将神经信号传导下去。

输出区：神经信号的目的就是要让神经末梢，突触的神经传递物质或电信号输出，才能影响下一个接受的细胞，称为突触传递。

有了神经网络，就可以进行决策分析了吗？ —— 还不行。

如一个新生儿，虽然已经有了大脑，但是还不会思考。需要有一个长期的学习过程才能慢慢建立起来认知和逻辑。

那么，神经网络是如何通过学习获取认知的呢？

其基本原理并不复杂，就是从大量的历史数据中找出规律，根据规律建立一个函数/算法。这个算法不是固定的，而是在学习数据的过程不断调整精度，学习的数据越多这个算法就越精确。而这个算法在神经网络里面的存在形式，就是交织在一起的网络结构 。

也就是说，人脑/神经网络的学习过程，是通过大量的经验数据来训练组建神经元组织结构的一个过程。

我们大脑的认知是通过数据训练出来的，而这种认知是一种以神经网络的形式客观存在的（硬件而不是软件）。

大脑的思考过程不是一种虚无缥缈的，随意的意识行为，而是神经元网络对信号的处理过程，是一个客观实体的反应过程。

到这里我们已经大概了解到我们的大脑是如何学习知识并且思考决策的，这不是一个虚无的纯粹意识层面的活动，而是以神经元网络的形式客观存在的。这是一种大脑硬件结构而不是软件，认识到这一点非常重要。

只有认识到这一点，我们才可以通过观察人工神经网络来反过来分析我们的大脑，因为这两者的工作原理其实是一样的。

为了文字的简洁，在下文中，如果提到神经网络，没有特别说明的情况下是指人工神经网络/电脑；如果提到人脑，就是指人脑中的神经元网络。以此来区分电脑神经网络和人脑神经网络。

下面我们用一个最简单的例子，分析一下如何利用神经网络训练对电脑进行“洗脑”。

比如我们要让神经网络学会识别什么是一只猫。

我们首先给电脑输入大量猫的图片，神经网络就会根据这些图片逐渐找到共性，提取特征，调整这个参数的权重，逐渐训练出一个识别率很高的算法（网络结构）。

比如这个算法可能是根据两只耳朵，两个眼睛，一个头，四条腿，一条尾巴作为特征来识别猫。甚至更精确的参数，耳朵是什么形状，头占整体的比例大概多少等等。

于是，电脑通过对大量数据的学习，成功学会了如何识别一只猫。

看起来好像是一个成功的学习案例。

但是，这样训练出来的神经网络，如果我们给它看一张狗的图片，电脑会如何判断呢？——它可能会觉得这也是一只猫。

因为狗也有两只耳朵，一个头，四条腿，一条尾巴，符合电脑学习到的猫的特征。

如果我们告诉电脑这是一只狗，不是猫，电脑会不会立刻改变它对猫和狗的认知？

——不会的。 因为电脑对猫的判断是基于神经网络复杂的算法路径，这个算法路径是经过长期学习训练出来的，并不会因为一次纠正就彻底改变；所以，尽管你告诉它一个事实（这是一只狗），它也不会立刻接受。

你看，我们通过给电脑“洗脑”，让它把狗认成一只猫，哪怕你告诉它那是一只狗，它也不会“相信”你。

为什么会出现这种情况呢？因为我们在给电脑输入数据学习的时候，只给它输入了猫的数据，而没有提供用来做对比分类的数据，比如狗，兔子等其他哺乳动物。

通过这个例子我们可以得出这样的结论：给神经网络/大脑输入大量单方面的信息，过滤掉用以对比分类的其他信息，会把神经网络/大脑训练成一个片面的认知模型，从而会错判其他类型的信息。

——通过信息过滤，可以灌输认知。

再考虑下面这个例子。

假如我们给电脑学习的过程中输入了1万张猫的图片，然而这一万张猫的图片里面只有一千张是真的猫，另外9千张其实是狗。

结果又会怎样呢？

很明显，神经网络在学习之后会认为狗才是猫（90%可能是猫），而猫不是猫（只有10%可能是猫）。如果你给它一张狗的图片告诉它：这是狗，或者给它一张猫的图片告诉它：这是猫。电脑会认为你错了。

通过这个例子我们可以得出这样的结论：只要给神经网络/大脑输入足够多次数的错误信息，这个错误信息最终会覆盖掉正确的信息。而正确的信息反而会被判定为是错误的。

——谎言重复1000遍，就变成了真理。

同理，如果我们给电脑神经网络输入一万张猫的图片，但是告诉电脑这不是猫。

显然，这样可以把电脑训练出“猫不是猫”的认知。

——只要我们重复灌输否定事实的判定，最终神经网络就会认为事实不是真的。

通过以上这些例子我们可以直观的看出，洗脑策略的基本原理是相通的，就是通过大量的重复灌输某些特定的信息，来训练神经网络，最终让神经网络形成一种固定的判定路径，一旦这种判定形成，任何不同判定的信息（哪怕是事实），都会被神经网络否定。

这就是我们所常说的惯性思维，价值观，意识形态。

看，通过对神经网络的分析，我们是可以直观的理解意识形态是怎么形成的。

我们现在已经理解了洗脑的基本原理，那么，我们如何才能判断自己是不是被洗脑了呢？

在进入这个问题之前，我们先要了解神经网络深度学习中一个重要的机制：验证机制。

上面说过，神经网络是通过学习逐渐建立起来的一个复杂的网络路径/算法，这个算法不是固定的，而是随着学习逐渐改进的。验证机制就是用来改进算法的重要机制。

比如我们的电脑通过一段时间的学习已经形成了一个识别猫的网络/算法，那么怎么知道这个算法是否足够好呢？就是通过不断的验证。

比如我们输入一张新的图片，电脑通过网络计算，如果输出的结果是正确的，那么就得到一个正反馈，说明当前的算法是正确的。

然而，如果电脑计算输出的结果是错误的（比如把狗认成猫），那么就得到一个负反馈。更重要的是，这时候电脑就需要计算误差，再根据误差调整现有的神经网络结构。这个调整算法的过程可能会消耗大量的算力。

当神经网络检验一条信息，如果这条信息符合当前的路径/算法，那么会得到一个正反馈，误差为0，轻松通过；

但是如果这条信息不符合当前的路径/算法，就会得到一个负反馈，这个时候需要计算误差，调整算法，相当消耗算力。

同样，我们的大脑神经元网络在接受信息的时候，如果信息符合当前神经路径，大脑会得到一个正反馈，轻松愉悦；

但是如果这条信息不符合当前神经路径，大脑会得到一个负反馈，这个时候，大脑会开始检查究竟是哪里出错了？出错的原因是什么？然后再根据分析的结果反馈给神经元重新修正神经网络。这个修正神经元网络的过程会消耗大量的能量和精力，因此大脑会有一种非常不适的感觉（类似我们在健身的时候肌肉会感到非常不适）。

理解大脑对信息的反馈机制非常重要。这个机制可以帮助我们解释很多现象。

比如为什么我们在玩的时候会很愉快，而在学习的时候会觉得很痛苦；比如为什么斯德哥尔摩综合症的受害者反而会为施害者辩护。 等等很多抽象的甚至不合常理的现象。

我们也可以用这个机制来检验我们的大脑是不是被“洗脑”了。

读者可能会问，判断是不是被洗脑不是应该以是不是知道“真相”为标准吗？为什么还要理解大脑对信息的反馈机制？

因为，真相是一个很难鉴定，甚至有些主观的概念。

每个人都认为自己了解的就是真相，但其实没有任何人能够了解真相的全部。真相的全部所包含的信息量非常庞大，错综复杂，可能远远超过我们每个人大脑所能存储的范围；就像一座冰山，每个人能够看到的都只是冰山的一角，没有人能够看到冰山的全部，如果真相是冰山上的一只蚂蚁呢？那你恐怕永远都不可能找到它。

因此，大部分人都会有这样的幻觉：“我了解到的才是真相，你们都被洗脑了。”——当我们这样想的时候，我们可能已经被洗脑了。

因此，通过大脑的反应来识别洗脑是更直接有效的方法。

我们都有这样的经历，当我们刷抖音的时候，沉浸在一个接一个的视频中，心情无比愉悦，兴奋，感动，有认同感，看到激动处甚至心跳加速，心潮澎湃。于是不断的刷视频，停不下来。

根据大脑反馈机制判断，这是因为这些视频的内容与我们大脑中的神经网络高度契合，因此我们的大脑不断受到正反馈，感到愉悦，兴奋。

而这个时候，我们就要停下来反思一下，我们是不是已经被这类内容洗脑了？

更糟糕的是，抖音也有它自身的神经网络，而它的神经网络会根据对你喜好的学习不断给你推送类似的内容（大数据推送）；这又反过来让这类内容在你大脑中占的权重越来越高，也就让你的洗脑状态越来越严重。

而另一方面，有些时候，我们偶尔也会刷到一两个不怎么常见的视频。这类视频会让你感到很没劲，无聊，荒谬，甚至不安。你会觉得看这种视频太痛苦了，想立刻把它关掉。

根据大脑反馈机制判断，这是因为这些视频的内容与我们大脑中的神经网络相抵触，我们的大脑受到负反馈，需要重新调整神经网络，所以感到不适。

这个时候，我们也要停下来反思一下，我们是不是已经被其他不同类的内容洗脑了？

现在我们已经了解了如何识别洗脑，那么，该如何对抗洗脑呢？

首先，我们要纠正一个关于洗脑和反洗脑的认识上的误区——我们都认为被洗脑的人深陷其中是因为他们不知道事实的真相，只要他们接触到了真相，他们就会从洗脑中清醒过来。

其实不是这样的。

相信每个人都有过这样的经历，身边有深陷传销或网购的人，无论你怎么跟他们摆事实讲道理，他们都不会相信。为什么会这样呢？

因为大脑对信息的判断是基于神经元网络，而神经元网络是物理存在于我们大脑中的非常复杂的结构，这种结构不会因为接触到了“真相”就会立刻被改变。

因此，对抗洗脑的根本是如何调整大脑中存在的神经网络结构。

先来讲一个小故事。

有一个段子，如果想让一个南方人和一个北方人吵起来，最简单的办法就是讨论这个问题：豆腐脑是加盐还是加糖？番茄炒蛋是咸的还是甜的？

笔者是北方人，从小吃咸的番茄炒蛋长大。18岁那年，考入南方一所高校，记得第一次在学校食堂吃番茄炒蛋，一口差点没吐出来，这怎么是甜的？太难吃了！

但是半年以后，笔者再也不觉得甜口的番茄炒蛋难吃，反而觉得味道很不错。更神奇的是，回到北方老家，再吃咸口的番茄炒蛋，也还是一样好吃。

从此，番茄炒蛋是咸的还是甜的对于笔者来说再也不是一个需要争论的问题。

这个小故事包含了洗脑，反洗脑，对错和真相的简单逻辑。

番茄炒蛋放盐和放糖，哪个是对的？哪个才是真相？

笔者一开始觉得甜口的番茄炒蛋太难吃了，真的是因为甜口的番茄炒蛋比咸口的番茄炒蛋难吃吗？

答案读者们应该都很清楚了，其实关于番茄炒蛋的对错和真相，完全取决笔者的习惯。当笔者对两种口味都习惯了以后，咸的和甜的就变成了都是对的。

当我们的大脑神经网络倾向某一方面的时候，我们就会变得排斥其他方面；如果我们能让我们的大脑接受其他的方面，我们就解锁了新的技能，当我们解锁越多的技能，就可以处理越复杂的矛盾。

笔者记得很多年前的谈话节目，一般都要请两个嘉宾，一个嘉宾讲正方观点，另一个嘉宾讲反方观点。不知道什么时候起，这种形式的媒体节目好像越来越少了。

今天，笔者有时会听一听《新闻联播》在播些什么，每到这个时候，周边的人就会投来异样的眼光，好像在说，什么年代了，竟然还有人听《新闻联播》？

理解了洗脑的原理以及识别洗脑的方法，我们就有了对抗洗脑的策略：

当我们开始意识到我们大脑中的神经网络越来越倾向某一个方向（被洗脑）的时候，我们应该尝试着让大脑接触其他方向的信息，即使一开始我们可能会觉得其他方向的信息是错误的，荒谬的。就像笔者第一次吃甜口的番茄炒蛋一样。

比如，如果你是一个无神论者，你可以尝试接触一下宗教知识，反之亦然。

比如，如果你是一个保守派，你可以尝试倾听一下自由派的观点，反之亦然。

比如，如果你是某些人或事的铁粉，你应该听一听反对他们的人在说些什么，反之亦然。

比如，当你感觉自己在追求“真相”的路上变得有点消极的时候，不妨接受一点《新闻联播》的洗礼。

通过接受不同方面的信息来改进增强我们大脑中神经网络结构，是对抗洗脑的一个最直接的方法。

而更进一步的方法是，建立逻辑，抽象模型和方法论。

比如在上文的例子中，我们要让电脑学习识别猫，就给电脑“看”大量猫的图片，让电脑学习识别狗，就给电脑“看”大量狗的图片。然而，地球上有百万计的动物，通过这种学习方法所消耗的时间和能量可想而知。

那么，有什么办法能提高学习的效率呢？有的，就是分类建模。比如我们通过对猫科动物的归类和特征提取，就可以更快的识别虎，豹，狮子，猫，猞猁等。——这就是抽象归类。

再比如，每个男生小时候都有一个武侠梦，总幻想自己能成为书中的那个武功盖世的大侠。但是学过物理和牛顿定律以后，这个武侠梦基本都要破灭，因为根据牛顿第二，第三定律，万有引力定律，我们就知道，所谓身轻如燕，左脚踩右脚右脚踩左脚的轻功是不可能存在的。 —— 这就是逻辑。

再比如，学习乘法的时候，我们只需要记1*1到9*9的九九乘法表就行，我们并不需要记下大于10的数字的所有组合，也可以进行两位数，三位数，多位数的乘法计算。因为我们做乘法靠的是进位算法，而不是记下所有的排列组合。 —— 这就是方法论。

如果我们在大脑中建立了正确且足够复杂的抽象，分类，逻辑，方法等神经网络，就可以大大的提高学习信息的效率，减少被洗脑的套路。

笔者后注：

我们为什么要理解洗脑和反洗脑的原理和方法？

因为我们已经进入一个信息化高度发展的时代，我们几乎每天都在信息的洪流中浮沉。我们应该学会如何不被信息左右我们的思想和心情；学习怎么利用信息去解决现实生活中的问题。

知道如何根据信息解决问题比一味的抱怨现实更有意义；利用知识改善现状比深陷“真相”更重要。

人类一思考，上帝就发笑。

意识，是这个世界上最神秘的领域之一。尤其是当我们开始深入思考“我是谁”的时候，大脑会逐渐进入一种近乎疯狂的状态，就好像电脑在解一个嵌套算法时不小心进入死循环一样。

而通过对人工智能的观察，我们可以反过来了解我们的大脑是如何思考的。

有趣的是，我们大脑中一个个的神经元组织在一起形成的神经网络在物理上决定了我们的思维特征；我们再通过今天的各种互联网平台把我们的思维特征传递给大数据的神经网络；大数据的神经网络再通过它的算法把这些特征反馈给无数其他的人类用户。

于是，一个个极其微小的神经元，组成了一个个大脑神经网络，再通过大数据的网络互相联系在了一起，就好像我们所有人最终都在一个巨大的神经网络之上，这就是地球文明。

---

美学之旅

发现美，拥有美，享受美

让我们一起构筑我们的美丽人生

让我们一起构建我们的美丽世界

,