把神經元縮成一道算術題
想像一個神經元正在工作。幾十個別的細胞同時在對它低語——有的慫恿它，有的拉住它。神經元默默地把這些湧進來的「壓力」全部加總，如果總和越過某個臨界點，它就發出自己的訊號，也就是一次動作電位；如果總和不夠，它就保持沉默。把這件事濃縮到底，整個工作就是：收集輸入、給它們稱重、和一個閾值比較，然後放電或不放電。
1958 年，一位名叫弗蘭克·羅森布拉特的心理學家提出了一個大膽的問題：如果我們*只*保留那道算術，把所有雜亂的生物學都丟掉，會怎樣？他造出了一個微型模型，稱之為感知機。每個輸入都配一個數字，叫做*權重*，表示這個聲音該有多響。感知機把每個輸入乘上它的權重，全部加起來，再拿這個總和去和一個閾值比較。過線就輸出 1，不過線就輸出 0。沒有活細胞，沒有化學反應——只有乘、加、比較。
input x1 --(weight w1)--\
input x2 --(weight w2)----> [ SUM: w1*x1 + w2*x2 + ... ]
input x3 --(weight w3)--/ |
v
compare to threshold
over -> output 1 (fire)
under -> output 0 (silent)把它們疊起來，它們就會學習
單個感知機很聰明，卻很受限——它只能在輸入裡畫出一條筆直的分界線。真正的飛躍，來自把它們一層層地疊起來：一排感知機的輸出，成為下一排的輸入，如此反覆。這種堆疊就是*人工神經網絡*，正是圖像識別、翻譯，以及你大概見過的那些聊天機器人背後的主力。寬度和深度給了它足夠的空間，去刻畫出任何一條直線都無法捕捉的、極其複雜的模式。
可所有這些權重又是從哪來的呢？沒有誰是手工設定的——網絡自己*學*出來的。你給它看一個例子，讓它猜，再量一量它猜得有多離譜。然後把每個權重朝著「能讓答案錯得少一點」的方向輕輕挪動一絲，如此重複上百萬次。慢慢地，權重就穩定到一組管用的數值上。這裡那一縷微弱的生物學回響，就是赫布學習——「一起放電的細胞，會連在一起」——大腦自己那種把有用的連接增強起來的習慣。
漫畫在哪裡不再是大腦
人們很容易以為這些網絡*就是*小小的大腦。它們不是，而且差別相當深。真實的神經元用尖銳的、全有或全無的脈衝說話，這些脈衝鋪展在時間裡——脈衝*何時*到來本身就承載著意義。相比之下，人工神經元只是傳遞一個平滑的數字，根本沒有時鐘；時間對它幾乎不存在。生物學家用霍奇金–赫胥黎模型，以及它更精簡的表親積分–發放模型來刻畫真實的時間節奏——而那些方程，和人工智慧裡那套整潔的「乘了再加」長得毫不相像。
差距還在累積。真實的大腦大約只靠一盞昏暗燈泡的功率運轉；而訓練一個大型人工智慧模型，可能需要一座小型發電站。大腦無時無刻不在重新佈線，看一個例子就能學會；人工網絡通常需要堆積如山的資料，而且一教新本事就把舊本事忘了。況且大腦並不是個被動的模式匹配器——按照預測編碼和貝氏大腦這類理論，它永遠在*猜測接下來會發生什麼*並不斷自我修正，更像一個主動的預報員，而不是一台等著輸入的計算器。
把脈衝和時間放回去
要是我們重新教人工神經元用脈衝說話呢？這正是脈衝神經網絡背後的想法。在這裡，每個單元不再傾瀉出一個平滑的數字；它先攢著電荷，讓電荷隨著輸入一點點湧入而累積，一旦越過閾值，就在那一瞬間「啪」地發出一個離散的脈衝——然後安靜下來，重新開始。這正是活細胞那種「積分再發放」的節奏，只是為計算機重新打扮了一番。因為在脈衝發放之前什麼也不發生，網絡的大部分在大多數時間裡都是沉默的，這一點在能耗上可以省得驚人。
把這樣一個網絡放到普通的電腦晶片上跑，你會一路和硬體較勁——那些晶片是為了讓數字步調一致地批量運算而造的，不是為了乾等著那些稀疏、零散的脈衝。於是工程師們乾脆開始打造大腦形狀的晶片。這就是神經形態計算：在這種矽片裡，儲存和處理並排坐在一起（就像在一個突觸裡那樣），訊號以脈衝的形式傳遞，晶片可以幾乎零成本地閒著，直到有有趣的事情發生。目標不是把大腦一個細節一個細節地複製下來，而是借走它最妙的幾招——事件驅動、低功耗、大規模並行。
一場雙向的對話
這正是類腦人工智慧的核心，而關鍵詞是*受啟發*，不是*被複製*。這條路上的車流是雙向的。神經科學把它的藍圖——脈衝、可塑性、預測——遞給工程學，工程學再把它們做成能運轉的機器還回來；而這些機器，反過來又成了關於真實大腦可能如何運算的嶄新假設。當一個人工網絡以類似大腦的方式解決了一個問題，科學家就會追問：*我們*是不是也是這麼做的？類腦人工智慧與其說是一件完工的產品，不如說是一場持續的對話。
而這場對話即將變得很「實在」。隨著我們通過連接組學繪製出大腦完整的接線圖，隨著基於脈衝的晶片日漸成熟，這兩個世界開始在腦機介面處直接相觸——活的脈衝與矽的脈衝，終於隔著同一道縫隙相遇，並不得不學著讀懂彼此。那個相遇之處，正是本系列接下來要去的方向。
- 神經元拿輸入和閾值作比較；感知機恰恰保留了這一點，別的都不留。
- 把感知機疊成多層，讓它們自己調權重，你就得到了一台會學習的機器——神經網絡。
- 真實大腦則大不相同：脈衝承載著時間，學習又快又省，預測從不停歇。
- 脈衝網絡與神經形態晶片試圖把這些特質贏回來；類腦人工智慧就是由此產生的雙向交流。