机器的智能和人类的智能有什么重要区别？这些区别对于我们培养后代有什么启示? 第1页

Vision is therefore, first and foremost, an information-processing task, but we cannot think of it just as a process.
因此，视觉是一项信息处理任务，但视觉和处理并不完全相同。
David Marr, Vision

David Marr 可能是许多做计算神经科学，甚至一些计算机视觉的科研工作者的偶像。当回顾上世纪七十年代，在MIT的人工智能实验室的开创之时，无数年轻的科学家（现在的大牛们）都投身于一项在他们眼中不复杂的工作：如何用机器来 “复现” 人类的视觉。很可惜，直到现在，计算机才在一些特定的视觉工作中达到了人类的水平。

当然，随着计算机算力的提升，算法的升级；终有一天，计算机可以像人一样处理视觉信息。亦或者就像Marr所言，未来的一天，一位科研工作者，就可以用一台普通摄像头配以算力足够的电脑，模拟出 “看” 的过程。但是计算机的 “看”，和人类的 “看” 一样么？计算机的 “智能” 与人类的 “智能” 一样么？

正如Marr 对于视觉过程的总结一般，视觉过程可以分为三个层次（David Marr’s Three Level’s of Analysis ）：计算层面，算法层面，与实现层面。便于理解的例子（以及图）就是Krakauer et al. （2016） 的一个例子。倘若我们研究鸟类运动时候，鸟飞就是计算层面问题；飞行的算法就是鸟的振臂拍翅；而具体的实现，就依靠于鸟类轻盈的骨骼， 丰满的毛发以及强健的胸肌。

那么，莱特兄弟在制作飞机的时候，肯定是达到了飞行这计算层面的问题。但是，哪怕仿生，他们也没有钻研如何做出巨大的强健的翅膀（你看，伊卡洛斯不就失败了），而是用了截然不同的算法（空气动力学）以及不一样的实现方法（发动机+飞机结构+材料科学的应用）。

就如同自然语义识别一样，视觉早期的研究都基于模仿人类本身的处理过程。没准计算机复现果蝇的视觉系统还算简单，但是复现人类的视觉系统太过难了。好比，处理物体识别（object recognition）的下颞叶皮层（inferior temporal cortex）的神经元有着极为复杂的感受野。直接表达特别困难。

也正如自然语义识别一样，科学家们发现模拟人类（的算法）不是最佳线路，其中两项巨大的原因：1. 算法本身难以描述（神经科学亟待突破），2. 人类与计算机的硬件结构不同（实现层面不同）。正如Marr所言，视觉的确是计算，但是不是计算而已。用不同的硬件实现一样的计算，不妨使用不一样的算法。统计以及机器学习正是方子。

所以说，简单而言，计算机的 “智能” 与人类的 “智能” 在一定领域达到了同样的计算层面（比如都能识别面孔），但是由于完全不同的硬件（视觉处理区域 v.s. 计算机的GPU+CPU），识别算法截然不同。

正如演化一样，并没有高低之分，只有适合与否。目前的计算机的 “智能” 走出了截然不同的道路，达到了很好的作用。对于科研也有着很大作用。

随着机器学习不断突破前沿，神经科学也收到了不少反哺。比如最新在 Nature Neuroscience的论文，无论是核磁共振数据还是neurobiology的实验，都在机器学习的帮助下 （哪怕就是 SVM），更好地理解神经系统的运行过程。

甚至，手机中的机器学习芯片都可以学习我们使用过程，提供个性化甚至独一无二的体贴服务。

而在教育角度，计算机的 “智能” 由于可以达到一些人类难以达到的高度 （速度和效率，甚至类似棋类软件的强大算力），其实可以给人类一些帮助：学习机器的算法。是的，机器的算法虽然有时候基于计算机本身，但是拆分开一项巨大工作，里面不少算法可以为我们所用。独特的角度，而且超脱了人类智力本身的计算机的 “智能”，没准能让我们更快地达到 我们想要的目的本身啊。

人类智能可以给自己装逼，而目前机器只能只能给人类装逼。