不过如此or不止如此：我们可以被还原为大脑吗（上）| 神经漫游Ep.20

本期纲要

[01:58]  介绍两种还原论：取消主义和心脑同一论

[12:15]  还原论有什么问题？复杂系统的整体-部分关系

[27:18]  心脑同一论的问题与意识的产生

[35:30]  用奥卡姆剃刀选择理论有问题吗

请扫描下方二维码收听

也可点击文末「阅读原文」收听

参考延伸

向下滑动查看

• More Is Different. By P. W. Anderson. Science 04 Aug 1972: Vol. 177, Issue 4047, pp.

  -参见

  https://science.sciencemag.org/content/177/4047/393

• 戴维·多伊奇《真实世界的脉络》，见[豆瓣]

  -参见

  https://book.douban.com/subject/26736122/

• 梅拉妮·米歇尔《复杂》，[见豆瓣]

  -参见

  https://book.douban.com/subject/6749832/

• 把心灵还原到物理层面的两种理论：

  ①取消的物理主义（eliminativism）：不存在心灵状态，只存在脑状态。心灵状态是一种空虚的、像鬼魂一样的虚构物，它不指向任何实际存在的东西。这在本体论上是激进的。

  ②心脑同一论（mind-brain identity theory）：存在心灵状态，但是心灵状态=脑状态，正如水=H2O。这在本体论上是保守的。心脑同一论还蕴含了如下规范性的推论：常识的大众心理学（folk psychology）框架可以并且也应该被神经科学的理论框架所取代。

• 奥卡姆剃刀：简洁是美德。“简单性”是一条挑选理论的重要参考标准。在其它条件相同的情况下，本体论上预设更少的理论是更好的。

• 连接主义的人工智能：感知机（perceptron），模仿神经元实现感知问题的可能性，用于图像识别分类等 

  ①Marvin Minsky, Perceptrons: an introduction to computational geometry

  ②无法解决线性不可分的问题，如「异或问题」

  ③更多历史：["大脑神经网络——不完美的民主社会"]

  -参见
  

  https://mp.weixin.qq.com/s/p9g4-4wFYjPcSS1IfmygAg

• John Hopfield 重新盘活连接主义

  ①用神经网络解决 NP 难问题（e.g., 旅行商问题 travelling sellsman problem）
  John Hopfield, David Tank. “Neural” computation of decisions in optimization problems. Biological Cybernetics, 1985.

  -参见

  https://link.springer.com/article/10.1007/BF00339943

• 并行分布式信息处理 Parallel and distributed processing (PDP)

  ①神经表示是分布式的，计算是并行的。

• 获图灵奖的"深度学习三巨头"：Yoshua Bengio, Geoffrey Hinton, Yann LeCun

• 专家系统：基于知识数据库和符号推理的早期人工智能系统。

  -参见

  https://en.wikipedia.org/wiki/Expert_system

• 联想记忆网络：与循环神经网络类似，是一类带反馈连接的人工神经网络模型，可以用来模拟记忆的存储和提取，或者模式补全。

  -参见

  https://www.tutorialspoint.com/artificial_neural_network/artificial_neural_network_associate_memory.htm

• 银烛推荐科幻《为您效劳》——选自莱姆《完美的真空》

• AlphaFold 做蛋白折叠，价值函数估计 Senior, Andrew W., et al. Improved protein structure prediction using potentials from deep learning. Nature 2020.

• distributional reinforcement learning：预测价值回馈的分布。

  ①Bellemare, Marc G., Will Dabney, and Rémi Munos. A distributional perspective on reinforcement learning. ICML 2017.

  ②Dabney, Will, et al. A distributional code for value in dopamine-based reinforcement learning. Nature 202

统筹：汉那 | 主播：杨闰哲，杨银烛，小羊，汉那

后期：北方

封面：ZHU | 排版：茅亚涵

⏬ 点击此处，即刻收听本期内容