书 · 1958-05 · 约翰·冯·诺伊曼（John von Neumann）

《计算机与人脑》

一句话结论

人脑和计算机都能处理信息，但元件的速度、精度和组织方式不同，使我们不能把熟悉的计算机结构直接当成人脑的工作原理。

值得读完整本：篇幅短，问题集中，能帮助你理解计算与智能之间最容易被忽略的距离；但它是未完成的探索性遗稿，需要把作者的推测与已经证实的机制分开。

计算机的能力不只来自算术元件，还来自怎样表示数、保存中间结果和安排操作。把指令存入记忆，会使控制方式更灵活。

为什么：有限的运算元件需要反复使用，中间结果就必须保留下来。复杂任务还要求系统决定下一步做什么，不能只有加减乘除。指令进入记忆后，机器便可以读取和处理这些指令，改变后续计算的安排。作者借此建立比较框架：理解一个信息处理系统，要同时看元件和组织。

神经脉冲有类似数字信号的一面，但刺激、整合和信号转换又包含连续变化。作者因此关注数字过程与模拟过程的混合。

为什么：数字表示依赖可区分的状态，模拟表示则利用连续物理量。单个神经脉冲近似遵循全或无规律，容易让人想到开关。然而，是否产生脉冲取决于输入作用和细胞状态，不能只看输出的有无。局部信号的离散性不足以决定整个系统的计算性质。

与书中讨论的电子元件相比，神经元反应慢，却小而省能；作者据此认为，脑更适合让大量单元同时工作。

为什么：单元速度限制了规定时间内能够连续执行多少步。较小的体积和较低的能耗，则允许系统容纳更多活动单元。这使自然系统倾向于以数量和同时处理补偿单元速度。但并行与串行不能任意互换：依赖前一步结果的操作，必须等待或重新设计。

作者认为，神经信息可能更多依靠脉冲频率等统计特征表达，而非依靠每一位符号的精确位置。数值不够精细，不意味着整个系统就不可靠。

为什么：在通常的数字记数中，一个关键数位出错就可能大幅改变数值。如果意义由一段脉冲活动的统计特征承载，单个事件的偏差对整体意义的影响可以较小。代价是有限观察时间内可分辨的数值差别受到限制。作者因此区分算术精度与逻辑可靠性，认为两者可以作不同的取舍。

作者认为，脑若依靠精度有限的信号，就不能照搬数字计算机中很长的连续算术链。

为什么：复杂数值计算通常要分解成许多基本操作。每一步引入的误差可能累积，后面的操作还可能放大前面的误差。因此，即便最终答案只需要中等精度，中间步骤也可能需要更高精度。神经信号没有这样的精度余量，促使作者推测脑采用不同的组织方式，减少连续依赖的深度。

作者推测，我们有意识使用的数学可能是建立在更基础神经过程上的表达层，不能直接拿来描画脑的内部运作。

为什么：同一台机器能够通过解释另一套指令，表现得像使用不同指令系统的机器。这说明外部可见的操作规则不必等同于底层机制。再结合神经系统的速度、精度和统计表示限制，作者判断其内部结构应当不同于常见的长链数学运算。这是对内部机制的推测，并非断言数学无法研究人脑。

Chapanis 在1960年的书评中质疑，细致罗列脑与机器的对应关系，究竟能带来多少解释价值。他认为二者的差异比表面相似更突出。这要求读者继续追问：一种类比有没有产生可检验的机制解释？

Sejnowski 在1989年的回顾中指出，冯·诺伊曼依据感觉输入作出的记忆容量估计，很可能远高于人实际保留的信息量。不同记忆系统也不能轻易归入同一种容量尺度。他还提醒，模型能够再现某种功能，并不证明脑实际使用相同机制。

两位作者在2011年的书评中认为，本书对羞耻、愤怒、喜悦等情绪和心理经验讨论不足，因此未能覆盖人脑活动的复杂性。这是对研究范围的批评：速度、编码和逻辑组织的重要性，并不意味着它们已经解释了全部心智生活。