1.4 觸類旁通

19世紀末20世紀初，生物神經理論研究指出，人類大腦的活動是由一種叫作神經元的細胞和它們之間的聯系產生的。提出這種理論的是西班牙神經解剖學家卡哈爾，他在意大利醫學家高爾基發現神經細胞的基礎上，描繪了神經元的組織結構和它們之間的聯系。為此，1906年他們共同獲得了諾貝爾生理學或醫學獎。

一個神經元是一個活細胞，人類大腦有大約100億個這樣的細胞。雖然它們具有不同的形式，但它們基本上都包括位于核心的細胞本體、叫作樹突的輸入纖維以及一個或多個叫作軸突的輸出纖維。神經元的軸突有一個叫作終止扣的凸出端，它十分接近其他神經元的樹突。終止扣和其他神經元樹突之間的縫隙叫作突觸，大約有20納米長。

通過電化學反應，一個神經元可以發出脈沖到它的軸突。當脈沖到達突觸時，它可能激發或繼承其他神經元的電化學活動。這是否會讓其他神經元發出脈沖取決于當時突觸所接收的各種脈沖的數量和種類。據估計，人類大腦中有大約5000億個這樣的突觸，形成了一個決定人類思維活動的神經網絡。

1934年，神經生理學家和控制論專家麥卡洛克和邏輯學家皮茨宣稱神經元就是邏輯單元，開創了人工神經網絡的歷史。在他們那篇著名的論文《神經活動中思想內在性的邏輯演算》中，他們提出了一個簡單的神經網絡結構，并展示了這樣一種神經網絡可以完成幾乎所有的計算操作。

人工神經網絡是生物神經網絡在某種簡化意義下的技術復現，它是生物神經網絡的一種數學抽象模型。人工神經網絡中的每一個神經元可以有多個輸入和輸出，相當于樹突和軸突。每一個輸出可以有兩個值（0或1）。模仿生物神經網絡的行為特征，在神經元之間建立起分布式并行信息處理算法，根據輸入值的多少來決定輸出值，最終可以得到所需的答案。

麥卡洛克和皮茨不僅是人工智能技術中神經網絡的開山鼻祖，而且兩人的友誼還是一段歷史佳話。出生在美國底特律的皮茨出身貧寒，但絕頂聰明，自學成才。他在12歲時就寫信給大名鼎鼎的英國邏輯學家羅素，討論羅素的《數學原理》一書中的問題。羅素欣賞他的才華，邀請他到英國劍橋大學跟他學習邏輯，可是一貧如洗的皮茨哪里有錢遠渡大洋去英國讀書呢？幸運的是，在他15歲那年，羅素來美國的芝加哥大學演講，后來又做了客座教授。皮茨就跑去做了他的沒有學籍的學生，靠他的天才給學校里的教授們打零工維生。

恰巧不久麥卡洛克來芝加哥大學任教，認識了皮茨。既是出于對皮茨處境的同情，又是出于對他才華的喜愛，麥卡洛克邀請皮茨來他家和他一起生活，從此皮茨結束了無家可歸的“流浪生活”。麥卡洛克的年齡相當于皮茨的父親，所以被人稱為皮茨的養父。每到晚上回到家中，茶余飯后，“父子倆”就開始了他們的傾心合作。麥卡洛克是神經科學方面的專家，但他不懂數學。皮茨這個當時只有17歲的流浪數學票友就成了他的絕配。一個是數學才子，另一個是專家慈父，兩個人創造了一個忘年之交的傳奇、一段跨界創新的歷史佳話。

人們在探索人工智能方法時這種觸類旁通的跨界發明不只是人工神經網絡，遺傳算法是另一個從生物學中獲得靈感的方法。達爾文生物進化論的核心是生物的進化規律，概括地說就是物競天擇、適者生存。于是有人想到了模擬自然進化過程中通過遺傳優化來改進物種的遺傳算法。這是一種模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。它的發明人叫霍蘭德。

作為歷史上第一個計算機科學博士的霍蘭德曾經說過，如果一個人在早期過深地進入一個領域，可能會不利于他吸收新的思想。對于他來說，進化論和遺傳學都是新的思想。他最喜歡讀的一本書就是英國統計學家費希爾寫的《自然選擇的遺傳理論》。該書把孟德爾的遺傳理論和達爾文的自然選擇結合起來，給了霍蘭德啟發。進化和遺傳是族群學習的過程，機器學習可以此為模型。遺傳算法就這樣萌生了。

遺傳算法是從代表問題可能潛在的解集的一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。個體實際上是染色體帶有特征的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現是某種基因組合，它決定了個體的外部表現，如黑頭發是由染色體中控制這一特征的某種基因組合決定的。

遺傳算法是基于生物學的，理解或編程都不太難。首先，建立初始狀態。初始種群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代。其次，評估適應度。為每一個解（染色體）指定一個適應度，應根據問題求解的實際接近程度來指定（以便逼近求解問題的答案）。不要把這些“解”與問題的“答案”混為一談，可以把它理解成為要得到答案時系統可能需要利用的那些特性。再次，進行繁殖。具有較高適應度的那些染色體更可能產生后代（后代產生后也將發生突變）。后代是父母的產物，它們由來自父母的基因結合而成，這個過程被稱為“雜交”。最后，產生下一代。如果新的一代包含一個解，能產生一個充分接近或等于期望答案的輸出，那么問題就已經解決了。如果情況并非如此，新的一代將重復其父母所進行的繁衍過程，一代一代地演化下去，直到得到期望的解為止。

神經網絡和遺傳算法都有一個共同特點，那就是效果要等到多步以后才能看到，這就要求盡可能多地訪問所有的狀態。這既是對計算力的一個挑戰，也是對存儲空間的一個很高的要求。當時，計算機硬件的功能還遠不夠強大，它們的成效自然難以展現出來，畢竟理論先進不代表實際可行。所以，今天大受追捧的神經網絡和遺傳算法在發明之初卻是曲高和寡，不受重視。現實和理想之間總是有距離的，在科學的世界里也是一樣，但歷史是在不斷向前發展的。