Deep Learning（182）
我需要首先表明我的态度
我们需要先承认和正视当前学科之间真实存在的差异和鸿沟，然后再思考应该用什么样的态度和方法来改变和推进研究发展。
在研究人类大脑-认知的过程中，学科之间巨大的些差异是否真实存在？是。这些差异是否理所应当存在？不见得。理想情况下是神经科学和认知科学应该互相启发。那么建议是什么？建议就是双方的人都应该首先承认自己与对方的差异，然后跟对方多交流。
整个学期忙成狗，结果之前答应过的专题连载果然就跳票了，的确是对不住大家，但是我还是只能抱歉地说关于意识和视觉认知相关的东西我还是需要继续跳票——因为主题太大噎着了。
最近看到了好几个关于『我想学人工智能/神经科学/认知心理学，我应该本科选什么专业？』这样类似的问题，又加上我们系最近在招新的教授，又加上我们系是一个只有认知(Cog)和生物(Bio)心理学两个分支的心理学系，所以我觉得可以出来聊一聊这个话题。
第一条：不管怎么对什么有兴趣，先学好数学！先学好数学！先学好数学！重要的事情说三遍，如果你在上学的某个时刻突然有疑惑『老子这么累学数学有个毛用？』那么你的结局要不是在将来的某一天自己打脸，要么是你跟以上专业就没什么缘分了。【我现在天天在打脸】
首先我们要说明一下，认知科学(Cognitive Science)/认知心理学(Cognitive Psychology)和神经科学(Neuroscience)差别是很大的！我们先不说Cognitive Neuroscience，这个我们留到后面再说。
1. 认知科学的重点是研究人类的心智和认知过程
2. 神经科学的重点是研究人类神经系统，当前最热门的当然是研究人类中枢神经系统，当然最最热门的是研究人类大脑。
好了，如果你觉得上面两个学科的研究内容没有本质的差别，或者立刻跳到『大脑不就是人类认知的基础么，研究大脑就是研究人类认知呀』或者『研究人类认知，必须先了解人类大脑呀』，那么你大概需要有意地、虚心地阅读一些认知科学的书籍和文献，然后洗刷一下你的三观，不然本系75%以上的Cognitive Scientists会觉得跟你没什么继续聊的必要了。
当然，上面所说的两种想法其实是很直观，很容易想到的。不过，研究一个系统，至少会要研究这个系统的两个方面：结构和功能。在认知革命之后，主流观点基本上都同意人类认知系统（大脑）是一个信息加工系统，那么对于这个系统的研究自然也就有不同的角度。
当然，研究人脑还是太复杂了，我们拿一个现在大家更了解的信息加工系统来举例子——计算机。来，大家一起来跟我设想：加入现在有一台时空机器把我们这个时间的一台MacBook Pro传送到100年前，考虑100年前的人并不知道Macbook Pro的整个构造和原理，但是他们肯定觉得这东西特别有意思，那么一堆科学家就会坐下来研究这个MacBook Pro，他们会怎么做？
首先，一帮特别Hardcore的物理学家（嗯，当时肯定是有物理学家的，虽然不见得有计算机科学家）会坐下来拆机器，他们拆开MacBook Pro的外壳，看到里面的结构和部件：CPU，RAM，数据线路等等。他们的出发点是：要想知道这个神奇的机器是怎么运行的，我们需要对这个机器的硬件系统有所了解。我们称这些人为：硬件学家。
那么，硬件学家要做哪些事情呢？
第一种事情，他们认真地研究每一个部件的构造。比如他们拆开CPU，看CPU的电路板是怎么焊接的，里面的单元器件是怎么排布的，然后做一些实验看每一个单元器件的工作性质——他们给器件一个电流，然后慢慢发现每一个器件只有两个状态: 0(off)和1(on). 然后他们进一步看器件之间是怎么嫁接的，比如他们拿放大镜看电路板上的走线。当然，CPU不仅仅是他们唯一关注的硬件，实际上他们都不知道这个东西叫做CPU，他们只知道这个东西叫做『中间那个有密集线路的方块』。同时，他们也会去研究RAM，看RAM的线路是怎么排布的，到底是用了什么样的基础单元——比如，晶体管还是电子管。
第二种事情，他们会研究某一个硬件单元对整个机器工作的影响。比如，他们会拔掉一个RAM，然后打开机器，发现整个机器变得特别慢。于是他们下结论说：RAM和机器运行速度有关。另外，他们也会拔掉CPU，结果他们发现根本没法打开机器。接下来，他们会拔掉这里，测一下；拔掉那里，测一下。然后希望找到某一个硬件跟整个机器运行之间的关系。
我们称做以上两种事情的硬件学家为实验硬件学家——因为他们做实验，并且想知道1）这个机器系统的硬件构造；2）这个机器的硬件系统对其运行的影响。
当然，这个时候，一帮同样Hardcore的数学家加入到了这帮硬件学家中，他们开始研究如何使用一排排的0/1逻辑门来进行复杂的运算——为什么如此简单的单元信号，可以给出让这个机器看起来这么碉堡呢？他们开始了各种数学模型，来解释信号在硬件系统的传递，以及试图解释为什么这个硬件系统要这么衔接和交换数据。我们称这些人为理论硬件学家——因为他们通过数学和物理的理论来研究这个机器怎么工作。
对于我们来说，现在的计算机科学的知识可以清晰地描述整个电脑硬件的组成规则是什么，但是对于这些100年前的硬件学家来说，所有这些规则都是个迷。你或许很难理解，那些不知道规则的人怎么会这么兢兢业业地研究这个你看起来显而易见的结果。好吧，为了帮助你理解他们的辛苦，请去做一道数学高考题，然后看一下答案，你就明白『知道答案之后的世界，比知道答案之前的世界，原来要简单这么多！』
我们把话题收回来，继续考虑100年前的科学家怎么研究被我们传送过去的MacBook。
你觉得上面硬件学家做的事情，能够告诉我们MacBook里面的操作系统是怎么用C写出来的么？或者Macbook里面任何一个应用程序，是怎么工作的吗？具体一点，你觉得上面那些硬件学家要如何研究才能告诉你，你现在使用的浏览器，比如Google Chrome是怎么把网络上的信息以图文的方式呈现在你面前的？
所以，一帮思路截然不同的科学家也加入进来研究Macbook这个系统，但是他们看到硬件学派的研究之后，觉得：Fxxk that，你搞了这么多，我还是不知道为什么我鼠标一点，这个奇怪的窗口就消失了。于是，他们决定暂时不考虑硬件的工作方式，直接研究桌面上的一个个软件。我们称之为：软件学家。
软件学家并不关心他们所看到的桌面操作系统是怎么通过物理原件实现的，他们更关心的是这个操作系统具有什么功能，能够做什么事情，具有什么性质。
于是，软件学家就开始做下面这些事情：
首先，他们打开各种软件先玩一遍，觉得这些东西都特别棒：可以输入文字，可以画图，可以播放声音。然后他们就开始用各种玩法玩这些软件，逐渐的他们就发现：你输入的文字，以后还可以看到——这机器具有记忆的能力！但如果你选择删除一个文件，这个文件就会跑到一个叫做回收站的地方，你再选择删除，文件就消失了——这机器具有遗忘的能力！有的文件你打开，发现是一张静止的画面；有的文件你打开，发现是一部会动的连续图片，栩栩如生。
总之，他们发现可以通过键盘和鼠标（虽然他们不知道这两个东西到底应该叫什么，他们称之为方板板和圆球球）给系统提供一些输入，然后面前的这个屏幕会给出一些输出。他们不断地尝试提供不同的输入，记录不同的输出，来猜测每一个软件大概是什么功能。毫无意外，我们称之为实验软件学家。
嗯，于此同时，另外一帮数学家也加进来了，他们通过自己的数学知识，建构模型来猜测每一个软件，为了做到输入和输出之间的关系，到底需要进行什么样的『一步一步的操作』——我们称之为算法。这帮数学家通过各种数学模型来猜测软件执行过程中的算法，我们称之为理论软件学家。
说到这里，我需要总结两点：
1. 很显然，软件学家和硬件学家在做完全不同的事情，有完全不同的研究取向
2. 也很显然，软件学家和硬件学家都在研究这台被我们传送过去Macbook，他们都在研究这个Macbook到底是怎么工作的。
但是，我们有很多很多问题：比如，为了理解Macbook中Word是怎么运行的，我们必须要知道硬件的工作方式么？我们如何把硬件科学家和软件科学家的研究结果综合起来，来对这个机器有更加全面的认识？你可以问更多的问题。
软件学家和硬件学家纷纷扰扰争执了100年，我们也不想再去关注他们了，因为他们只存在于一个假设的平行世界，我们现在回过头来讲Neuroscience和Cognitive Science。
简单地说，Cognitive Science更像是软件学派，而Neuroscience更像是硬件学派。前者关心的是『认知系统』需要执行什么样的运算才能产生人类当前的行为；后者关心的是『大脑』这个物理系统是怎么样进行信息加工，从而执行人类当前的行为的。对于前者来说，研究的重点在于认知加工过程是什么以及为什么我们需要这些认知加工过程——至于这些过程到底是通过大脑这个物理系统实现，还是通过计算机这个物理系统实现，并不重要。对于后者来说，大脑这个物理系统尤其特别的属性，这些属性很有可能限制或者决定了人类行为，他们需要从底层出发一步一步了解。
那么，你需要学什么专业，那就你到底是对什么样的研究感兴趣了。在认知心理学领域，你必须知道一个重要的理论框架——Marr的三层次理论：对于一个信息加工系统的研究，具有三个层次：计算层面、算法层面、和实现层面。
计算层面：我们需要知道这个信息加工系统需要进行什么样的计算，在对什么样的信息进行加工，计算的问题是什么。
算法层面：我们需要知道这个信息加工系统如何进行一步一步了解的操作，如何加工那些需要加工的信息。
实现层面：我们需要设计什么样的物理系统来执行上述算法，从而解决最顶层的计算问题。
一个简单的例子：我们让人能够上天，并不需要把人改造成鸟的身体，而是需要基于对空气动力学的研究，来知道对于空气进行什么样的操作才能让我们上天——最后我们制造了飞机，而不是原封不动地造了个鸟。
老实说，现在neuroscience很火，但是理论建设很多时候需要Cognitive Science来帮忙，因为如果一个神经科学家想回到神经系统如何影响『记忆』之类的问题，他们必须回答认知科学家过去100年做过的行为实验中出现的种种现象和问题，是如何被神经系统实现的。实际上，认知方面的研究能够帮助神经科学家理解大脑——而不是神经科学家来告诉认知科学家『人类心智是如何工作的』。所以，经常会有这种情况：神经科学家的某一个很新的研究结果，认知科学家会说：『哦，我30年前就知道人脑在做这个事情了……我都不用打开你的大脑我早就知道你的大脑肯定在做这个事了。你花了30年，就告诉我个这个？』
那么，神经科学研究能帮认知多少什么呢？老实说，neuroscience对认知科学，以及最近很火的人工智能的帮助极其少，大部分AI的模型都跟神经科学半毛钱关系都没有，直到有人搭了neural network。但是，老实说，artificial neural network(ANN)只是在表面上跟神经系统很相似——比如结点、比如网络结构、比如后来所谓的『感受野』。但是这些概念，连neuroscience 101都算不上，剩下的ANN基本上就是数学一堆了。当然，没人知道在不就的将来，诸如connectome之类的研究，会不会提示认知科学方面算法的选择和限制，尚未可知。
好了，说了这么多，肯定有人要问：那认知神经科学呢？
Radical view: Cognitive Neuroscience has nothing to do with cognition and tells you nothing neuroscience.
当然，我这么说肯定好多人不高兴了，反正这句话不是我说的，我的态度要缓和很多。我只是想说: Cognitive Neuroscience is really soft, and people are now making it softer. 如果你觉得你扫扫fmri就理解大脑了，扫扫fmri就理解人类认知了，那么多半情况是：你既不理解大脑，也不理解人类认知。
我并不是说这个领域不好，实际上这个领域有很多很有意思的研究。比如一堆做脸的人，就做了很多有意思的研究，告诉你：你看到这样的脸，你大脑这儿就亮了；你看到那样的脸，大脑那儿就亮了；你看到这种脸好多好多次，你就不仅仅这块大脑亮，而且那块大脑也亮了。至于，你为什么看到脸，脸和别的物体有什么不同的，为什么计算机看脸就不容易，你是怎么一步一步从一个一个视网膜神经元的『像素级别的信息』组成到脸的，我也不是很清楚。但是，You know what? 你的大脑肯定进行了整合加工，而且你这块大脑肯定特别重要！你要是没了这块大脑，你就变成脸盲了！而且，你这块大脑不仅和脸很重要，可能还跟你认知字有关系……
我也不是要故意攻击研究脸的，我真的是觉得很多脸的研究蛮有意思的，打开了我的知识大门。但是，我真的无法满意于Cognitive Neuroscience这种『这个研究说明这块大脑在做这个事情』的研究层次，然后说『我们发现了这个认知功能的神经机制』。
如果你对Cognitive Neuroscience有兴趣，我强烈建议你在本科阶段进行比较严肃正规的理论训练，比如Cognitive Science或者Cognitive Psychology的理论层面的训练。如果你感兴趣，应该在下水之前要读一读，
1. Gallistel & King (2006) Memory and the Computational Brain: Why Cognitive Science will Transform Neuroscience [这个可能做容易读]
2. Marr(1980) Vision [这个主要读第一章和最后一章节吧]
3. Neisser (1960) Cognitive P [这个相对好读，但是书不太好找，远比现在某些认知心理学教材要更有理论价值]
4. Fodor (1983) Modularity of Mind: An Essay on Faculty Psychology [这本书很小]
当然，当然，按照现在的时尚，只会有更多的人投身到Cognitive Neuroscience这个领域，毕竟对人类大脑感兴趣又对人类行为感兴趣的人还是很多的。而且fMRI等工具听起来又很高大上，给人一种『哇擦我能看到大脑了！我肯定能知道更多东西！我就能揭秘大脑了！』的兴奋感。这么有意思的领域，值得更多人去追求。
只是对于每一位入坑的朋友提醒一下，既然花了钱做实验，请严肃对待，努力把这个领域变得更靠谱一点，避免最后以己昏昏，使人昭昭。各位加油！
P.S. 关于看到脸，大脑区域亮了的事情：最早是一个叫做Face Fusiform Area的发现亮瞎了整个学界，也火了cognitive neuroscience. 老实说，我觉得这个发现的理论价值不仅仅在于发现大脑对于人脸加工。这个发现（虽然在这之前10中，猴子实验已经发现多次了）的更大的理论价值在于呼应了Fodor(1983)中提出了大脑是通过modular来实现认知功能的这个理论框架，为『大脑的功能组织规则』这个问题提供了一个重要的回答，所以一下子就特别屌了。现在的认知神经科学研究，仍然具有类似的潜力，可以回到一些非常根本的问题，只是绝大部分实验都在隔靴搔痒，回避难题——新一代的少男少女啊，去成就新的神话吧！
作者：Feitong Yang
来源：知乎
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：952068次
积分：17944
积分：17944
排名：第359名
转载：302篇
评论：36条
(17)(127)(159)(189)(317)(382)(479)(217)(348)(477)(286)(113)(8)(1)(72)(11)(10)(21)(11)
----------coding----------
----------MLCV----------
----------IT笔试面试----------
----------大数据云计算----------
----------Math----------}