计算机思维机器.docx
《计算机思维机器.docx》由会员分享，可在线阅读，更多相关《计算机思维机器.docx（13页珍藏版）》请在冰点文库上搜索。
计算机思维机器
第五章思维机器
现在已经到了第二个计算机时代。
新的技术开始走出实验室把计算机从快速的计算机器变成可以模仿人类思维的装置——赋予机器以推理，做出判断，甚至是学习的能力，这种“人工智能”已经开始做一些曾经认为需要人类智能来完成的工作。
——《商业周刊》 计算机已经从机房和实验室走出来帮助我们在家里或办公室写作，计算，和娱乐。
这些机器做着简单，重复性的工作，而现在仍在实验室的能做更多的事。
人工智能研究者们说计算机可以变得聪明，并且越来越少的人反对这种说法。
为了了解未来，我们必须看到人工智能是否象飞向月球那么不可能。
思维机器用不着在外形，目的或精神上与人相似。
事实上，一些人工智能系统显示出没有受过良好的文学艺术教育，但是可以作为设计的有力引擎。
虽然如此，了解人类思维是如何从无思想的物质中进化出来的，还是可以为我们理解机器怎样才能会思考提供光明的前景的。
大脑，象其它形式的有序一样，通过变化与选择来进化。
大脑在运作。
你不需要了解斯金纳的行为主义学说就明白行为的重要性，包括被称为思考的内部行为。
在试管中复制的RNA显示了目的思想是如何（作为某种概念）适用于完全无思想的分子的。
它们没有神经和肌肉，但是它们进化出了促进它们的复制的“行为”。
变化和选择形成了每个分子的简单行为，并贯穿它的整个“一生”。
单个的RNA分子并不改变，但是细菌却可以。
竞争使细菌从适应性改变中获益，例如通过调整它们的消化酶比例来适应食物供应。
这些适应机制对它们本身来说是固定的：
食物分子引发基因开关就象冷空气触发空调器一样。
一些细菌也使用一种反复实验策略的基本形式。
这种细菌趋向于游直线，仅仅有足够的“内存”去知道前进道路上的条件是在变好还是变坏。
如果它们感觉到条件在变好，就保持方向前进；如果它们觉得条件在变坏，就会停下来，打转，然后头朝向一个随机方向，通常是与原来不同的方向游动。
它们测试各种方向，朝向好的方向并避开不好的。
由于这使得它们能游到食物分子集中的地方，它们就能成功地繁衍了。
变形虫没有大脑，也显示了学习的事实。
它们可以学会在简单的T-迷宫中选择正确的路径。
它们试着左转和右转，逐渐地选择行为——或形成习惯——达到最佳路径。
这种选择性行为基于一种推理，心理学家称为“效果法则”。
蠕虫的基因进化使得蠕虫个体有了进化的行为。
虽然这样，会走迷宫的蠕虫（甚至斯金纳的鸽子，被训练成绿灯亮时才啄食）还是没有一点思考的迹象。
大部分生物仅仅通过反复实验中学会的简单效果法则来适应，通过变化和选择实际行为——它们不会思考和做判断。
而自然选择常常使能思考的生物获益，思考也不是不可思议的。
正如Tufts大学的DanielDennett指出的，进化的基因可以用关于世界运动的内部模型来武装动物的大脑（有点象计算机辅助设计系统）。
动物们可以由此“想象”不同的行动和结果，避免那些“看起来”危险的而采取“看起来”安全的和有利可图的行动。
通过靠着这种内部模型来测试想法，它们可以节省在外部世界实验行动所花的力气和减少所冒的风险。
Dennett更指出效果法则可以改造模型自身。
基因可以提供进化的行为，它们也能提供进化的思想模型。
聪明的动物可以改变它们的模型并关注那些能提供更好的行动指导的版本。
我们都知道尝试并学习有用的东西。
模型不必是与生俱来的，它们在单个生命中也可以进化。
不会说话的动物，很少能传授它们的新的洞察力，这些洞察力会和产生它们的大脑一同消亡，因为有用的思维模型并不印在基因中。
但是即使不会说话的动物也可以彼此模仿，积累拟子和文化。
日本的一只母猴子发明了一种用水分离谷粒和砂子的方法，其它的猴子很快就学会了。
在人类文化中，通过语言和绘画模型，有价值的世界运作模型会比它们的创造者长命并且广泛传播。
在一个更高的水平上，头脑（"mind"在这里是个合适的词）可以把握判断的规范，决定关于模型的组成部分——对于世界的想法——是否是足够可靠的。
头脑由此选择了它自己的内容，包括选择规则。
判断的规则也通过这种方式过滤了科学的内容。
象关于知识的行为，模型和规范进化一样，目的也可以。
那些通过某些更基本的规范来判断能带来好处的，通常会成为目的。
诚实会有回报，所以它成为了一条有价值的行动规范。
由于思考和精神模型指导行动和下一步的思考，我们把清晰的思路和精确的模型作为目的。
好奇心增长，随之产生了对知识的热爱。
目的的进化使得科学和道德一起发展。
达尔文写道，“德育教育可能的最高水平是我们承认我们应该控制我们的思考。
”我们可以通过变化和选择来实现，通过集中注意于思考有价值的东西而忽略其它的。
MIT人工智能实验室的MarvinMinsky把头脑看作某种社会，一个进化的系统，由互相联系的，合作的，竞争的代理点组成，而它们又是由更简单的代理点组成的。
他用这些代理点的活动性来描述思考和行动。
一些代理点只能指导手抓住杯子，另外一些（更精致的）可以指导演讲系统选择词汇。
我们无意识地让手指包住杯子，我们把这样的任务交给胜任的代理点并很少去注意它们除非它们出了问题。
我们都会被冲突刺激并说出无意义的词汇，这些都是大脑中的代理点不和谐的征兆。
我们意识到这些是大脑自调节机制的一部分，通过它我们的大量代理点经管着其它的事情。
拟子可以被看作大脑中的代理点，由教育和模仿形成。
为了感知两种观念冲突，你必须把它们在脑中具体化成代理点——可能一个是老的，强的，并有支持者，另一个是新的，可能不能通过第一场战斗。
因为我们对自身认识是肤浅的，我们常常想知道我们头脑中的想法来自何处。
一些人想象这些想法和感觉直接来自于大脑外，他们倾向于信仰有鬼魂出没于大脑。
在古罗马，人们相信有“鬼魂”，它们有美好的或邪恶的灵魂陪伴一个人从生到死，带来好运和坏运。
杰出的品质成就“天才”。
即使在现代，不知道自然如何创造新奇事物的人们还是把“天赋”看作某种“魔法”。
而事实上，进化的基因造成了可以扩展知识的大脑，通过改变想法和选择它们。
通过快速变化和有效的选择，和从他人那里获得的知识的帮助，为什么这种头脑不能显示出我们称为“天赋”的东西呢？
把智能看作自然过程使得智能机器的想法变的普通，也暗示了它们会怎样工作。
机器智能 在一本字典里是这样定义“机器”的：
“能完成或帮助完成人类工作的任何系统或装置，例如电子计算机。
”但是有多少人类工作能由机器来完成呢？
计算曾经是一种人脑超过机器的技能，也是聪明和有教养的标志。
而今天，没人会把便携式计算器称为人工智能，计算现在只不过是个机械过程。
但是，建造现在看起来平常的计算机的想法曾经是令人吃惊的，虽然在十九世纪中叶，CharlesBabbage（查尔斯·巴贝奇）就已经造出了机械式计算器和可编程机械计算机的一部分，但是他陷入了财务和建造上的麻烦中。
杨博士一点忙也不帮，他认为培养人的计算能力比这要廉价，英国皇家天文台台长GeorgeAiry爵士也持不同看法——他日记上的某页写道：
“12月15日，Goulburn先生……问我对Babbage的计算机器用途的看法，我回答说，问题很多，要我看它是无用的。
” Babbage的机器超前于他的时代——意味着为了建造它，机械师们必须改进技艺以造出更精确的零件。
实际上它也不比一个人的计算速度快多少——但是它更可靠和更容易改进。
计算机和人工智能（AI）的故事与在空气和太空中飞行类似。
直到最近人们才相信它们是可能的——他们不知道如何去实现，并且认为一旦实现会带来很大的困扰。
而且至今为止，AI还没有一个简单的确实的示范，这和飞机还有登月是不同的。
它还有很长的路要走，并且人们也不断地改变着智能的定义。
把关于“巨型电脑”的报告放在一边，很少有人称第一台计算机是智能的。
确实，“计算机”的名称暗示了仅仅是一台算术机器。
在1956年，在达特毛斯，第一次世界人工智能会议上，研究员AlanNewell和HerbertSimon展示了逻辑理论家，一个能用符号逻辑证明定理的程序。
在这以后，计算机程序可以下象棋以及帮助化学家搞定分子结构。
两种医学程序，CASNET和MYCIN（第一个处理内科药物，第二个可以诊断和处理传染病），可以令人难忘地完成任务。
按照人工智能手册上说的，它们被“量化了，进行经验性的评估，在各自的范围内具有专家级的水平。
”一种叫“勘探者”的程序在华盛顿州发现了一个钼矿，价值数百万美元。
这些所谓的“专家系统”只在很有限的范围起作用，但是它们已经能使1950年代早期的计算机程序员吃惊了。
而今天，很少有人认为它们是真正的人工智能：
AI是个移动的目标。
本章开头引用的商业周刊的段落仅仅显示了计算机可以用足够的知识编程，以及搞些富有想象力的花样，使得人们可以不勉强地称它们人工智能。
成年累月地在电视里出现的科幻机器人和谈话电脑至少让AI的概念深入人心了。
认为AI不可能实现的首要原因常常是由于认为“机器”是笨拙的，一个现在已经开始淡出的看法。
过去的机器确实是笨重的并且只能干简单的卖力气的工作。
而计算机处理信息，伴随着复杂的指令，并且能根据指令来改变自己的指令。
它们可以实验与学习。
它们内部没有齿轮和脂肪而只有线路和流动的电能。
象DouglasHofstadter说的（通过一个角色之口）：
“为什么你们不让‘机器’这个词和跳动的光线图案联系起来，而非要让人想起巨大的蒸汽铁铲？
” 鸡尾酒会批评家们常常指出现在计算机的笨拙来反对人工智能，好像这能证明未来一样。
（未来的机器可能想知道这是否是批评家们的真实想法）他们的异议是不切题的——蒸汽机车不会飞，虽然它们证明了后来用在飞机引擎上的同样的原理。
同样的，爬虫类并没有表现出任何智能，虽然我们大脑中的神经元与它们的很相像。
非正式的批评家也回避对AI的认真思考，认为我们不能制造比我们更聪明的机器。
他们忘记了历史上的例子，我们远古的不会说话的祖先通过基因进化展示了高度的智能甚至不通过思考。
而我们现在在思考，并且技术拟子的进化也比生物基因快得多。
我们当然可以制造具有和人类学习和组织知识的能力类似能力的机器。
似乎只有一个观点可以支持反对思想的火花可以在新的物质形式中跳舞的看法。
这就是精神唯物论——认为大脑是一种特殊的物质，某种神奇的思想材料，超越了模仿，复制和技术的使用。
心理生物学家没有发现任何这种物质存在的证据，却发现解释思想不需要精神唯物论。
因为大脑的复杂性超过了人的理解能力，它看起来复杂得足够产生思想。
确实，如果一个人能完全地了解他的大脑，这就说明大脑比他的思想要简单。
如果地球上所有的50亿人可以合作观察一个人的大脑的工作的话，每个人都需要同时观察数万个神经突触——显然是个不可能完成的任务。
所以一个人如果试图从整体上了解大脑的话将会是50亿倍的可笑。
由于我们大脑的机制如此复杂，以至我们的思维无法把握它，所以可以说它复杂得足以产生思想。
图灵的目标 在一份1950年的关于人工智能的报告中，英国数学家阿兰·图灵写道：
“我相信到本世纪末词汇和教育理念会有很大变化，你可以谈论机器思想而不会被反对。
”但这要看思想是如何定义的。
有些人说只有人能思考，而计算机不是人，所以他们停滞不前并自鸣得意。
在报告中，图灵问到我们是怎么判断人类智能的，并暗示我们通常是通过谈话来判断人的。
然后他提出了一个他称为模仿游戏——而现在每个人都称为图灵测试的办法。
想象你在一个房间中，可以通过一台终端和另外两个房间中的一个人和一台计算机对话。
你可以发送消息，另外那个人和那台计算机可以回答，他们都表现出自己具有人类智能。
通过一段长时间的键盘“交谈”——可能涉及到文学，艺术，天气和早上嘴里的味道——你可能会分不清哪个是机器，哪个是人了。
图灵认为如果一台机器可以在一定的基本规则下进行这样的谈话，我们就可以认为它具有真正的智能。
更进一步，我们得承认它对人类很了解。
在大部分实际应用中，我们都不必问“一台机器能有自我认识——就是说自知吗？
”的确，那些说机器不可能有自我意识的批评家们可能永远也无法说清为什么。
自我认识进化用来指导我们的思考和行动，而不仅仅是我们人性的装饰品。
我们需要了解其他人，他们的能力和爱好，并和他们共同制订计划。
同样的我们也必须了解我们自己，我们自己的能力和爱好，为自己制订计划。
自我意识没什么特殊的。
自我印象来自于大脑中的记忆，和思考的作用模式类似。
认为自我是一种特殊的意识物质（与大脑的思想物质相区别）的看法对解释意识是毫无作用的。
想要通过图灵测试的机器，当然，都会声称自己有自我意识。
生物中心论者当然可以简单地说这是撒谎。
只要他们拒绝说明他们的意思，他们就永远不能被证明是错误的。
虽然如此，不管是否被称为有意识的，智能机器都会表现出智能，并且它们的智能也将影响我们。
也许有一天它们会通过热情洋溢的演讲驳斥生物中心论者，发起一场精彩的公共关系运动。
现在还没有一台机器能通过图灵测试，很可能在短期内也不会有。
看起来明智的做法是应该问是否有个好的尝试的理由：
基于其它目的的AI研究可能带给我们更多的利益。
让我们来区别两种智能，通过一个能同时显示两者的系统。
第一个是技术AI，用来处理物理世界，在这一领域内的努力导致了自动化工程和和科学调查；第二个是社会AI，用来处理人类意识，在这一领域内的努力将导致可以通过图灵测试的机器。
在社会AI领域工作的研究者们在研究过程中可以学到很多关于人类意识的知识，他们的系统也无疑具有很高的实用价值，因为我们大家都可以从人工智能的帮助中获益。
而基于技术AI的自动化工程将给技术竞赛带来更大的冲击，包括朝向分子技术的竞赛。
一个先进的自动化工程系统将比较容易开发，相较于图灵测试机来说，因为后者不仅要有知识和智能，还要能模仿人类的知识和智能——是一个特殊的，更难的挑战。
正如图灵所问：
“可能机器不能承担某些被称为思考的工作，但什么是和人最大的区别呢？
”一些作家和政治家可能拒绝承认机器智能直到有一天他们不得不面对一台能通过图灵测试的机器，但是工程师们将通过其它形式承认AI。
设计的发动机 我们已经踏上了自动工程之路。
知识工程师们已经开始销售可以帮助人们处理实际问题的专家系统了。
程序员们也开发了计算机辅助设计系统，可以使关于形状和运动，压应力和拉应力，电路，热流以及机床加工金属的知识具像化。
设计者使用这些系统来扩展他们的思维模型，加速未来设计的进化。
工程师们可以使用一个很宽范围内的很多种计算机系统来辅助他们的工作。
在此范围的一端，他们简单地把计算机屏幕当作画板。
更进一步，他们使用的系统可以描述三维的零件并计算它们的对热，对压力的反应，电流等等。
一些系统了解计算机控制制造设备，可以帮助工程师测试他们编写的数控代码，然后再用于制造；在此范围的另一端，使用计算机不仅能记录和测试设计，还能产生设计。
程序员们已经为计算机工业开发了令人印象深刻的工具。
例如设计芯片的软件。
现代集成电路芯片包含有数千个晶体管线路。
设计者们以前要花费数月的时间来设计电路并在芯片表面布线，现在他们可以把这些任务交给所谓的“硅编译器”软件，给定一个芯片功能，它就可以生成详细的设计——可以生产的——而几乎不需要人类帮忙。
所有这些系统都完全依赖人类知识，艰苦地收集并编码。
今日最灵活的自动设计系统可以按照一种设计寻求改进技术方案，但不能应用到下一个设计当中。
只有EURISKO是个例外，它是由斯坦福大学的DouglasLenat教授和他的同事开发的，EURISKO是被设计来探索新的知识领域的。
它由启发式方式指导——一种知识提示可能的行动或避免错误。
有效的，各种各样的经验方法。
它使用试探的方式提出工作目标，然后试探式地提出解决方法并尝试，最后提出如何判断结果。
另外还能探索各种可能的结果，提出新的探索方向，并评估新的和旧的试探方法的价值。
通过这种方法EURISKO进化出了更好的行为，更好的内部模型，试探的选择，可以被称为“突变”和“选择”，暗示了它们的社会，文化意义。
在EURISKO中由于启发方式进化和竞争，所以可以推想会有寄生虫出现——象事实上那样。
一个机器产生的启发，例如，声称是一种很有价值的新猜想的共同发现者，可以被评估为最高可能的值。
Lenat教授和EURISKO一起工作，改进它的精神免疫系统，通过启发来去掉寄生虫和避免愚蠢的推理方法。
EURISKO被用来探索初等数学，编程，生物进化，游戏，三维集成电路设计，油料泄漏清除，铅工业，和（当然）启发式教育。
在某些领域它用新奇的主意启发了设计者，包括可以引发三维集成电路技术的新的电子装置。
一个锦标赛的结果显示了人/AI系统的威力，TravellerTCS是一个新的未来海战的游戏，游戏规则有200页，规定了舰队的设计，花费，和性能限制（“TCS”代表“TrillionCreditSquadron”价值万亿的编队）。
Lenat教授把这些规则输入了EURISKO，一套开始的启发方法，以及一个模拟两个舰队之间战斗的程序。
他后来报告说：
“它一支又一支地设计舰队，把模拟程序当作‘自然选择’的机制来‘进化出’越来越好的舰队设计。
”程序可以整夜地运行，设计，测试，从结果中获得教训。
在早上Lenat可以精选出好的设计并帮助它发展，他确信结果的60%归于他自己的工作，而40%属于EURISKO。
Lenat和EURISKO参加了1981年的全国TravellerTCS竞赛，带来了一支看起来奇异的舰队。
其他的参赛者都嘲笑它，但是他们后来都输给了它。
Lenat/EURISKO联合舰队赢了每个回合，成为了全国冠军。
就像Lenat所说，“这一胜利是有重大意义的，因为每个参与程序设计的人都没玩过，或者没见过这个游戏，并且在这之前也没参加过任何实战的回合。
” 在1982年竞赛的组织者改变了竞赛规则。
Lenat和EURISKO带来了一支与上次完全不同的舰队，其他的参赛者又开始嘲笑它，然后又都输了。
Lenat/EURISKO组合再一次取得了冠军。
在1983年竞赛的组织者告诉Lenat如果他这次参加并再次取胜，他们就会停办这个竞赛。
因此Lenat便引退了。
EURISKO和其他的AI程序显示了计算机可以不仅局限于做枯燥的重复的工作如果它们被赋予恰当的程序的话。
他们能探索可能性并产生可以使它们的创造者也吃惊的想法。
EURISKO也有缺点，虽然它指明了一条AI系统和人类专家合作产生知识和设计中的创造性的道路。
在接下来的岁月里，类似的系统将改变工程学。
工程师们将和机器建立创造性的伙伴关系，使用从当前的计算机辅助设计系统继承下来的软件来进行仿真，使用进化的类EURISKO系统来产生新的仿真设计。
工程师可以坐在屏幕前，输入设计目标画出设计草图，系统就可以提炼设计，测试它们，然后显示可供选择的技术方案，附有说明，图像和表格，工程师再提出意见和修改，或者提出新的任务，直到这个硬件系统被设计和模拟出来。
随着这样的自动工程系统的改进，它们将越来越快地做越来越多的工作。
越来越普遍地，工程师们将只要简单地输入目标人后从机器产生的好的技术方案中选择就行了，他们会越来越少地选择零件，材料和结构。
逐渐地工程师们将能提出更概要的目标并认为理想结果的出现是理所应当的事。
就象EURISKO通过一个TravellerTCS游戏模拟器进化舰队一样，自动工程系统将会稳定地进化喷气客机使之达到最高的安全性和最佳的经济性——或者进化军用飞机和导弹能最好地控制天空。
就像EURISKO发明了电子装置，未来的自动工程系统将可以发明分子机器和分子电子装置，在分子模拟软件的帮助下。
这种 自动工程系统的优点将是我们前面讲过的设计-前导现象的扩展。
因此自动工程系统将不仅加速组装机的突破，还将提高接下来的飞跃程度。
最后软件系统将能创造新的原始设计而不用人的帮助。
人们会把这类系统称为智能系统吗？
其实这已经不重要了。
AI竞赛 全世界范围内的许多公司和政府都支持AI研究因为它能带来商业和军事的优势。
美国有很多大学人工智能实验室和一大堆这类公司象机器智能公司，思维机器公司，Teknowledge，认知系统公司等等。
在1981年10月日本工业和贸易部宣布了一个10年计划，耗资85亿美元的计划，发展先进的AI硬件和软件。
由此，日本的研究者计划研发每秒能进行10亿次逻辑推理的系统。
在1984年的秋天莫斯科科学院宣告了一个类似的，5年的，耗资10亿美元的计划。
1983年10月美国国防部发布了一个5年的，耗资60亿美元的战略计算工程。
他们寻求可以看，推理，理解命令，帮助处理战斗的机器。
象PaulWallich在IEEE报告中说的：
“人工智能被看作是下一代计算机技术的基础，所有国家都把它放在突出的研究位置上。
” 先进的AI将一步一步地发展，每一步都回报以知识和增长的能力。
和分子技术（和很多其他技术）一样，尝试在某一市，一省，或一国限制其发展都只会让其他人领先。
任何阻止AI研究的成功都至少会拖延它，而随着计算机越来越便宜，它也可以在秘密的情况下逐渐成熟。
只有一个有无限权力的稳定的世界大国才能真正永久地停止AI研究——一种对付恐怖的危险的“解决技术方案”，按照以前对国家权力滥用的习惯。
先进的AI系统是不可避免的，如果我们希望形成一个对未来的现实的看法，我们就不能忽略它。
在某种意义上，人工智能将成为最终的工具因为它将能帮助我们制造所有可能的工具。
先进的AI系统能使人们进入虚拟世界，或者能帮助我们建立一个新的更好的世界。
进攻者可以用它去征服它国，有远见的防御者可以用它来维持和平。
它们甚至可以帮助我们控制AI自身。
推动AI摇篮的手将能控制世界。
和组装机一样，我们将需要远见和仔细的规划来安全可靠地使用新技术。
问题是复杂的和相互缠绕的，从分子技术的细节到失业率，从经济到人权的哲学基础。
最基本的问题，取决于AI能做什么。
我们足够聪明了吗？
尽管有人类进化的例子，评论家们还是会争论说我们有限的智能将会阻碍我们生成真正智能的机器。
这些争论看起来是微弱的，充其量可以看作是因为他们自己不知道如何去实现，因此也认为其他人不能做的更好。
还有少部分人否认编制和人类智能相当的程序需要对人类心理有一个全新的视点。
虽然通向AI的编程之路似乎已经打通，我们的知识并不支持这种自信，即工程师们应该在苏联人造卫星上天之前10年就能发射登月火箭了，或者通过蛋白质设计我们现在就可以造出组装机了。
开发具有真正人工智能的软件，通过某种工程形式，将需要新的科技，这使得它超越了现实的计划。
我们需要精确的预见。
人们固执地怀疑AI究竟能否在未来中生存，幸运地，自动工程逃脱了生物沙文主义者们的偏见的压力。
大多数人对机器设计机器的想法比对未来的真正通用意义上的AI系统感到更舒服一点。
另外，自动工程已经显示可以工作了，剩下来的工作就是去推动它了。
如果更通用的AI系统一定会出现，我们就不能再忽视它们。
我们不能绕开我们已经具备设计智能程序的能力这个问题。
在1950年代，很多AI研究者集中于通过模拟神经元来模拟大脑的功能，但是研究基于单词和符号系统的研究人员却走在了前头，从而改变了AI的研究方向。
但是神经元模拟的基本思想仍然在继续，并且分子技术将使它更现实。
这条路确实可行因为它不需要有对思维的新的原则性的观点。
最终，神经生物学家将使用病毒尺寸的分子机器来研究大脑的结构和功能，一个细胞一个细胞或一个分子一个分子地。
虽然AI研究者可以从大脑科学中获得对思维结构的有用的知识，但是神经模拟不用这些知识也可以成功。
编译器可以把计算机程序从一种语言翻译到另一种语言而不用理解它们是怎样工作的，复印机复印文字图案也不需要能读懂它们。
同样的，研究者们将可以复制大脑的神经图案到另外一种媒体上而不需要理解它们高层次的意义。
在了解了神经元是怎样工作的以后，工程师就可以设计和建造基于纳M电子学和纳M机器的模拟装置了。
这些装置将象神经元一样工作，但是会更快。
神经元，虽然复杂，但是对于大脑的理解和工程模拟来说却是足够简单的。
的确，神经生物学家已经对它们的结构和功能有了很多的了解，即使没有分子水平的机器来查明他们的工作。
通过这些知识，工程师将可以建造快的，能干的AI系统，甚至不用了解大脑和不用更聪明的编程。
他们只需要理解大脑的神经结构然后把人造神经元也连接成同样的功能网络就行了。
如果他们正确地完成了所有部分——包括形成整个网络的方法——那么整个的，
升级会员 