认知心理学与认知神经科学/知识表示与半球特化

大多数人类认知能力依赖于或与我们称为知识的东西进行交互。人们如何驾驭世界？他们如何解决问题，他们如何理解周围环境，以及人们在什么基础上做出决策和推断？对于所有这些问题，知识，对世界的精神表征都是答案的一部分。

什么是知识？根据Merriam-Webster 在线词典，知识是“一个人信息和理解的范围”以及“通过推理理解真理或事实的情况或条件”。因此，知识是结构化的信息集合，可以通过学习、感知或推理获得。

本章将探讨人类大脑和计算模型中用于表示世界知识的结构。首先，我们将介绍概念和范畴作为存储和分类信息的模型，然后介绍语义网络的概念，以及与这些概念密切相关的，对人类如何存储和处理信息的解释尝试。除了生物学方面，我们还将讨论人工智能系统中的知识表示，这些系统可以作为存储和访问知识以及进行快速推理的有用工具。

在了解了知识如何在人类大脑和人工智能系统中存储和使用之后，我们将更深入地研究人类大脑的半球特化。这个主题不仅与知识表示有关，因为左右半球在存储的知识类型上有所不同，而且与本书的许多其他章节也有关。例如，记忆在哪里？大脑的哪些部位与情绪和动机有关？在本章中，我们重点关注左右半球之间的一般差异。我们探讨了它们在处理信息的内容和方式上是否不同，并概述了有助于该领域科学进步的实验。

大脑中的知识表示

概念和范畴

对于许多认知功能来说，概念是必不可少的。概念是精神表征，包括记忆、推理以及语言的使用和理解。概念的一个功能是对知识进行分类，而这已被深入研究。在本章的讨论中，我们将重点关注概念的这个功能。

想象一下，你每天早上醒来，就开始思考你从未见过的所有事物。想想如果你从未见过的一辆车停在你家门前你会有什么感觉。你已经见过成千上万辆车，但因为你从未见过这辆车，而且它处于这个特殊的位置，你将无法给自己任何解释。由于我们能够找到解释，我们需要问自己的问题是：我们如何能够从先前的知识中抽象出来，以及为什么当我们面对一个稍微新的情况时，我们不会从头开始？答案很简单：我们对知识进行分类。分类是将事物放置到称为范畴的组中的过程。

范畴被称为“知识的指针”。你可以把一个范畴想象成一个箱子，里面放着类似的物体，并且用共同的属性和其他关于该范畴的一般信息进行标记。我们的大脑不仅记忆某个范畴成员的特定例子，而且还存储所有成员共有的，因此定义了该范畴的一般信息。回到汽车的例子，这意味着我们的大脑不仅存储了你自己的汽车、邻居的汽车和朋友的汽车的样子，而且还提供了大多数汽车都有四个轮子、需要加油等等的一般信息。因为分类允许我们立即通过识别新物体为某个范畴的成员来获得场景的一般画面，所以它为我们节省了大量的时间和精力，否则我们将不得不花在调查新物体上。它帮助我们专注于环境中的重要细节，并使我们能够得出正确的推论。为了使这一点更加明显，想象一下你站在路边，想要穿过它。一辆汽车从左边驶来。现在，你只需要知道关于这辆车的一般信息，即如果你不等到它过去就会撞到你。你不需要关心汽车的颜色、车门数量等等。如果你不能立即将这辆车归类为“汽车”，并推断出需要后退的必要性，你就会被撞到，因为你仍然忙于检查这辆特定且未知汽车的细节。因此，分类在进化过程中已被证明非常有助于生存，并使我们能够快速有效地驾驭周围环境。

Categories provide a lot of information about their members — 范畴提供了关于其成员的大量信息

定义方法

看一下下面的图片！你会看到四种不同类型的汽车。它们在形状、颜色和其他特征上有所不同，但你可能很确定它们都是汽车。

Four different objects but all are cars — 四个不同的物体，但都是汽车

为什么我们如此确信这些物体的身份？也许我们可以尝试找到一个定义来描述所有这些汽车。它们都有四个轮子吗？不，有些只有三个。所有汽车都用汽油驱动吗？不，这也不适用于所有汽车。显然，我们将无法找到一个合适的定义。失败的原因在于我们必须进行概括才能定义。这对几何物体可能有效，但显然不适用于自然事物。它们在一个类别中不完全共享相同的特征，因此很难找到一个合适的定义。然而，一个类别中的成员之间存在相似之处，那么这种熟悉性呢？著名的哲学家和语言学家路德维希·维特根斯坦问了自己这个问题，并声称找到了答案。他发展了家族相似性的概念。这意味着一个类别中的成员在某些方面彼此相似。例如，汽车在形状、颜色和许多其他特性方面有所不同，但每辆汽车都以某种方式与其他汽车相似。以下两种方法通过相似性来确定类别。

原型方法

原型方法由 Rosch 在 1973 年提出。原型是特定类别中所有成员的平均情况，但它不是类别中的实际存在成员。即使是类别内成员的极端不同特征也可以用这种方法来解释。不同的原型性程度代表了类别成员之间的差异。与原型非常相似的成员是高原型。因此，在许多方面与原型不同的成员是低原型。似乎与家族相似性的概念存在联系，事实上，一些实验表明高原型性和高家族相似性密切相关。典型性效应描述了高原型成员更容易被识别为类别成员的事实。例如，参与者必须判断诸如“企鹅是鸟类”或“麻雀是鸟类”之类的陈述是否属实。他们对“麻雀”作为“鸟类”类别的高原型成员的决定比对“企鹅”这种非典型成员的决定要快得多。当被要求列出类别中的物体时，参与者也倾向于偏好类别的原型成员。关于鸟类示例，他们更愿意列出“麻雀”而不是“企鹅”，这是一个相当直观的结论。此外，高原型物体受到启动的强烈影响。

示例方法

典型性效应也可以用第三种方法来解释，该方法关注的是示例。与原型相似，示例是类别中的一个非常典型的成员。示例与原型之间的区别在于，示例是个人过去遇到的类别中的实际存在成员。然而，它也涉及物体与标准物体的相似性。只是这里的标准涉及许多示例而不是平均值，每个示例称为一个示例。

同样，我们可以展示典型性效应：与我们遇到的许多示例相似的物体比与少数示例相似的物体更快地被分类。你一生中比企鹅更常看到麻雀，所以你应该更快地识别出麻雀。

对于原型方法和示例方法，都存在实验结果支持其中一种方法。有些人声称示例方法在处理可变类别和类别内的非典型情况时问题较少。例如，用原型方法很难实现“游戏”这一类别。你想如何找到所有游戏，例如足球、高尔夫球、国际象棋的平均情况？原因可能是使用了“真实的”类别成员，并且存储了每个示例的所有信息，这在以后遇到其他成员时可能会有用。两种方法可以比较的另一个方面是它们在不同大小类别中工作的效果如何。示例方法似乎在较小的类别中效果更好，而原型在较大的类别中效果更好。

一些研究人员得出结论，人们可能同时使用这两种方法：当我们最初了解一个类别时，我们将看到的示例平均到一个原型中。如果我们在早期学习中已经考虑了类别有哪些例外，那将会很糟糕。在更详细地了解这些示例中的某些示例时，信息得到了加强。

“我们一般都知道猫是什么（原型），但我们最了解自己的猫（示例）。”（Minda & Smith, 2001）

类别的层次结构

现在我们了解了关于我们如何形成类别的不同方法，让我们看一下类别的结构以及类别之间的关系。基本思想是，更大的类别可以细分为更具体、更小的类别。

Rosch 指出，通过此过程，会创建三个类别级别

有趣的是，从基本级别到上位级的信息减少量非常大，而从基本级别到下位级的信息增加量却很小。科学家们想要弄清楚这些级别中是否有一种比其他级别更受青睐。他们要求参与者尽快命名呈现的物体。结果是，受试者倾向于使用包含最佳存储信息量的基本级别名称。因此，一只金毛猎犬的图片将被命名为“狗”，而不是“动物”或“金毛猎犬”。需要注意的是，这些级别因人而异，具体取决于专业知识和文化等因素。

影响我们分类的一个因素是知识本身。专家比非专家更关注其领域中物体的特定特征。例如，在展示了一些鸟类的图片后，鸟类专家倾向于说出下位级名称（黑鸟、麻雀），而非专家只说“鸟”。专家感兴趣领域的基准级别低于外行人士的基准级别。因此，人们的知识和经验会影响分类。

另一个因素是文化。想象一下，一个民族生活在与自然环境密切接触的环境中，因此比德国的学生更了解植物等等。如果你问后者在自然界中看到了什么，他们会使用“树”的基本级别，如果你对更接近自然的人进行同样的任务，他们会倾向于用更低级别的概念，例如“橡树”来回答。

大脑中类别的表示

有证据表明，大脑中的一些区域对不同的类别具有选择性，但不太可能每个类别都有一个对应的大脑区域。神经生理学研究的结果表明，对于有生命的东西和无生命的东西，存在一种双重分离。fMRI 研究已经发现了证据，表明它们确实在大脑的不同区域被表示。重要的是要注意，尽管如此，不同类别激活的不同大脑区域之间存在很大重叠。此外，当更深入地研究物理区域时，也存在与心理类别的联系。似乎存在对特定类别物体反应更好的神经元，即所谓的“类别特异性神经元”。这些神经元不仅对一个物体做出反应，而且对一个类别中的许多物体做出反应。这导致了这样一种想法，即当一个人识别出一个特定物体时，可能会有许多神经元发射，并且这些发射神经元的组合模式可能代表了该物体。

语义网络

“语义网络方法”提出，心灵的概念被排列成网络，换句话说，它是一个用于存储单词“含义”的功能存储系统。当然，语义网络的概念非常灵活。在这样的语义网络的图形说明中，我们心理词典中的概念由节点表示，这些节点以这种方式表示关于我们世界的知识片段。

一个概念的属性可以放置或“存储”在表示该概念的节点旁边。节点之间的链接表示对象之间的关系。链接不仅可以显示存在关系，还可以通过它们的长度来表示关系的类型，例如。

网络中的每个概念都与其他概念处于动态相关性中，这些概念可能具有原型上相似的特征或功能。

Collins 和 Quillian 的模型

根据 Collins 和 Quillian 的语义网络，包含节点、链接、概念名称和属性。

第一个思考可以在计算机上运行的人类记忆结构模型的科学家之一是 Ross Quillian（1967）。他和 Allan Collins 一起开发了语义网络，其中包含相关的类别以及层次结构。

右侧图片展示了 Collins 和 Quillian 的网络，每个节点都添加了属性。正如前面提到的，骨架节点通过连接线相互连接。在节点上，添加了概念名称。与“类别分层组织”段落中一样，一般概念位于顶部，更具体的概念位于底部。通过查看“汽车”这个概念，人们可以获得关于汽车的信息，例如汽车有四个轮子，有发动机，有车窗，并且可以移动，需要燃料，是人造的。

这些信息必须存储在某个地方。如果每个细节都必须存储在每个层级，那么将会占用太多空间。因此，关于汽车的信息存储在基础层级，而关于特定汽车（例如宝马）的更多信息则存储在更低的层级，在这里您不需要知道宝马也有四个轮子，因为您已经知道它是一辆汽车。这种在更高层级节点存储共享属性的方式被称为认知经济。

为了避免产生冗余，Collins 和 Quillian 将其视为一种信息继承原则。由多个概念共享的信息存储在包含该信息的最高父节点中。因此，所有位于信息载体之下的子节点也可以访问有关属性的信息。然而，也有一些例外情况。有时一辆特殊汽车不是四个轮子，而是三个轮子。这种特定属性存储在子节点中。

该网络的逻辑结构令人信服，因为它可以证明获取概念所需的时间与网络中的距离是相关的。这种关联性通过句子验证技术得到证明。在实验中，受试者必须用“是”或“否”回答关于概念的陈述。实际上，如果承载概念的节点距离较远，那么说“是”所需的时间更长。

相邻概念被激活的现象被称为扩散激活。这些概念更容易被记忆访问，它们被“启动”。David Meyer 和 Roger Schaneveldt (1971) 通过词汇判断任务研究并支持了这一观点。受试者必须判断单词对是单词还是非单词。如果两个词的概念在预期的网络中彼此靠近，他们更快地找到真实的单词对。

虽然该模型能够解释许多问题，但它也存在一些缺陷。

典型性效应就是其中之一。众所周知，“对类别中更典型成员的反应时间快于对类别中不太典型成员的反应时间”。(MITECS) 这与 Collins 和 Quillian 模型的假设相矛盾，即网络中的距离决定了反应时间。实验表明，一些属性存储在特定节点中，因此认知经济性受到质疑。此外，还有例子表明，即使网络中的距离更长，概念检索速度也更快。

这些问题导致了语义网络方法的另一个版本：Collins 和 Loftus 模型。

Collins 和 Loftus 模型

Collins 和 Loftus (1975) 试图通过使用更短或更长的连接线来解决这些问题，这些连接线取决于以前未直接连接的概念之间的相关性和相互关联性。此外，以前的层次结构被取代为更具个人特色的结构。仅仅列举一些扩展。正如右侧图片所示，新模型代表了人际差异，例如在一个人一生中获得的差异。它们体现在同一概念的连接线的布局和不同长度上。

例如，“车辆”这个概念通过短连接线与汽车、卡车或公共汽车相连，通过长连接线与消防车或救护车相连。

在这些改进之后，该模型变得如此万能，以至于一些研究人员将其批评为过于灵活。在他们看来，该模型不再是一个科学理论，因为它不可证伪。此外，我们不知道这些连接线在我们体内有多长。它们应该如何测量？它们真的可以测量吗？

连接主义方法

语义网络中的每个概念都与其他概念处于动态关联状态，这些概念可以具有原型相似的特征或功能。大脑中的神经网络也是如此组织。此外，将“扩散激活”和“并行分布式活动”的特征包含在这样的语义网络概念中，以解释高度复杂环境的复杂性，这是非常有用的。

连接主义的基本原则

连接主义者通过模仿神经系统中的神经网络来对他们的网络进行建模。图中的每个节点代表一个类似神经元的处理单元。这些单元可以分为三个子组：输入单元，它们被环境的刺激激活；隐藏单元，它们接收来自输入单元的信号并将它们传递给输出单元；输出单元，它们显示代表初始刺激的激活模式。单元之间的兴奋性和抑制性连接就像大脑中的突触一样，允许对“输入”进行分析和评估。为了计算此类系统的结果，将特定“权重”附加到连接主义系统输入是有用的，这模仿了人神经系统刺激的强度。

需要强调的是，连接主义网络不是神经系统工作方式的模型。连接主义网络的方法是一种假设的方法，用来在网络模式中表示类别。连接主义方法的另一个名称是并行分布式处理方法，简称 PDP，因为处理是并行进行的，并且输出分布在多个单元中。

连接主义网络的操作

首先，向输入单元呈现刺激。然后连接将信号传递给隐藏单元，隐藏单元通过进一步的连接将信号传递给输出单元。在第一次尝试中，输出单元显示错误的模式。经过多次重复，模式最终变得正确。这是通过反向传播实现的。错误信号被送回隐藏单元，信号被重新处理。在这些重复的尝试中，信号的“权重”根据错误信号逐渐校准，以便最终获得正确的输出模式。在为一个刺激获得正确的模式后，系统就可以学习一个新概念。

评估连接主义

PDP 方法对于知识表示研究非常重要。它远非完美，但正在努力实现目标。学习过程使系统能够进行概括，因为类似的概念会产生类似的模式。在了解了一辆汽车后，系统可以识别其他汽车的类似模式，甚至可以预测其他汽车的样子。此外，该系统可以防止完全损坏。单个单元的损坏不会导致系统的完全崩溃，而只会删除使用这些单元的一些模式。这被称为优雅降级，通常出现在脑损伤患者身上。这两个论点引出了第三个论点。PDP 的组织方式与人脑类似。并且基于此，人们开发了一些有效的计算机程序，这些程序能够预测人脑损伤的后果。

另一方面，连接主义方法也并非没有问题。以前学习的概念可能会被新概念叠加。此外，PDP 无法解释比学习概念更复杂的过程。它也无法解释快速学习现象，快速学习不需要大量的学习。假设快速学习发生在海马体中，概念学习和渐进学习发生在皮层中。

总之，PDP 方法可以很好地解释知识表示的一些特征，但对于一些复杂的过程却失效了。

心理表征

关于生物体（尤其是人类）如何将信息编码为知识，存在不同的理论。我们可能会想到对同一对象的各种心理表征。当阅读书面文字“汽车”时，我们称之为离散符号。它与所有可以想象的汽车相匹配，因此不局限于特定的车辆。它是一种抽象的或非模态的表征。如果我们看到一辆汽车的图片，情况就不一样了。它可能是一辆红色的跑车。现在我们谈论的是非离散符号，一种出现在我们内眼前并只适合外观足够相似的某些汽车的可想象图片。

命题方法

命题方法是模拟人脑中心理表征的一种可能方式。它使用彼此紧密关联的离散符号。使用离散符号需要对每个符号进行明确的定义，以及有关符号可能使用到的语法规则和上下文依赖性的信息。符号“汽车”只有对理解英语并且曾经见过汽车并且因此知道汽车是什么的人才容易理解。命题方法是解释心理表征的一种明确方式。

命题的定义在不同的研究领域中有所不同，并且仍在讨论中。一种可能性如下：“传统上，哲学将句子与其背后的思想（称为命题）区分开来。一个命题可以用几乎无限数量的句子表达。然而，命题不是原子的，它们可以分解成称为“概念”的原子概念。

此外，心理命题处理人类大脑中作为知识的信息存储、检索和互连。关于大脑是否真的使用命题工作，或者大脑以另一种方式，或者甚至多种方式处理信息来获取和存储知识，存在着广泛的讨论。

意象方法

意象方法是命题方法的一种可能的替代方案。由于这里知识的表示被理解为图像的存储，就像我们看到它们一样，它也被称为类比或感知方法。与命题方法相比，它使用非离散符号并且是模态特定的。它是一种关于心理表示的隐式方法。跑车的图像隐式地包含了任何类型的座椅。如果另外提到它们是米白色的，图像就会变成更具体的图像。两个非离散符号的组合方式不像离散符号那样预先确定。米白色座椅的图像可能在没有红色汽车的情况下存在，就像红色汽车在没有米白色座椅的情况下存在一样。意象方法和命题方法在第 8 章中也有讨论。

计算知识表示

计算知识表示关注如何用符号表示知识，以及如何以自动化方式操作知识。几乎所有上述理论都是与计算机科学共生而发展的。一方面，计算机科学以人脑为灵感来构建计算系统，另一方面，人工模型被用来进一步加深我们对知识表示生物学基础的理解。

知识表示与许多其他与信息处理相关的领域相关联，例如逻辑、语言学、推理以及这些领域的哲学方面。特别是，它是人工智能的关键主题之一，因为它处理**信息编码、存储和使用**用于认知的计算模型。

关于计算知识表示，需要解决三个主要问题：知识工程的过程、形式化和应用。

知识工程

开发基于知识的计算系统称为知识工程。此过程涉及评估问题、为知识库开发结构以及将实际知识实现到知识库中。知识工程师的主要任务是确定合适的概念词汇。

存在不同类型的知识，例如游戏规则、对象的属性和时间关系，并且每种类型都最好用其自身的特定词汇表达。能够描述对象及其关系的相关概念词汇被称为**本体论**。这些概念词汇非常正式，每个词汇能够表达特定知识领域的含义。它们用于查询和断言到知识库，并使知识共享成为可能。为了在一个框架中表示不同类型的知识，Jerry Hobbs (1985) 提出了**本体论 promiscuity** 原则。因此，将多个本体混合在一起以涵盖一系列不同的知识类型。

对一个表示关于一个由日常物品组成的世界并能够在这个世界中执行动作的系统的查询可能看起来像这样：“从桌子上拿走立方体！”。该查询可以按如下方式处理：首先，由于我们生活在一个时间世界中，因此需要以一种可以分解为连续步骤的方式处理该动作。其次，我们对我们系统规则做出一般性陈述，例如重力具有某种影响。最后，我们尝试执行必须完成的任务链以从桌子上拿走立方体。1) 用手伸向立方体，2) 抓起它，3) 举起拿着立方体的手，等等。逻辑推理是完成此任务的完美工具，因为逻辑系统还可以识别任务是否 вообще возможен.

上述过程中存在一个问题。它被称为**框架问题**。示例中的系统处理状态更改。发生的动作改变了环境。也就是说，立方体改变了位置。然而，该系统到目前为止没有对桌子做出任何命题。我们需要确保，在从桌子上拿起立方体之后，桌子不会改变其状态。它不应该消失或破裂。这种情况可能会发生，因为桌子不再需要了。系统表明立方体在手中，并且省略了关于桌子的任何信息。为了解决框架问题，必须声明一些特殊的公理或类似的东西。框架问题尚未完全解决。解决方法有很多种。有些方法将对象的空间和时间边界添加到系统/世界中 (Hayes 1985)。其他方法尝试更直接的建模。它们对状态描述进行转换。例如：在转换之前，立方体在桌子上，在转换之后，桌子仍然存在，但独立于立方体。

知识表示形式化

知识表示形式化的类型决定了信息如何存储。大多数知识表示应用程序是为特定目的而开发的，例如用于机器人导航的数字地图或用于可视化故事的事件的图形化说明。

每个知识表示形式化都需要严格的语法、语义和推理过程才能清晰可计算。大多数形式化具有以下属性，以便能够更清晰地表达信息：语义网络方法、概念层次结构（例如车辆->汽车->卡车）和属性继承（例如红色汽车有四个轮子，因为汽车有四个轮子）。有一些属性提供了将新信息添加到系统而不会创建任何不一致的可能性，以及创建“封闭世界”假设的可能性。例如，如果省略了我们在地球上存在重力的信息，那么对于我们的地球/世界而言，封闭世界假设必须是错误的。

知识表示形式化面临的一个问题是表达能力和演绎推理是相互排斥的。如果一个形式化具有很大的表达能力，它能够描述各种（不同）信息，但无法从（给定）数据中进行出色的推断。命题逻辑仅限于 Horn 子句。Horn 子句是最多只有一个正文字的文字的析取。它具有非常好的决策过程（推断），但不能表达泛化。逻辑编程语言 Prolog 中给出了一个示例。如果一个形式化具有很大的演绎复杂度，它能够进行出色的推断，即得出结论，但它所能描述的范围很差。一个例子是二阶逻辑。因此，形式化必须根据 KR 系统的应用进行调整。这是通过表达能力和演绎复杂度之间的折衷实现的。为了获得更大的演绎能力，牺牲了表达能力，反之亦然。

随着知识库领域的增长，已经开发出许多不同的标准。它们都有不同的句法限制。为了允许互译，已经创建了不同的“交换”形式化。一个例子是知识交换格式，它基本上是一阶集合论加上 LISP (Genesereth et al. 1992)。

知识表示的应用

计算知识表示大多不作为认知模型使用，而是为了使信息池能够访问，即作为数据库技术的扩展。在这些情况下，不需要一般规则和模型。随着存储介质的增长，人们能够创建简单地陈述所有特定事实的知识库。信息以句式知识的形式存储，即以类似于命题和程序代码的句子形式保存的知识。知识被视为有用信息的储备库，而不是作为支持认知活动模型的储备库。最近，可用内存大小的增加使得使用“计算密集型”表示变得可行，这些表示只是列出所有特定事实，而不是陈述一般规则。这些允许使用统计技术，如马尔可夫模拟，但似乎放弃了对心理可信度的任何主张。

人工智能

人工智能或添加到系统中的智能，可以在科学背景下排列，或者人工智能 (英语：Artificial Intelligence 或简称 AI) 被定义为科学实体的智能。这个系统通常被认为是一台计算机。智能被创建并整合到机器 (计算机) 中，以便能够像人类一样工作。使用人工智能的几个领域包括专家系统、电脑游戏 (游戏)、模糊逻辑、人工神经网络和机器人技术。许多事情对于人类智能来说似乎很困难，但对于信息学来说却相对简单。例如：转换方程、求解积分方程、下棋或西洋双陆棋。另一方面，对于人类来说似乎需要一点智力的东西，直到现在仍然难以在信息学中实现。例如：物体/人脸识别、踢足球。

虽然 AI 具有强烈的科幻色彩，但 AI 是计算机科学中一个非常重要的分支，处理机器的行为、学习和智能适应。AI 研究涉及制造机器来自动化需要智能行为的任务。示例包括控制、规划和调度、回答客户诊断和问题的能力，以及手写识别、语音和面部识别。这些事情已经成为独立的学科，专注于为现实生活中的问题提供解决方案。AI 系统现在经常用于经济学、医学、工程学和军事领域，并且已在几个家用电脑和视频游戏软件应用程序中构建。这种“人工智能”不仅想要理解什么是智能系统，而且还构建它。对“智能”没有令人满意的定义：1. 智能：获取知识并使用它的能力 2. 或者智能是通过“智力测试”衡量的。

广义而言，AI 分为两类：传统 AI 和计算智能 (CI，Computational Intelligence)。传统 AI 主要涉及现在归类为机器学习的方法，这些方法的特点是形式主义和统计分析。也被称为符号 AI、逻辑 AI、纯 AI 和 GOFAI，Good Old Fashioned Artificial Intelligence。这些方法包括：1. 专家系统：应用考虑的能力来得出结论。专家系统可以处理大量已知信息，并根据这些信息提供结论。 2. 基于案例的考虑 3. 贝叶斯网络 4. 行为驱动型 AI：一种用于手动建立 AI 系统的模块化方法计算智能涉及迭代开发或学习（例如，调整连接主义系统中的参数。这种学习基于经验数据，并与非符号 AI、不规则 AI 和软计算相关联。主要方法包括：1. 神经网络：具有非常强大的模式识别能力的系统 2. 模糊系统：在不确定性下进行考虑的技术，已被广泛用于现代工业和消费产品控制系统。 3. 进化计算：应用受生物启发的概念，如种群、突变和“适者生存”来产生更好的问题解决方法。这些方法主要分为进化算法（例如遗传算法）和群体智能（例如蚁群算法）使用混合智能系统，进行了将这两组结合起来的实验。专家推理规则可以通过神经网络生成，或者通过统计学习生成产生式规则，如 ACT-R。一种很有前景的新方法指出，增强智能试图在进化发展过程中实现人工智能，作为通过技术增强人类智能的副产品。

人工智能的历史在 17 世纪初，勒内·笛卡尔认为动物的身体不过是复杂的机器。布莱兹·帕斯卡尔于 1642 年发明了第一台机械数字计算器。19 岁时，查尔斯·巴贝奇和艾达·洛夫莱斯致力于可编程机械计算器。伯特兰·罗素和阿尔弗雷德·诺斯·怀特黑德出版了《数学原理》，彻底改变了形式逻辑。沃伦·麦卡洛克和沃尔特·皮茨于 1943 年发表了“活动中存在的思想的逻辑演算”，为神经网络奠定了基础。20 世纪 50 年代是 AI 积极努力的时期。第一个工作的 AI 程序是在 1951 年编写的，用于运行曼彻斯特大学 (英国) 的 Ferranti Mark I 引擎：克里斯托弗·斯特拉奇编写的脚本播放程序和迪特里希·普林茨编写的象棋程序。约翰·麦卡锡在 1956 年为这个问题举办的第一次会议上创造了“人工智能”一词。他还发现了 Lisp 编程语言。艾伦·图灵提出了“图灵测试”作为衡量智能行为测试的一种方法。约瑟夫·魏岑鲍姆构建了 ELIZA，一个应用罗杰斯心理治疗的聊天机器人。在 20 世纪 60 年代和 70 年代，乔尔·摩西斯证明了符号考虑在 Macsyma 程序中集成问题的强大功能，Macsyma 程序是一个基于知识的程序，最初在数学领域取得了成功。马文·明斯基和西摩尔·帕珀特出版了《感知器》，展示了简单神经网络的边界，艾伦·科尔默奥开发了 Prolog 计算机语言。泰德·肖特利夫展示了基于规则的系统在诊断和医疗治疗中表示知识和推理的强大功能，这有时被称为第一个专家系统。汉斯·莫拉维克开发了第一个计算机控制的车辆，可以独立处理杂乱无章的、星形的道路。在 20 世纪 80 年代，神经网络与反向传播算法一起得到广泛使用，该算法最早由保罗·约翰·韦尔博斯在 1974 年解释。1982 年，物理学家如霍普菲尔德使用统计技术来分析存储特性和网络优化神经。心理学家大卫·鲁梅尔哈特和杰弗里·欣顿继续他们对神经网络模型的记忆研究。1985 年，至少有四个研究小组重新发现了反向传播学习算法。该算法已成功应用于计算机科学和心理学。20 世纪 90 年代，AI 的各个领域取得了巨大的进步，并展示了各种应用。更具体地说，深蓝，一款象棋电脑游戏，在 1997 年的一场著名的 6 局比赛中击败了加里·卡斯帕罗夫。DARPA 声称，通过将 AI 方法应用于海湾战争中调度部队所节省的成本，已经取代了自 1950 年以来美国政府对 AI 研究的所有投资。DARPA 于 2004 年开始的巨大挑战，至今仍在继续，这是一场价值 200 万美元的竞赛，参赛车辆依靠 GPS、计算机和先进传感器，在几百英里的具有挑战性的沙漠地区，在没有与人类通信的情况下自行驾驶。

半球分布

在处理了大脑如何存储知识之后，我们现在转向大脑是否专门化以及，如果专门化，哪些功能位于哪里以及哪些知识存在于哪个半球的问题。这些问题可以归纳为“半球专门化”或“加工的侧向化”主题，该主题研究人类大脑两个半球之间加工的差异。

半球之间的差异可以追溯到 350 万年前。这方面的证据是南方古猿的化石（这是智人的古代祖先）。由于差异存在了这么久，并且在选择压力下得以生存，它们一定对我们的认知过程有用。

解剖学和化学差异

虽然乍一看，两个半球看起来相同，但它们在各个方面都有所不同。

关于解剖学，有些区域更大，并且组织在一个半球中包含比另一个半球更多的树突棘。一个例子是以前被称为左半球的“布罗卡区”。这个区域——除其他外——对于语言产生很重要，在左半球的树突分支比在相应的右半球区域更多。由于左半球对语言的重要性，我们将在后面讨论，我们可以得出结论，解剖学差异对功能的侧向化有影响。

神经化学是半球不同的另一个领域：左半球以神经递质多巴胺为主导，而右半球则显示出更高的去甲肾上腺素浓度。理论表明，专门负责认知过程的模块根据所需的神经递质分布在大脑中。因此，依赖多巴胺的认知功能将位于左半球。

胼胝体

两个半球通过胼胝体相互连接，胼胝体是主要的皮质连接。它拥有2.5亿条神经纤维，就像一条连接两个半球的神经数据高速公路。事实上，两个半球之间还有较小的连接，但与胼胝体相比，这些连接只是小路。所有详细的高阶信息在从一个半球转移到另一个半球时都必须通过胼胝体。转移时间可以用ERP测量，在5到20毫秒之间。

历史方法

自19世纪60年代，保罗·布罗卡和卡尔·维尼克发现左半球对语言的重要性以来，人们一直对半球特化感兴趣。布罗卡检查了一些无法产生言语但语言理解能力没有受到损害的病人，而维尼克检查了一些症状相反的病人（即能够产生言语但无法理解任何内容）。布罗卡和维尼克都发现，这些病人的大脑左半球的特定区域出现了损伤。

由于当时人们认为语言是所有认知过程中最优越的，因此左半球被认为优于右半球，这体现在J.H.杰克逊提出的“大脑优势理论”中。右半球被视为“备胎”，，“几乎没有自己的功能”（Banich，S.94）。这种观点直到20世纪30年代才受到挑战。在这一十年以及随后的几十年里，研究戏剧性地改变了这种看法。斯佩里对展示右半球的作用至关重要，他在1974年进行了几项实验，并因此在1981年获得了诺贝尔生理学或医学奖。

裂脑病人实验

斯佩里的实验是在一些患有“裂脑综合征”的人身上进行的，因为他们接受了胼胝体切断术。在胼胝体切断术中，胼胝体被切断，因此这些患者两个半球之间的交流被切断。通过他的开创性实验，斯佩里想弄清楚左半球在言语处理中是否真的像布罗卡和维尼克所建议的那样发挥着重要的作用。

斯佩里在他的研究中使用了不同的实验设计，但所有这类实验背后的基本假设是，在身体一侧接收的感知信息会在大脑的相反半球进行处理。在一个实验中，受试者必须通过仅用一只手触摸物体来识别物体，同时被蒙住眼睛。然后他要求病人说出他们摸到的物体，发现他们在用左手触摸物体时（与右半球相连）无法说出物体名称。由此产生的问题是，这种无力感是由于右半球可能的功能是“备胎”，还是由于其他原因。斯佩里现在改变了他的实验设计，让患者用正确的方式使用物体来证明他们认出了物体。例如，如果他们认出了铅笔，他们会用它来写字。在改变了设计之后，两手之间的表现没有发现差异。

在斯佩里等人进行的另一个实验中，患者在视野中看到单词sky，在另一个视野中看到scraper。现在他们必须用一只手画出他们看到的整个单词。患者无法将这两个单词合成skyscraper，而是画了一个被云覆盖的刮板。因此，可以得出结论，每个半球控制着绘画时的手，画出它所看到的东西。

对其他脑损伤患者的实验

为了获得更多关于半球特化的知识，还进行了一些其他实验。这些实验是在即将接受手术的癫痫患者身上进行的，手术将切除他们其中一个半球的部分。在手术开始之前，重要的是要找出哪个半球负责该个体的言语。这可以通过Wada技术来完成，在该技术中，将巴比妥酸盐注射到供应大脑血液的动脉之一中。在注射后不久，身体的相反一侧就会瘫痪。如果这个人现在仍然能够说话，那么被麻醉的大脑半球就不负责该个体的言语产生。通过这种技术的结果可以估计，95%的成年右撇子使用他们的左半球来进行言语。

对患有脑损伤甚至接受了胼胝体切断术的人的研究有一些主要缺点：他们必须接受这种手术的原因通常是癫痫发作。因此，他们的脑可能不典型，或者在手术过程中其他区域可能受到了损伤。此外，这些研究是在数量非常有限的受试者身上进行的，因此统计可靠性可能不高。

对神经完整个体的实验

除了对脑切断患者的实验外，还对神经完整的个体进行了研究，以测量感知不对称性。这些研究通常使用三种方法之一进行：即“分割视野技术”、“双触觉呈现”和“双耳听觉呈现”。它们都以感知信息在一侧接收并在相反半球处理这一事实为基本假设。

分割视野技术基于视觉视野可以被分成右视野（RVF）和左视野（LVF）这一事实。每个视野在相反的半球中独立处理。分割视野技术包括两种不同的实验设计：实验者可以在一个视野中呈现一张图片，然后让受试者对这个刺激做出反应。另一种可能性是在每个视野中显示两张不同的图片。

使用视野技术可能出现的一个问题是，刺激的呈现时间必须小于200毫秒，因为这是眼睛在没有视觉视野转移的情况下看一个点的持续时间。

在双触觉呈现技术中，受试者在同时用两只手呈现两个物体。（参见斯佩里的实验）

双耳听觉呈现技术使研究人员能够研究听觉信息的处理过程。在这里，不同的信息同时呈现给两只耳朵。这些技术的实验发现，当感觉刺激最初传递到该任务的专门半球时，它的处理速度快了20到100毫秒，而且反应准确率提高了10%。

对此的解释包括三种假设，即直接通路理论、胼胝体传递模型和激活-定向模型。直接通路理论假设信息在最初被传递到的那个半球中被处理。如果最初的半球是非专门化的半球，这可能会导致响应不太准确。胼胝体传递模型指出，如果信息最初传递到错误的半球，它会通过胼胝体传递到专门化的半球。这种传递很耗时，是信息在传递过程中丢失的原因。激活-定向模型假设给定的输入会激活专门化的半球。这种激活然后将额外的注意力放在被激活的半球的相反一侧，从而“使该侧的感知信息更加显着”。（Banich）

常见结果

上面提到的所有实验都有一些共同的基本发现：左半球在言语任务方面更胜一筹，例如言语处理、言语产生和字母识别，而右半球在非言语任务方面更胜一筹，例如面部识别或涉及空间技能的任务，例如线条方向或区分不同的音调。这是反对大脑优势理论的证据，该理论认为右半球是备胎！事实上，两个半球都是独特的，在不同的任务中都表现出色，任何一个都不能被省略，否则会对认知表现产生重大影响。

尽管两个半球如此独特，并且在各自分配的任务中都是专家，但它们在执行另一个半球专门化的任务方面也有局限性。上图概述了哪个半球产生了什么能力。

处理方面的差异

关于半球特化的主题，有两组理论。一组理论是通过询问“每个半球专门针对什么任务？”来探讨该主题。属于这组的理论将不同的处理感觉信息的能力水平分配给不同的高级认知技能的能力水平。属于这组的一个理论是“空间频率假说”。该假说指出，左半球对视觉图像中的精细细节分析和高空间频率很重要，而右半球对低空间频率很重要。我们在上面已经讨论过这种方法。

另一种方法并不关注每个半球处理的信息类型，而是关注每个半球如何处理信息。这组理论假设左半球以分析、细节和功能为中心的方式处理信息，并且它更重视信息之间的时序关系，而右半球被认为以整体的方式处理信息，专注于空间关系和外观而不是功能。

上图显示了对患有右半球或左半球损伤的患者进行全局和局部处理实验中对不同目标刺激的典型反应。右半球损伤的患者往往会出现对全局形式缺乏关注，但可以毫无问题地识别细节。对于左半球损伤的患者来说，情况恰好相反。这个实验支持了半球在信息处理方式上存在差异的假设。

半球的互动

如果半球在功能、解剖结构、化学成分方面如此不同，并且传递会导致信息质量下降并需要时间，那么为什么还需要在半球之间进行传递呢？原因是，尽管半球如此不同，但它们确实会相互作用。这种相互作用具有重要的优势，因为正如 Banich 和 Belger 的研究表明的那样，它可以“在高需求条件下提高整体处理能力”（Banich）。（在低需求条件下，传递意义不大，因为将信息传递到另一个半球的成本高于并行处理的优势。）

两个半球可以通过胼胝体以不同的方式相互作用。这是通过首先计算每个半球的单独性能，然后测量整个大脑的整体性能来测量的。在某些任务中，一个半球可能在整体性能中占据主导地位，因此整体性能与其中一个单独半球的性能一样好或一样差。令人惊讶的是，主导半球很可能是那个专业程度较低的半球，因此这里又是一个例子，说明并行处理不如大脑的一半进行处理有效。

半球相互作用的另一种方式是，整体处理是两个单独半球的性能平均值。

第三种也是最令人惊讶的半球相互作用方式是，当两个半球共同执行任务时，它们的表现与单独执行相同任务时完全不同。这可以与人们的社会行为进行比较：个人在群体中表现不同于独自一人时的表现。

影响侧化的个体因素

在从一般角度考察了半球特化之后，我们现在想要关注个体之间在半球特化方面的差异。可能对侧化有影响的方面可能包括年龄、性别或手性。

年龄可能是决定在特定任务中每个半球使用程度的一个因素。研究人员认为，侧化随着年龄的增长而发展，直到青春期。因此，婴儿不应该具有功能性侧化的脑部。以下有四条证据反驳了这一假设

婴儿已经表现出与成人相同的脑部解剖结构。这意味着新生儿的脑部已经侧化。遵循解剖结构与功能相关的假设，这意味着侧化不是在生命中的后期发展起来的。

在 5 到 13 岁的儿童中，无法观察到感知不对称的差异，这意味着在不同半球处理言语和非言语材料的优势性能，即 5 岁的儿童处理材料的方式与 13 岁的儿童相同。

对一周大的婴儿进行的实验表明，当言语材料呈现给右耳时，他们会表现出更强的兴趣，而当呈现给左耳时，他们会表现出更强的兴趣；当非言语材料呈现给左耳时，他们会表现出更强的兴趣。婴儿的兴趣是通过安抚奶嘴吸吮频率来测量的。

尽管接受了半球切除术（切除一个半球的手术）的儿童会发展出缺失半球的认知技能（与成年人或青少年不同，成年人或青少年只能部分弥补缺失的脑部部分），但他们发展这些技能的程度不如接受了另一半球切除术的儿童。例如：一个右半球被切除的儿童会发展空间技能，但不会像一个左半球被切除的儿童那样发展空间技能，因此仍然拥有右半球。

手性是可能影响脑部侧化的另一个因素。有统计证据表明，左撇子的脑部组织与右撇子不同。10% 的人口是左撇子。虽然 95% 的右撇子在左半球以更优越的方式处理言语材料，但左撇子在言语优势方面没有如此高的比例：70% 的左撇子在左半球处理言语材料，15% 在右半球处理言语材料（半球的功能只是颠倒了），而剩下的 15% 没有侧化，这意味着他们在两个半球中处理语言。因此，作为一个群体，左撇子似乎侧化程度较低。但是，一个左撇子个体可能与普通右撇子一样侧化。

性别也是一个被认为对半球特化有影响的方面。在动物研究中，发现激素会造成性别之间与生殖功能相关的脑部差异。在人类中，很难确定是激素真正导致差异的程度，以及文化和教育起作用的程度。

观察到性别之间存在差异的一个脑区是胼胝体。虽然一项研究发现女性的胼胝体比男性更大，但这些结果无法重复。相反，发现女性的胼胝体后部比男性更圆。然而，这可能与女性平均脑部比男性小有关，因此胼胝体后部的圆度可能与脑部大小有关，而不是性别。

在测量性别之间在各种任务中的表现的实验中，文化方面非常重要，因为由于教育，男性和女性可能会使用不同的解决问题策略。

总结

尽管两个半球乍一看像是彼此的镜像，但这种印象是错误的。仔细观察，半球不仅在构型和化学成分方面不同，更重要的是在功能方面不同。虽然两个半球都能执行所有基本的认知任务，但对于特定的认知需求存在专门化。在大多数人中，左半球擅长言语任务，而右半球在非言语任务方面具有更强的能力。尽管功能上存在差异，但半球通过胼胝体相互交流。

这一事实被 Sperry 对裂脑病人的实验所利用。这些实验在其他测量感知不对称的实验中脱颖而出，因为它们是第一个反驳半球优势理论的实验，并因其在医学和生理学方面的贡献而获得了诺贝尔奖。

诸如年龄、性别或手性等个体因素对半球功能没有或几乎没有影响。