人与计算机的区别

声明：资料搜集整理自互联网

人脑与电脑

现代电子计算机虽有“电脑”之称，但其处理方式却与人脑有着本质的不同。虽然它在运算速度和计算精度上都大大超过了人脑的平均水平，但是在图像识别，自然语言理解，自适应控制，学习、推理、决策等智能方面，最先进的超级计算机也无法与人的智能相比。由于事物的复杂性、随机性和不完整性，使得智能软件很难编制；即使编写出来，由于计算量过大，也难以在需要的时间内完成。目前，最先进的电子计算机与人脑相比较，在逻辑判断、识别事物和推理的能力方面还差得很远，其中一个重要因素就是电脑的工作速度太低。

　　以下摘自百度贴吧：　　人脑的数据：人脑一共有大约14亿神经原，其中只有一部分是发展完全的，其他的处于休眠状态或者很少使用的状态。发展完全的神经原，平均大约每个神经原有1万-2万个突触。每一个神经原，从接受到信号，到被激发而发出信号，所需要的反应时间少于0.1秒。 如果用电脑来模拟神经原的作用机理，数据是：每一个神经原，假设具有1万个突触，处理一个突触变化，假设需要50个CPU周期。那么，5G/秒的CPU处理速度，每秒只能处理5000000000/(50*10000)=10000个神经原。 再回到人脑：假设人脑所有的神经原中，2%的神经原是完全发展的，就是说2800万个；而完全发展的神经原中间，每秒活动的神经原为10%，就是说280万个，而这280万个神经原，每秒可以反应10次，那么，如果用电脑来运算，并且速度同步，需要电脑的速度为：2800000*10/10000*5G=14000G/秒的处理速度。 虽然已经很保守的估算，数据还是比较巨大啊。

人眼与摄像头

人眼的分辨率

当空间平面上两个黑点相互靠拢到一定程度时，离开黑点一定距离的观察者就无法区分它们，这意味 着人眼分辨景物细节的能力是有限的，这个极限值就是分辨率。

研究表明人眼的分辨率有如下一些特点：

①当照度太强、太弱时或当背景亮度太强时，人眼分辨率降低。

②当视觉目标运动速度加快时，人眼分辨率降低。

③人眼对彩色细节的分辨率比对亮度细节的分辨率要差，如果黑白分辨率为1，则黑红为0.4，绿蓝为0.19。

目前科学界公认的数据表明，观看物体时，人能清晰看清视场区域对应的分辨率为2169 X 1213。

再算上上下左右比较模糊的区域，人眼分辨率是6000 X 4000。

那么，2169 X 1213是怎么计算出来的呢？

人观看物体时，能清晰看清视场区域对应的双眼[ 视 角 ]大约是35°（横向）X 20°（纵向）。同时人眼在中等亮度，中等对比度的[ 分 辨 力 （d）]为0.2mm，对应的[ 最 佳 距 离 (L)]为0.688m。

其中d与L满足tg(θ/2)=d/2L，θ为[ 分 辨 角 ]，一般取值为1.5'，是一个很小的角。

将视场近似地模拟为地面为长方形的正锥体，其中锥体的高为h = L = 0.688m，θ1=35°（水平视角）， θ2=20°（垂直视角）。以0.0002m为一个点，可以得知底面长方形为2169 X 1213的分辨率。

索尼7680×4320超高清晰分辨率的未经压缩的18分钟未经压缩的超高清视频大小为3.5TB，平均每分钟194GB

按照这个数据量偶算过，每分钟经过人眼的数据量约为140.34GB。也就是说，平均打一个小时的XBOX360，将有8420.4GB的数据被传导到大脑。这些数据如果刻成蓝光光碟，需要337张！

人眼的带宽

而如果把人眼想象成一个高清摄像头，这个摄像头的总线带宽为2.339GB/秒，换算为更形象的网卡速率，应该为19161M网卡。当然，这只是人脑在同一时刻处理的视频数据所占用的带宽，还不包括音频，温度，气味数据。而人脑几乎可以同步处理这些数据，所以人脑的带宽之大是远远超乎人的想象的！

其实真正牛的是人脑，每秒处理数据是PB级别的！目前世界上最强的磁盘阵列，也刚刚突破PB大关不久而已。

人眼是很不可思议的精密系统，自动对焦，曝光自动补偿，单反，自动运动模糊处理，还包括免费赠送的夜视功能。。。。。

最神奇的是，实现这些功能，不需要升级IOS和安装任何驱动，不需要耗电！出生时的婴儿的眼睛就具有人眼所有功能了。

大家平时还是珍惜珍惜这么高档的设备吧，特别是过年，看片不要太晚，打游戏不要穷凶极恶，上班看电脑多用眼药水，呵呵。

人眼的焦距

根据R. N. Clark的陈述，人眼的分辨率大约是0.3 arc-minute（这种情况下一般都是弧度单位）。而根据Michael F. Deering在The Limits ofHumanVision中的描述，人眼的成象分辨率中心和边缘是不同的，中心位置可能小于1度，越往外围越低，最外围似乎只有12度。这点和数码相机基本上图象分辨率中心和边缘比较平均不同。

还需要注意一点的是，人眼所看到的东西是动态的，而数码相机看到的是静态的。区别在于，相机是一次成象，而人眼则是眼睛和大脑的组合，眼睛持续不断把图象信息传递给大脑，并且眼睛在不挺的转动，让高分辨率的感应区域扫过对象的各个细节。大脑把所获得的信息进行动态累加，就得到了我们所感觉到的图象了。因此，虽然高分辨率的成象区域比较小，但是我们依然可以感觉到比一次成象要清晰很多，并且视野大很多的图象。所以，下面说到的信息是基于累加的结果，而不时一次成象的结果。

Clark计算，如果视野是90x90度的话，那么计算的结果，相当于324百万象素。如果按照近180度的视角的话，那么是576百万象素。注意这是大脑和眼睛动态累加的结果。

关于人眼的ISO。Clark通过用Canon 10D与人眼对比进行实验，他估计完全适应黑暗环境下的人眼的ISO可能有800。

关于焦距。Chapman andHall, Ltd, London, 1968, page 49 关于标准欧洲成年人的数据是：

Object focal length of the eye = 16.7 mm

Image focal length of the eye = 22.3 mm

所以，应该是22mm左右。

人脑的容量

目前的生物化学对於人脑的记忆储存机制还不是很清楚啦，不过要谈到人脑的记忆

机制，首先就得看一下人脑是如何处理讯息的。

人脑处理讯息的模式理论上可以算是数位（digit）的形式，因为神经冲动 （Nerve impulse） 是一种全有全无 （All or none：这在前几封信的学长有提到过） 的方式，也就是神经电位有所谓的阈值，这刚好符合数位处理的 0 与 1，在某个神经电位之下的电位被解释成 0 （or 1），而其上的值则被解释成 1 （or 0）。

既然神经冲动是属於数位方式，但是，人的脑部是否就和电脑一样呢? 答案很明显，当然不是。现在让我们将角度放在人脑和电脑的单位层次，来比较看看神经元 （Neuron） 和电晶体 （transistor） 的差异。

一般来说，transistor 有所谓的输入 （Input） 和输出（Output）端 （end），如果我记得没错的话（毕竟不是电机科系的，说错还希望前辈指正），在各个logic 下的 transistor 其大多只有两个 Input end，一个Output end，和其它 transistor 以极为有序的平面网路 （2-D network）结构相连在一起，构成 AND，OR，XOR....等逻辑运算和 ADD，SHIFT.... 等算数运算，而构成这些单元后，这些单元的功能就此限制住了，没办法再修改，亦及 ADD 就是ADD，不能变成 AND....。

可是 neuron 呢? 以一般最常见的 neuron 来考虑，有所谓的树突（dendrite）和轴突 （axon） 分别处理 Input 和 Output 的讯号。和transistor 相似的，neuron 的 axon 通常只有一个，可是 dendrite 呢? 平均在十万以上，再加上 neuron 和 neuron 之间是属於乱序的立体网路 （3-D network），这使得 neuron虽然也是处理 0 与 1，可是一群 neuron 结合起来，却没有特定的功能了。

就以下面来比喻吧： 当某一区域具有 A，B，C，D，E，F 六个 neuron，假设当它们以A-B-C-D-E-F 来当 information pathway 时，所具有的功能为 ADD，可是在复杂的 3-D network 构成下，它可能还有另外的 information pathway，但不论information pathway 为那条，A-C-B-D-E-F 虽然只有BC 对调，但同样包含这相同 6 个 neuron 的 pathway 所具有处理能力就和原先不一样了，也就是说，XOR，AND，SHIFT....都有可能....

Neuron 这样的功能表示什么呢? 表示人的脑部能够在有限的 neuron 中，"重叠而平行地" 处理许多事件。我们可能在马路上开车，突然之间一个小孩跑出来，经过眼睛收到讯息后，我们紧急踩下煞车，握紧方向盘，肾上腺素大量分泌，交感神经兴奋....。等等显在和隐藏的处理程序发生了。请允许我这样比喻，在现在的 MPP 超级电脑中，我们是用大量的 CPU 来达成平行处理，可是人脑却十分精巧地利用 neuron-neuron 间的突起连结成一个叹为观止的单一CPU 却具有多 CPU的能力，或许我们更可以这样猜测，人脑是同时具有处理和储存能力的 "CPU"，就拿一些数据来比较吧，人脑中的 neuron 约有一百四十亿个，而目前人类在处理器实作中就属 Alpha 有将近一千万个 transistor 最多。

事实上很明显，人脑大约是 Alpha 的 1400 倍，加上能 "虚拟" 的处理数....。你能想像人脑所具有的潜能吗?不过这也只是将人脑比做电脑才有这样子的比较，事实上的情形，人脑和电脑属於两种不同领域的东西，虽然就某种方面来说具有相关性（皆是某种形式的stimulus &response），但很难将两者视为平起平坐的 "处理器"....

以上是电脑和人脑的某种数字游戏，接下来的 Post 将讨论到一些人类记忆原

理的假说了....。

还记得在六十年代和七十年代的几项老鼠实验吧? 那时候的环境正是核酸（nucleic acid） 和蛋白质（protein）的时代，许许多多的生化机制都被NA和 protein 所阐明。其中有一群科学家利用老鼠做了一个实验，他们原本训练一只老鼠 （A），等 A 训练完后，他们将 A 的脑萃取出蛋白质，然后送入另一只老鼠 （B） 的体内，结果他们很惊讶的发现 B 不用经过训练便可以具有 A 的行为模式。 於是，他们便怀疑，脑中的储存物质很可能是 protein。

如果我们脑中的储存物质是 protein 的话，那么我们就大约可以算出人类脑中最大可以储存的极限容量了。一般来说，人类脑的重量约二到三公斤，而身体中约有 66% 是由水组成，那么我们可以这样假设了：

假设某人的脑重量为 3 公斤，而我们可以完全排出脑中的水和不需要生化机制的 NA 和 protein，所以我们可以得到最大 memory protein 为两公斤，而每一个 Amino Acid 的平均分子量为 120，於是我们所能具有的全部 a.a.数为：

2000 / 120 = 16。67 mole ，即 16。67 x 6 * 10^23 个

也就是所有用来储存的 a.a. sequence 有 10^25 个，然而每个sequencelocation 可以由 20 种a.a. 所构成，这和电脑所定义的 byte 数不一样，因为电脑中是以 8 bit 为 1 byte，而 1 bit 为 1 和 0 的组合。我们不知道生物储用的 "byte" 为几 "bit"，我们只知道可能的 "bit" 有 20 种变化.... 。

於是，我们不管 protein 以何形式来储存 real world 的 Data。也不管脑中 receptor or binding protein 如何解译 memory protein sequence。好吧，如果我们这么想知道人类的极限能力的话，我们假设我们一样是8 "bit"（bio-bit） 组成一个 bio-byte，只是这个 bit 很奇怪，有 20 种变化。因此在生物中对於 real world 的 information 种类就有 20^8 定义，大约 256 * 10 ^ 8，比电脑 ASCII 的 256 种变化多多了，看起来似乎能够代表 real world 的所有资讯，那我们就这样假定了。

因此，我们能够记忆的最大容量是 10^25 bio-byte，换算成硬碟的容量是：

total bytes = 10^25 / 8 = 1。25 * 10^24 （近似於 10^24）

10^24 / 10^（6+3） = 10^15 bio-GB，以全球一年 HDD 一亿台出货量来说，大约要 10^15 / （10*10^8） = 10 ^ 6 （ 假设每台 10GB ），相当於要一百万年才能生产出一个人脑中储存总容量的 "总硬碟" 数目....况且最牛的是，人脑的存储空间可以作为内存和缓存使用！这些都是由人脑进行管理的。

如果这个理论正确的话，那么就算一个细胞中只有 1% 的 protein 用来memory 外，还是得上万年才生产的出来....

近年来在生物化学的领域中，基因研究一直是个相当热门的话题，也是目前生物科技探索次细胞世界的主要方法。依据六七十年代的老鼠研究，我们大概可以

了解人的记忆这件事情和 protein 脱不了关系，可是问 题就出现在这儿，"记忆和 protein 脱不了关系" 在逻辑上并不是 "记忆物质就是protein" 的同义词，那么如果真有记忆物质的话，它到底是什么? 机制为何?

犹记得二十世纪前叶的时候，生命科学界（事实上当初不是这样命名），对於遗传物质 （gene material）到底是那种物质而争论不已，而顶顶大名的protein 则是那个时候最有希望的候选人之一，因为一个生命所能具有的性状太多了，除了 protein 和不久前被分离出来的 nucleic acid之外，几乎没有一种物质能有那么多的 "变异" （"同系物"）。结果，后来一个噬菌体 （phage） 实验毁灭了 protein 成为 gene material 的梦想，nucleic acid 登上gene material 的王座。人类第一次发现自己对於生命所作的猜测是如此愚蠢，更首次见证到生命的有序，简单，却不可思议的复杂....。

而这一次，protein 准备卷土重来了....

科学研究的定义其实很简单，就是基於事实的猜测。以前人类并不清楚脑中所发生种种的现象，因此只能就日常生活上的经验来假设，当然日常生活中我们最常用的 "辅助记忆体" 是纸，於是在人类的心灵中便普遍有一种想法，"人类的脑中一定有什么东西和纸这种概念相似的"。的确，这是一种正确的科学猜测，也符合实验精神，只可惜更正确，更符合科就必需依循已知的条件作修改。要怪就只能怪脑的机制太复杂了，复杂到和人类行为南辕北辙，复杂到几乎没有已知的现象来提供假设辅助....

接下来的东西就已经完全进入到生物化学的高等领域。正如前面所言，memory material 并不存在，也许你会有这种想法与疑问： "那么是何种机制构成我们的记忆呢? " 这真是一个好问题，同时提供了问题与解答。 咦? 问题还可以理解，什么时候出现解答了?

没错，有解答，正是 "机制" 两个字。人类的记忆并不是像电脑一样拿一群"东西" 来记录事情，而是一种可变的生化机制来牵动一连串的反应，不论是思考，记忆，创造，情绪....。请注意，脑中的讯息传递 （signal transduction），和电脑不同的是，它不仅用电流来传地，更有化学物质来参预，这不仅让neuron 赢过只单纯利用化学物质的体细胞，更让它自己都不了解它自己....

好了，其实就目前的实验所知，现在人类脑中的储存机制依然未知，不过仅就绝对已知，也绝对相关的部份来看，我们可以得到下列数点：脑部神经讯息传递的方式和 "它" 自己想出来的方式 - 电路与电晶体很类似，不一样的部份前面已提出过，也就是 neuron 和 transistor I/O end 不同，和构成"计算机" 的结构不同。Axon end 能分泌神经传导物质 （neurotransmitter），不同的neurotransmitter会越过突触 （synaps） 和另一个 neuron 细胞膜上相应的受器结合，引发不同的 nerve impulse，激起不同的 information pathway脑部并不是全部就只有一团 neuron 专门来处理所有的讯息，而是分成很多部份，各司其职，（superscalar?），而一般咸信，下视丘和小脑附近的海马能够对於短期记忆有迅速的处理能力 （working memory：RAM?cache?），而长期记忆普遍认为是因为 neuron cell membrane 上 receptor 数目，种类（stimulus，repress），性质（dephosphated，phosphated），neurotransmitter（Acetylcholin，norepinephrine，ca++...etc） 不同，而使得 informationprocessing 不同。 （rewriteable hardwired?）人类对於真实世界的认知有所谓的关联性，这些在感觉器官便已经整理好后，以相同性质的 nerve impulse 送往脑部处理 （ASymmetry Multiple Processor? AndMultiMedia data processing capability?）Neuron 的 cell body 里面，还有一群可怕的 biochemistry mechanism在等著，里面个个细胞都有一附天生便 hardwired 的 program 等著stimulus material 进入而启动 （micro-code?），如果你愿意接受的话，一百四十亿个 neuron 全部都是一个 CPU，而脑全体便是一个Ultra-Supercomputer....当脑部某一部分受损时，能够藉由再训练，使另一部份的脑系转而负责职司其功能（fault-tolerance?），当然，这是仅限在能再训练的部份，如果像延脑那种生命中枢的话，挂了就挂了，不可能训练小脑取代延脑的。

人脑的CPU频率

人脑的运算速度有 320GHZ

即使有320GHz

平均CPI也保证大淂惊人。

所以execution time很长

但多学习的话平均CPI有可能会因低CPI的新指令加入而拉低平均CPI

做不习惯的动作就如同好几道指令完成一个工作，变成习惯了就变成一道指令完成一项工作

更熟练的话带著specific-processor 的 device controler就会自己长出来了

至於人脑的定址

或许比较类似多层分页表的方式

一层一层地联想查询下去......

或许人脑是single processor，因此一个时间只能让一个process在processor中执行不过人脑倒常常在multiprogramming，同时执行多个program（所以可以一下想这事，一下想那事）

排程优先权可以随意调且使用preemption的排程方式，而且context switch的负担非常低

但PCB中的资料却常在context switch的过程中遗失.......

（尤其是常常被骂心不在焉的人）

至於starvation的问题有时相当严重

尤其是和念书或工作有关的这些process

（在某些使用batch架购的人脑系统，这些process甚至很难得到long-term

scheduler的青睐而一直待在pool，连ready queue都进不了）

而常发呆脑袋空空的人

一定是使用会busy waiting的Semaphore版本解决synchronization问题

其实讨论人脑的作业系统比讨论人脑的硬体架构来得有趣得多了