認知心理學和認知神經科學/知識表示與半球特化

大多數人類認知能力依賴於或與我們所說的知識相互作用。人們如何駕馭世界？他們如何解決問題，如何理解周圍環境，以及人們在什麼基礎上做出決定並推斷？對於所有這些問題，知識，對世界的精神表徵都是答案的一部分。

什麼是知識？根據 Merriam-Websters 線上詞典，知識是“一個人資訊和理解的範圍”以及“透過推理理解真理或事實的情況或條件”。因此，知識是資訊的結構化集合，可以透過學習、感知或推理獲得。

本章將探討人類大腦和計算模型中代表世界知識的結構。首先，介紹了概念和範疇作為儲存和分類資訊的模型，然後是語義網路的概念，以及與這些概念密切相關的嘗試解釋人類儲存和處理資訊的方式。除了生物學方面，我們還將討論人工智慧系統中的知識表示，這些系統可以作為儲存和訪問知識以及進行快速推斷的有用工具。

在考察了知識如何在人類大腦和人工智慧系統中儲存和獲取之後，我們將更深入地研究人類大腦在半球特化方面的特點。這個主題不僅與知識表示相關，因為左右半球在儲存的知識型別方面存在差異，而且與本書的許多其他章節相關。例如，記憶在哪裡儲存？大腦的哪些部分與情緒和動機相關？在本章中，我們將重點介紹左右半球的一般差異。我們考慮這樣一個問題：它們在資訊處理的內容和方式上是否不同，並概述了為該領域的科學進步做出貢獻的實驗。

大腦中的知識表示

概念和範疇

對於許多認知功能，概念是必不可少的。概念是精神表徵，包括記憶、推理以及語言的使用/理解。概念的一個功能是知識的分類，這已經得到了深入的研究。在本章中，我們將重點關注概念的這個功能。

想象一下，你每天早上醒來，就開始思考你從未見過的所有事物。想想如果你看到一輛你從未見過的汽車停在你家門前，你會有什麼感受。你已經見過數千輛汽車，但因為你從未見過這輛特定汽車在這個特定位置，所以你無法給自己任何解釋。既然我們能夠找到解釋，那麼我們需要問自己的問題是：我們如何能夠從先前的知識中抽象出來，為什麼當我們面對一個稍微新的情況時，我們不會從頭開始？答案很簡單：我們對知識進行分類。分類是指將事物歸入稱為範疇的組的過程。

範疇是所謂的“知識指標”。你可以想象範疇就像一個盒子，裡面裝著一組類似的物體，並貼有關於該範疇的共同屬性和其他一般資訊的標籤。我們的大腦不僅會記住特定範疇成員的具體例子，還會儲存所有成員共有的，因此定義了該範疇的一般資訊。回到汽車的例子，這意味著我們的大腦不僅會儲存你自己的汽車、鄰居的汽車和朋友的汽車的外觀，還會向我們提供大部分汽車都有四個輪子、需要加油等的一般資訊。因為分類使我們能夠立即透過識別新物體作為某個範疇的成員來了解場景的概貌，從而節省了我們在調查新物體時原本要花費的大量時間和精力。它幫助我們關注環境中的重要細節，並使我們能夠做出正確的推斷。為了說明這一點，想象一下你站在路邊，想要穿過馬路。一輛汽車從左邊駛來。現在，你只需要知道這輛汽車的範疇提供的一般資訊，即如果你不等到它過去就會被它撞倒。你無需關心汽車的顏色、車門數量等等。如果你無法立即將這輛汽車歸類為“汽車”，並推斷出需要退後一步的必要性，你就會被撞倒，因為你仍然忙於檢查這輛特定且未知汽車的細節。因此，分類已被證明對進化過程中的生存非常有幫助，並使我們能夠快速有效地駕馭周圍環境。

Categories provide a lot of information about their members — 範疇提供了關於其成員的大量資訊

定義性方法

看一看下面的圖片！你將看到四種不同型別的汽車。它們在形狀、顏色和其他特徵方面有所不同，但儘管如此，你可能很確定它們都是汽車。

Four different objects but all are cars — 四個不同的物體，但都是汽車

為什麼我們對這些物體的身份如此確信？也許我們可以嘗試找到一個定義來描述所有這些汽車。它們都有四個輪子嗎？不，有些只有三個。所有汽車都用汽油驅動嗎？不，這也不適用於所有汽車。顯然，我們無法找到一個定義。失敗的原因是，我們必須概括才能做出定義。這對幾何物體可能有效，但顯然不適用於自然事物。它們在一個類別中不完全共享相同的特徵，因此難以找到合適的定義。然而，一個類別中的成員之間存在相似之處，那麼這種熟悉性如何呢？著名的哲學家和語言學家路德維希·維特根斯坦提出了這個問題，並聲稱找到了解決方案。他提出了家族相似性的概念。這意味著一個類別中的成員在幾個方面彼此相似。例如，汽車在形狀、顏色和許多其他屬性上有所不同，但每輛汽車在某種程度上都與其他汽車相似。以下兩種方法透過相似性來確定類別。

原型方法

原型方法由羅施在 1973 年提出。原型是特定類別中所有成員的平均情況，但它不是類別中實際存在的成員。即使是類別內成員的極端各種特徵也可以透過這種方法來解釋。不同程度的原型性代表了類別成員之間的差異。非常類似於原型的成員是高原型。與原型有很大差異的成員因此是低原型。似乎與家族相似性的概念有關，事實上，一些實驗表明，高原型性和高家族相似性密切相關。典型性效應描述了這樣一個事實，即高原型成員被更快地識別為一個類別的成員。例如，參與者必須判斷“企鵝是一種鳥。”或“麻雀是一種鳥。”這兩個陳述是否正確。他們對“麻雀”作為“鳥”類別的典型成員的判斷速度比對“企鵝”這種非典型成員的判斷速度快得多。當被要求列出類別的物件時，參與者也傾向於選擇類別的典型成員。關於鳥類的例子，他們更傾向於列出“麻雀”而不是“企鵝”，這是一個相當直觀的結果。此外，高原型物件受到啟動的影響很大。

示例方法

典型性效應也可以用第三種方法來解釋，該方法與示例有關。與原型類似，示例是類別中非常典型的成員。示例和原型之間的區別在於，示例是某人過去遇到的類別中實際存在的成員。然而，它也涉及到一個物體與一個標準物體的相似性。只是這裡的標準涉及許多例子，而不是平均值，每個例子都稱為一個示例。

我們可以再次展示典型性效應：與我們遇到的許多示例相似的物件被更快地歸類到與很少示例相似的物件。你一生中比企鵝更常看到麻雀，所以你應該更快地識別出麻雀。

對於原型方法和示例方法，都有一些實驗的結果支援其中一種方法。有些人認為，示例方法在處理可變類別和類別內的非典型情況方面問題較少。例如，“遊戲”類別用原型方法很難實現。你如何為足球、高爾夫、象棋等所有遊戲找到一個平均情況？原因可能是使用了“真實”的類別成員，並且儲存了每個示例的所有資訊，這在遇到其他成員時可能會有用。兩種方法可以比較的另一個方面是它們在不同大小的類別中表現如何。示例方法似乎在較小的類別中表現更好，而原型在較大的類別中表現更好。

一些研究人員得出結論，人們可能同時使用這兩種方法：當我們最初學習有關類別的知識時，我們會將看到的示例平均成一個原型。如果我們在早期學習中就考慮到了類別中存在的例外情況，那將會非常糟糕。透過更詳細地瞭解這些示例中的一些，資訊會得到加強。

“我們通常知道貓是什麼（原型），但我們最瞭解自己的貓（一個示例）。”（Minda & Smith, 2001）

類別的層次結構

現在我們已經瞭解了我們形成類別的不同方法，讓我們看一下類別的結構以及類別之間的關係。基本思想是，更大的類別可以細分為更具體、更小的類別。

羅施指出，透過這個過程，創造了三個層次的分類

有趣的是，從基本到上位詞的資訊減少非常大，但從基本到下位詞的資訊增加卻很低。科學家想要找出這些層次中是否有一個比其他層次更受歡迎。他們要求參與者儘快說出呈現的物件的名稱。結果表明，受試者傾向於使用基本層次的名稱，其中包含最佳數量的儲存資訊。因此，一隻金毛獵犬的圖片將被命名為“狗”，而不是“動物”或“金毛獵犬”。需要注意的是，這些層次因人而異，取決於專業知識和文化等因素。

影響我們分類的一個因素是知識本身。專家比非專家更關注他們領域中物件的特定特徵。例如，在展示了一些鳥類圖片之後，鳥類專家傾向於說出下位詞的名稱（黑鳥、麻雀），而非專家只會說“鳥”。專家感興趣領域的基準水平低於外行人的基準水平。因此，人們的知識和經驗會影響分類。

另一個因素是文化。想象一下，一個民族生活在與自然環境密切接觸的環境中，因此比例如德國的學生對植物等有更多的瞭解。如果你問後者他們在自然界中看到了什麼，他們會使用基本層次的“樹”，如果你對更接近自然的人做同樣的任務，他們會傾向於用較低層次的概念來回答，例如“橡樹”。

類別在大腦中的表徵

有證據表明，大腦中的一些區域對不同的類別具有選擇性，但不太可能對每個類別都存在相應的腦區。神經生理學研究的結果表明，生物和非生物之間存在一種雙重分離。fMRI 研究發現，它們確實在不同的腦區中得到表徵。重要的是要注意，儘管如此，不同腦區對類別的啟用之間仍存在很大的重疊。此外，當更深入地研究物理區域時，也會與心理類別有關。似乎存在對特定類別物體反應更好的神經元，即所謂的“類別特異性神經元”。這些神經元不僅對一個物體做出反應，而且對一個類別中的許多物體做出反應。這導致了這樣一個想法，即如果一個人識別出一個特定的物體，那麼可能許多神經元會發射，而這些發射神經元的組合模式可能代表了該物體。

語義網路

“語義網路方法”提出，思維中的概念被排列成網路，換句話說，是單詞“含義”的功能儲存系統。當然，語義網路的概念非常靈活。在語義網路的圖形化說明中，我們心理詞典中的概念由節點表示，這些節點以這種方式表示有關我們世界的知識。

一個概念的屬性可以被放置或“儲存”在表示該概念的節點旁邊。節點之間的連結表示物件之間的關係。連結不僅可以表明存在關係，還可以透過其長度來表示關係的型別，例如。

網路中的每個概念都與其他概念之間存在動態的關聯，這些概念可能具有原型上相似的特徵或功能。

Collins 和 Quillian 的模型

根據 Collins 和 Quillian 的語義網路，帶有節點、連結、概念名稱和屬性。

最早考慮可以執行在計算機上的結構化人類記憶模型的科學家之一是 Ross Quillian（1967）。他與 Allan Collins 共同開發了語義網路，其中包含相關的類別和層次結構。

在右側的圖片中，顯示了 Collins 和 Quillian 的網路，並在每個節點添加了屬性。如前所述，骨架節點透過連結相互連線。在節點上添加了概念名稱。就像“類別的層次結構”段落中一樣，一般概念位於頂部，更具體的概念位於底部。透過檢視“汽車”的概念，可以獲得以下資訊：汽車有 4 個輪子，有發動機，有窗戶，此外還會移動，需要燃料，是人造的。

這些資訊必須儲存在某處。如果每個級別的每個細節都需要儲存，那麼將會佔用太多空間。因此，汽車的資訊儲存在基本級別，而關於特定汽車（例如寶馬）的進一步資訊儲存在較低級別。在那裡，你不需要知道寶馬也有四個輪子，因為你已經知道它是一輛汽車。這種在較高級別節點儲存共享屬性的方式被稱為認知經濟。

為了避免冗餘，Collins 和 Quillian 認為這是一種資訊繼承原則。由多個概念共享的資訊儲存在包含該資訊的最高父節點中。因此，所有位於資訊載體下方的子節點也可以訪問有關屬性的資訊。然而，也存在例外。有時，一輛特殊的汽車並非四個輪子，而是三個輪子。這種特定屬性儲存在子節點中。

網路的邏輯結構是令人信服的，因為它可以表明檢索概念的時間與網路中的距離是相關的。這種相關性透過句子驗證技術得到證明。在實驗中，受試者必須用“是”或“否”回答關於概念的陳述。實際上，如果承載節點的距離更遠，說“是”的時間就更長。

相鄰概念被啟用的現象被稱為擴散啟用。這些概念更容易被記憶訪問，它們被“啟動”。這由 David Meyer 和 Roger Schaneveldt (1971) 在一個詞彙決策任務中進行研究和證實。受試者必須判斷詞對是詞還是非詞。如果兩個詞的概念在目標網路中相鄰，他們更快地找到真實的詞對。

儘管該模型能夠解釋許多問題，但它也存在一些缺陷。

典型性效應就是其中之一。眾所周知，"對一個類別中更典型成員的反應時間比對不太典型成員的反應時間更快"。（MITECS）這與 Collins 和 Quillian 模型的假設相矛盾，該模型認為網路中的距離是反應時間的決定因素。實驗表明，某些屬性儲存在特定節點，因此認知經濟受到質疑。此外，還有一些例子表明，儘管網路中的距離更長，但概念檢索速度更快。

這些觀點導致了語義網路方法的另一個版本：Collins 和 Loftus 模型。

Collins 和 Loftus 模型

Collins 和 Loftus (1975) 試圖透過使用更短或更長的連結來解決這些問題，這些連結取決於以前沒有直接連結的概念的相關性和相互關聯性。以前的分層結構也被一個人更個體的結構所取代。僅舉幾個擴充套件的例子。如右圖所示，新模型表示人際差異，例如在人類一生中獲得的差異。它們體現在佈局和相同概念連結的各種長度中。

例如，概念“車輛”透過短連結連線到汽車、卡車或公共汽車，而透過長連結連線到消防車或救護車。

經過這些改進，該模型變得無所不能，以至於一些研究人員批評它過於靈活。在他們看來，該模型不再是一個科學理論，因為它無法證偽。此外，我們不知道這些連結在我們體內有多長。它們應該如何衡量，以及它們是否真的可以衡量呢？

連線主義方法

語義網路中的每個概念都與其他概念動態相關，這些概念可以具有原型上相似的特徵或功能。大腦中的神經網路也類似地組織。此外，在這樣的語義網路的概念中包含“擴散啟用”和“並行分散式活動”的特徵有助於解釋非常複雜的環境的複雜性。

連線主義的基本原則

連線主義者透過模仿神經系統中的神經網路來建模他們的網路。圖中的每個節點都代表一個類似神經元的處理單元。這些單元可以分為三個子組：**輸入單元**，它們被環境的刺激啟用；**隱藏單元**，它們接收來自輸入單元的訊號並將其傳遞給輸出單元；**輸出單元**，它們顯示出代表初始刺激的啟用模式。單元之間類似於大腦中突觸的興奮性和抑制性連線允許對“輸入”進行分析和評估。為了計算此類系統的結果，將“權重”附加到連線主義系統輸入是有用的，這模仿了人類神經系統刺激的強度。

需要強調的是，連線主義網路不是神經系統工作方式的模型。連線主義網路的方法是一種假設方法，用於在網路模式中表示類別。連線主義方法的另一個名稱是並行分散式處理方法，簡稱 PDP，因為處理是並行進行的，輸出分佈在許多單元上。

連線主義網路的操作

首先，將刺激呈現給輸入單元。然後，連結將訊號傳遞給隱藏單元，隱藏單元透過進一步的連結將訊號分佈到輸出單元。在第一次嘗試中，輸出單元顯示錯誤的模式。經過多次重複，模式最終會變得正確。這是透過反向傳播實現的。錯誤訊號被髮送回隱藏單元，並且訊號被重新處理。在這些重複的嘗試中，訊號的“權重”根據錯誤訊號逐步校準，以便最終獲得正確的輸出模式。在為一個刺激獲得正確的模式後，系統就可以學習新的概念了。

評估連線主義

PDP 方法對於知識表示研究非常重要。它遠非完美，但正在朝著完美的方向發展。學習過程使系統能夠進行泛化，因為相似的概念會產生相似的模式。在認識了一輛汽車之後，系統可以識別類似的模式作為其他汽車，甚至可以預測其他汽車的外觀。此外，系統免受完全破壞。單個單元的損壞不會導致系統的完全崩潰，而只會刪除使用這些單元的一些模式。這被稱為優雅退化，常見於腦損傷患者。這兩個論點引出了第三個論點。PDP 的組織方式類似於人腦。並且在此基礎上開發了一些有效的計算機程式，這些程式能夠預測人腦損傷的後果。

另一方面，連線主義方法也並非沒有問題。以前學習的概念可能會被新的概念疊加。此外，PDP 無法解釋比學習概念更復雜的過程。它也無法解釋快速學習現象，快速學習不需要大量的學習。據推測，快速學習發生在海馬體，而概念學習和逐漸學習發生在皮層。

總之，PDP 方法可以很好地解釋知識表示的一些特徵，但在一些複雜過程中失敗。

心理表徵

關於生物，尤其是人類如何將資訊編碼為知識，存在不同的理論。我們可以想象同一個物體的多種心理表徵。當閱讀書面詞“car”時，我們稱之為離散符號。它與所有可以想象的汽車相匹配，因此不繫結到特定的車輛。它是一個抽象的，或非模態的，表徵。這與我們看到一輛汽車的照片不同。它可能是一輛紅色的跑車。現在我們談論的是一個非離散符號，一個出現在我們腦海中的可想象的影像，它只適用於外觀足夠相似的某些汽車。

命題方法

命題方法是為人類大腦中的心理表徵建模的一種可能方式。它使用相互之間緊密聯絡的離散符號。使用離散符號需要對每個符號進行明確定義，以及有關符號使用中語法規則和上下文依賴性的資訊。符號“car”只有對於理解英語並且以前見過汽車並因此知道汽車是什麼的人才能理解。命題方法是一種解釋心理表徵的明確方式。

命題的定義在不同的研究領域有所不同，並且仍在討論中。一種可能性如下：“傳統上，在哲學中，句子與其所包含的思想之間存在著區別，這種思想被稱為命題。一個命題可以用幾乎無限數量的句子來表達。然而，命題並非原子性的；它們可以分解成稱為“概念”的原子概念。”

此外，心理命題涉及資訊在人腦中作為知識的儲存、檢索和相互連線。關於大腦是否真的使用命題工作，或者大腦是否以其他方式或可能以多種方式處理資訊，存在著激烈的討論。

意象方法

命題方法的一種可能替代方案是意象方法。由於這裡知識的表示被理解為我們所看到的影像的儲存，因此它也被稱為類比或感知方法。與命題方法相比，它使用非離散符號並且是特定於模態的。它是一種關於心理表徵的隱式方法。跑車的影像隱含地包含了各種座椅。如果另外提到它們是米白色的，影像就會變成更具體的影像。兩個非離散符號如何組合並不像離散符號那樣預先確定。米白色座椅的影像可以存在於沒有紅色汽車的環境中，就像紅色汽車在沒有米白色座椅的情況下存在一樣。意象方法和命題方法也在第 8 章中進行了討論。

計算知識表示

計算知識表示關注的是如何以符號方式表示知識以及如何以自動化的方式操作知識。幾乎所有上述理論都與計算機科學協同演進。一方面，計算機科學以人腦為靈感，構建計算系統；另一方面，人工模型被用來進一步加深我們對知識表示生物基礎的理解。

知識表示與許多其他與資訊處理相關的領域有關，例如邏輯、語言學、推理以及這些領域的哲學方面。特別是，它是人工智慧的關鍵主題之一，因為它涉及到認知計算模型的資訊編碼、儲存和使用。

在計算知識表示方面，需要解決三個主要問題：知識工程的過程、形式化和應用。

知識工程

開發計算知識庫系統的過程稱為知識工程。該過程包括評估問題、開發知識庫的結構以及將實際知識實施到知識庫中。知識工程師的主要任務是確定合適的概念詞彙。

存在不同型別的知識，例如遊戲規則、物體屬性和時間關係，每種型別都最好用其自身的特定詞彙來表達。能夠描述物體及其關係的相關概念詞彙稱為本體。這些概念詞彙高度正式，每個詞彙都能夠表達特定知識領域的含義。它們被用於對知識庫進行查詢和斷言，並使知識共享成為可能。為了在一個框架中表示不同型別的知識，Jerry Hobbs（1985）提出了本體混雜性原則。由此，將多個本體混合在一起，以涵蓋各種不同的知識型別。

對一個代表由日常物品組成的世界的系統進行的查詢，該系統可以在這個世界上執行操作，可能如下所示：“從桌子上拿走立方體！”。該查詢可以按照以下方式處理：首先，由於我們生活在一個時間世界中，因此該操作需要以一種可以分解成連續步驟的方式進行處理。其次，我們對系統的規則做出一般性陳述，例如重力有某種影響。最後，我們嘗試執行從桌子上拿走立方體所需的連串任務。1）用手伸向立方體，2）抓住它，3）舉起握著立方體的手等等。邏輯推理是完成此任務的完美工具，因為邏輯系統也可以識別該任務是否可行。

上述程式存在一個問題，稱為框架問題。示例中的系統處理狀態的變化。發生的行動會改變環境。也就是說，立方體改變了位置。然而，該系統到目前為止並沒有關於桌子的任何命題。我們需要確保，在從桌子上拿起立方體後，桌子不會改變其狀態。它不應該消失或損壞。這可能會發生，因為桌子不再需要了。系統表明立方體在手中，並省略了關於桌子的任何資訊。為了解決框架問題，必須陳述一些特殊的公理或類似的東西。框架問題尚未完全解決。存在多種解決方法。有些方法將物件的時空邊界新增到系統/世界中（Hayes 1985）。另一些方法嘗試更直接的建模。他們對狀態描述進行轉換。例如：轉換之前，立方體在桌子上，轉換之後，桌子仍然存在，但與立方體無關。

知識表示形式化

知識表示形式化的型別決定了資訊如何儲存。大多數知識表示應用程式都是為特定目的而開發的，例如機器人導航的數字地圖或用於視覺化故事的類似於圖表的事件描述。

每個知識表示形式化都需要嚴格的語法、語義和推理過程，以確保清晰和可計算性。大多數形式化具有以下屬性，以能夠更清晰地表達資訊：語義網路方法、概念層次結構（例如車輛->汽車->卡車）和屬性繼承（例如紅色汽車有四個輪子，因為汽車有四個輪子）。存在提供以下可能性的屬性：在不建立任何不一致的情況下向系統新增新資訊，以及建立“封閉世界”假設的可能性。例如，如果省略了關於地球上有重力的資訊，那麼封閉世界假設對於我們的地球/世界必須是錯誤的。

知識表示形式化的一個問題是，表達能力和演繹推理是相互排斥的。如果一個形式化具有強大的表達能力，它能夠描述各種（不同的）資訊，但不能從（給定的）資料中進行出色的推斷。命題邏輯限制於 Horn 子句。Horn 子句是最多包含一個肯定文字的文字析取。它有一個非常好的決策過程（推斷），但不能表達泛化。一個例子是在邏輯程式語言 Prolog 中給出的。如果一個形式化具有很高的演繹複雜性，它能夠進行出色的推斷，即得出結論，但它所能描述的範圍很差。一個例子是二階邏輯。因此，形式化必須根據 KR 系統的應用進行定製。這是透過在表達能力和演繹複雜性之間進行折衷來實現的。為了獲得更高的演繹能力，犧牲了表達能力，反之亦然。

隨著知識庫領域的增長，已經開發了許多不同的標準。它們都具有不同的語法限制。為了允許相互轉換，建立了不同的“交換”形式化。一個例子是知識交換格式，它基本上是一階集合論加上 LISP（Genesereth 等人 1992）。

知識表示的應用

計算知識表示大多不作為認知模型使用，而是為了使資訊池可訪問，即作為資料庫技術的擴充套件。在這種情況下，不需要通用規則和模型。隨著儲存介質的不斷增長，人們能夠建立簡單地陳述所有特定事實的知識庫。資訊以句法知識的形式儲存，即以類似於命題和程式程式碼的句子形式儲存的知識。知識被視為一個有用的資訊庫，而不是支援認知活動模型。最近，可用記憶體容量的增加使得使用“計算密集型”表示成為可能，這種表示只需列出所有特定事實，而不是陳述一般規則。這些允許使用統計技術，如馬爾可夫模擬，但似乎放棄了對心理合理性的任何主張。

人工智慧

人工智慧，或新增到系統中的智慧，可以在科學背景下進行安排，或者人工智慧（英文：Artificial Intelligence，簡稱為 AI）被定義為科學實體的智慧。該系統通常被認為是計算機。智慧被建立並整合到機器（計算機）中，以便能夠像人類一樣工作。使用人工智慧的幾個領域包括專家系統、電腦遊戲（遊戲）、模糊邏輯、人工神經網路和機器人技術。許多事情對於人類智慧來說似乎很難，但對於資訊學來說卻相對容易。例如：轉換方程、求解積分方程、下棋或西洋雙陸棋。另一方面，對於人類來說似乎需要一點智力的東西，到目前為止，在資訊學中仍然難以實現。例如：物體/面部識別、踢足球。

雖然 AI 具有強烈的科幻色彩，但 AI 是計算機科學中一個非常重要的分支，涉及機器的行為、學習和智慧適應。AI 研究涉及製造機器來自動執行需要智慧行為的任務。例如：控制、規劃和排程、回答客戶診斷和問題的能力，以及手寫識別、語音和麵部識別。這些事物已經成為獨立的學科，專注於為現實生活問題提供解決方案。AI 系統現在經常用於經濟學、醫學、工程學和軍事領域，如已經內建在幾個家用電腦和影片遊戲軟體應用程式中。這種“人工智慧”不僅想要理解什麼是智慧系統，而且還想要構建它。對於“智慧”沒有令人滿意的定義：1. 智慧：獲取知識並使用知識的能力 2. 或者智慧是由“智力測試”衡量的

從廣義上講，AI 被分為兩個概念，即傳統 AI 和計算智慧（CI，Computational Intelligence）。傳統 AI 主要涉及現在歸類為機器學習的方法，這些方法的特點是形式化和統計分析。也被稱為符號 AI、邏輯 AI、純粹 AI 和 GOFAI，即傳統人工智慧。這些方法包括：1. 專家系統：應用考慮的能力得出結論。專家系統可以處理大量已知資訊，並根據這些資訊提供結論。 2. 基於案例的考慮 3. 貝葉斯網路 4. 基於行為的 AI：一種用於手動建立 AI 系統的模組化方法計算智慧涉及迭代開發或學習（例如，在連線主義系統中調整引數）。這種學習基於經驗資料，與非符號 AI、不規則 AI 和軟計算相關聯。主要方法包括：1. 神經網路：具有非常強大的模式識別能力的系統 2. 模糊系統：在不確定性下進行考慮的技術，已廣泛應用於現代工業和消費產品控制系統。 3. 進化計算：應用生物啟發的概念，例如種群、突變和“適者生存”，以產生更好的問題解決方法。這些方法主要分為進化演算法（例如遺傳演算法）和群體智慧（例如蟻群演算法）混合智慧系統透過實驗將這兩組結合起來。專家推理規則可以透過神經網路或統計學習（如 ACT-R）中的產生式規則生成。一種很有前景的新方法指出，增強智慧試圖在進化發展的過程中實現人工智慧，作為透過技術增強人類智慧的副作用。

人工智慧的歷史在 17 世紀初，勒內·笛卡爾認為動物的身體不過是複雜的機器。布萊茲·帕斯卡在 1642 年發明了第一臺機械數字計算器。在 19 歲時，查爾斯·巴貝奇和艾達·洛芙萊斯致力於可程式設計機械計算器。伯特蘭·羅素和阿爾弗雷德·諾斯·懷特黑德出版了《數學原理》，徹底改變了形式邏輯。沃倫·麥卡洛克和沃爾特·皮茨在 1943 年發表了“活動中剩餘思想的邏輯演算”，為神經網路奠定了基礎。20 世紀 50 年代是 AI 積極努力的時期。第一個執行的 AI 程式是在 1951 年編寫的，用於執行曼徹斯特大學（英國）的 Ferranti Mark I 引擎：克里斯托弗·斯特拉奇編寫的劇本程式和迪特里希·普林茨編寫的象棋遊戲程式。約翰·麥卡錫在 1956 年為這個問題舉行的第一次會議上創造了“人工智慧”一詞。他還發現了 Lisp 程式語言。艾倫·圖靈提出了“圖靈測試”作為對智慧行為測試進行操作化的一種方式。約瑟夫·魏岑鮑姆建立了 ELIZA，這是一種聊天機器人，應用了羅傑斯式心理療法。在 20 世紀 60 年代和 70 年代，喬爾·摩西斯展示了符號考慮在 Macsyma 程式中解決問題的能力，這是一個知識庫程式，首先在數學領域取得成功。馬文·明斯基和西摩爾·派珀特出版了《感知器》，展示了簡單神經網路的邊界，艾倫·科爾莫耶開發了計算機語言 Prolog。特德·肖特利夫展示了基於規則的系統在診斷和醫療治療中表示知識和推理的能力，有時被稱為第一個專家系統。漢斯·莫拉維克開發了第一輛計算機控制的車輛，以獨立地處理混亂的、有星形的道路。20 世紀 80 年代，神經網路透過反向傳播演算法得到廣泛應用，該演算法最初由保羅·約翰·韋爾博斯在 1974 年解釋。1982 年，霍普菲爾德等物理學家使用統計技術來分析儲存特性和網路最佳化神經。心理學家大衛·魯梅爾哈特和傑夫·辛頓繼續進行神經網路模型在記憶中的研究。1985 年，至少有四個研究小組重新發現了反向傳播學習演算法。該演算法已成功應用於計算機科學和心理學。20 世紀 90 年代，AI 的各個領域取得了巨大進步，並展示了各種應用。更具體地說，深藍，一臺象棋電腦遊戲，在 1997 年的一場著名的 6 局比賽中擊敗了加里·卡斯帕羅夫。DARPA 表示，透過將 AI 方法應用於第一次海灣戰爭中部隊的排程而節省的成本，已經取代了美國政府自 1950 年以來對 AI 研究的所有投資。DARPA 於 2004 年開始並持續至今的一項重大挑戰，是一場爭奪 200 萬美元獎金的比賽，其中車輛在沒有與人類通訊的情況下自行駕駛，使用 GPS、計算機和複雜的感測器，穿過數百英里的具有挑戰性的沙漠地區。

半球分佈

在討論了知識如何在腦中儲存之後，我們現在轉向一個問題，即大腦是否專門化，以及如果專門化，哪些功能位於哪裡，以及哪些知識存在於哪個半球。這些問題可以歸入“半球專門化”或“加工的側化”主題，該主題考察了人類大腦兩個半球之間的加工差異。

兩個半球之間的差異可以追溯到 350 萬年前。這方面的證據是南方古猿（智人的古代祖先）的化石。由於差異存在了這麼久，並且在選擇壓力下存活下來，它們一定對我們的認知過程有所幫助。

解剖學和化學方面的差異

雖然乍一看兩個半球看起來相同，但它們在很多方面都不同。

關於解剖學，一些區域更大，一個半球的組織包含更多的樹突棘，而不是另一個半球。一個例子是以前稱為左半球的“布羅卡區”。這個區域——除其他事項外——對言語產生很重要，在左半球的分支比相應的右半球區域更多。由於左半球對語言的重要性，我們將在後面討論，可以得出結論，解剖學差異對功能的側化有影響。

神經化學是兩個半球不同的另一個領域：左半球以神經遞質多巴胺為主，而右半球顯示出更高的去甲腎上腺素濃度。理論表明，專門針對認知過程的模組根據所需的 neurotransmitter 分佈在整個大腦中。因此，依賴多巴胺的認知功能將位於左半球。

胼胝體

兩個半球透過胼胝體相互連線，胼胝體是主要的皮質連線。它有 2.5 億根神經纖維，就像連線兩個半球的神經資料的“高速公路”。實際上，兩個半球之間存在較小的連線，但與之相比，這些只是小路。所有詳細的高階資訊在從一個半球傳輸到另一個半球時，必須透過胼胝體。傳輸時間可以用 ERP 測量，介於 5 到 20 毫秒之間。

歷史方法

大腦半球特化一直是人們關注的焦點，從 19 世紀 60 年代保羅·布羅卡和卡爾·韋尼克發現左半球對語言的重要性開始。布羅卡檢查了一些無法說話但語言理解能力沒有受損的患者，而韋尼克則檢查了一些症狀相反的患者（即可以說話但無法理解任何內容）。布羅卡和韋尼克都發現，這些患者的大腦左半球特定區域都受到了損傷。

由於當時人們認為語言是所有認知過程中最優越的認知過程，因此人們認為左半球優於右半球，這在由 J.H. 傑克遜提出的“大腦優勢理論”中得到了體現。右半球被視為“備胎[...] 幾乎沒有自己的功能”（班尼奇，S.94）。這種觀點直到 20 世紀 30 年代才受到挑戰。在這個十年以及之後，研究徹底改變了這種觀點。斯佩裡對展示右半球的作用至關重要，他在 1974 年進行了幾項實驗，並因此獲得了 1981 年的諾貝爾生理學或醫學獎。

裂腦患者實驗

斯佩裡的實驗物件是患有“裂腦綜合徵”的人，因為他們接受了胼胝體切斷術。在胼胝體切斷術中，胼胝體被切斷，因此這些患者兩個半球之間的溝通被切斷。斯佩裡透過他的開創性實驗，想弄清楚左半球在語言處理中是否真的像布羅卡和韋尼克所暗示的那樣重要。

斯佩裡在研究中使用了不同的實驗設計，但所有此類實驗的基本假設是，身體一側接收到的感知資訊是在大腦的對側半球中處理的。在一個實驗中，受試者必須透過僅用一隻手觸碰物體來識別物體，同時蒙著眼睛。然後他要求患者說出他們所觸碰的物體的名稱，發現患者用左手觸碰物體時（與右半球相連）無法說出物體的名稱。由此產生的問題是，這種無力是由於右半球可能作為“備胎”發揮功能，還是由於其他原因。斯佩裡現在改變了實驗設計，讓患者透過正確使用物體來證明他們識別出了這些物體。例如，如果他們認出了鉛筆，他們會用它來寫字。透過這種改變的設計，發現兩手之間在表現上沒有差異。

在斯佩裡等人進行的另一項實驗中，患者在一個視覺視野中看到了“天空”這個詞，在另一個視覺視野中看到了“刮板”這個詞。他們現在必須用一隻手畫出他們所看到的整個單詞。患者無法將這兩個詞合成“摩天大樓”，而是畫了一塊被一些雲覆蓋的刮板。因此，人們得出結論，每個半球都控制著手中的動作，畫出它所看到的影像。

其他腦損傷患者的實驗

為了獲得更多關於半球特化的知識，人們還進行了其他實驗。這些實驗是在即將接受手術的癲癇患者身上進行的，這些患者即將接受手術，其中一個半球的部分將被切除。在手術開始之前，重要的是要弄清楚哪個半球負責該患者的語言功能。這可以透過Wada 技術來完成，該技術將巴比妥酸鹽注入到供應大腦血液的一條動脈中。注射後不久，身體的對側會出現癱瘓。如果此人此時還能說話，則說明大腦的麻醉半球不負責此人的語言產生功能。透過這種技術的結果，人們估計 95% 的所有成年右撇子都使用他們的左半球來進行語言功能。

對患有腦損傷甚至接受過胼胝體切斷術的人進行的研究有一些主要的弊端：他們不得不接受這些手術的原因通常是癲癇發作。因此，他們的腦部可能並不典型，或者在手術過程中可能受到了其他區域的損傷。此外，這些研究是針對非常有限的受試者進行的，因此其統計可靠性可能不高。

神經完整個體的實驗

除了對大腦切斷患者的實驗之外，人們還對神經完整個體進行了研究，以測量感知不對稱性。這些研究通常採用三種方法中的一種：即“分割視覺視野技術”、“雙觸覺呈現”和“雙耳聽覺呈現”。每種方法都以感知資訊在一側接收並在對側半球中處理這一基本假設為基礎。

分割視覺視野技術基於這樣一個事實，即視覺視野可以分為右側視野 (RVF) 和左側視野 (LVF)。每個視覺視野都在對側半球中獨立處理。分割視覺視野技術包括兩種不同的實驗設計：實驗者可以在一個視覺視野中展示一幅影像，然後讓受試者對該刺激做出反應。另一種可能性是，在每個視覺視野中顯示兩幅不同的影像。

使用視覺視野技術可能會出現一個問題，即刺激的呈現時間必須小於 200 毫秒，因為這是眼睛在視覺視野發生偏移之前可以注視一點的時間。

在雙觸覺呈現技術中，受試者同時用兩隻手分別接觸兩個物體。（參見斯佩裡的實驗）

雙耳聽覺呈現技術使研究人員能夠研究聽覺資訊的處理方式。在這種技術中，不同的資訊會同時呈現給兩隻耳朵。使用這些技術的實驗發現，當感官刺激最初被引導到執行該任務的特化半球時，其處理速度比引導到非特化半球快 20 到 100 毫秒，並且響應準確率高出 10%。

對這種現象的解釋包括三種假設，即直接訪問理論、胼胝體中繼模型和啟用-定向模型。直接訪問理論假設資訊是在最初被引導到的半球中處理的。如果最初的半球是非特化半球，這可能會導致響應精度降低。胼胝體中繼模型指出，如果資訊最初被引導到錯誤的半球，則會透過胼胝體傳遞到特化半球。這種傳遞很耗時，是資訊在傳遞過程中丟失的原因。啟用-定向模型假設給定的輸入會啟用特化半球。這種啟用會將額外的注意力集中在被啟用半球的對側，從而“使該側的感知資訊更加突出”。（班尼奇）

常見結果

上面提到的所有實驗都有一些基本發現：左半球在語言任務方面優於右半球，例如語言處理、語言產生和字母識別，而右半球在非語言任務方面表現出色，例如面部識別或涉及空間技能的任務，例如線的方向或區分不同的音調。這證明了大腦優勢理論是錯誤的，該理論認為右半球是“備胎”！事實上，兩個半球都非常獨特，在不同的任務中都表現出色，任何一個半球都不可或缺，缺少任何一個半球都會對認知能力產生重大影響。

儘管兩個半球如此獨特，並且在其指定的功能方面都是專家，但它們在執行另一個半球特化的任務時也能力有限。上圖概述了哪個半球會產生什麼能力。

處理方式的差異

關於半球特化的研究有兩種方法。一組理論是透過“每個半球擅長什麼任務？”這個問題來探討這一主題。屬於這組的理論將不同程度的處理感官資訊的能力與更高認知技能的不同能力聯絡起來。屬於這組理論的其中一個理論是“空間頻率假設”。該假設指出，左半球對於視覺影像中的精細細節分析和高空間頻率很重要，而右半球對於低空間頻率很重要。我們在上面已經探討過這種方法。

另一種方法並不關注每個半球處理的資訊型別，而是關注每個半球如何處理資訊。這組理論認為，左半球以分析、細節和功能為中心的方式處理資訊，並且更重視資訊之間的時序關係，而右半球則被認為以整體的方式處理資訊，關注空間關係，以及外觀而非功能。

上面的圖片展示了一個關於全域性和區域性處理的實驗中對不同目標刺激的典型反應，實驗物件是右半球或左半球受損的患者。右半球受損的患者通常會對全域性形式缺乏關注，但可以毫無問題地識別細節。對於左半球受損的患者，情況則相反。這個實驗支援了這樣一個假設：大腦兩個半球在處理資訊的方式上存在差異。

半球間的相互作用

如果兩個半球在功能、解剖結構、化學成分以及資訊傳遞導致的資訊質量下降和時間消耗方面都如此不同，為什麼它們之間還需要資訊傳遞呢？原因是兩個半球儘管差異很大，但它們之間確實存在相互作用。這種相互作用具有重要的優勢，因為正如 Banich 和 Belger 的研究表明的那樣，它可以“在高需求條件下提高整體處理能力”（Banich）。（在低需求條件下，資訊傳遞的意義就不那麼大了，因為將資訊傳遞到另一個半球的成本高於並行處理的優勢。）

兩個半球可以透過胼胝體以不同的方式相互作用。首先計算每個半球的單獨表現，然後測量整個大腦的整體表現來衡量這種相互作用。在某些任務中，一個半球在整體表現上可能比另一個半球更佔優勢，因此整體表現與單個半球的表現一樣好或一樣差。令人驚訝的是，占主導地位的半球很可能是專業性較低的那個，這又是另一個例子，表明並行處理不如大腦一側的處理有效。

兩個半球相互作用的另一種方式是，整體處理是兩個單個半球表現的平均值。

兩個半球相互作用的第三種，也是最令人驚訝的方式是，當兩個半球一起執行一項任務時，它們的行為與單獨執行同一任務時完全不同。這可以比作人們的社會行為：個人在群體中表現出的行為與單獨行動時不同。

影響側化的個體因素

在從一般角度考察了半球特化之後，我們現在想要關注個體之間在半球特化方面的差異。年齡、性別或用手習慣等因素可能會影響側化。

年齡可能是決定每個半球在特定任務中使用程度的一個因素。研究人員提出，側化隨著年齡的增長而發展，直到青春期。因此，嬰兒的大腦不應該具有功能性側化。以下是四項反對這一假設的證據：

嬰兒已經顯示出與成年人相同的腦部解剖結構。這意味著新生兒的大腦已經側化。遵循解剖結構與功能相關的假設，這意味著側化不是在生命中後期才發展的。

在 5 至 13 歲的兒童中，無法觀察到感知不對稱的差異，這意味著在不同半球處理言語材料和非言語材料方面的優越表現，即 5 歲的兒童處理材料的方式與 13 歲的兒童相同。

對 1 周大的嬰兒進行的實驗表明，當言語材料呈現在右耳時，他們會表現出更大的興趣，而當言語材料呈現在左耳時，他們的興趣就會降低，當非言語材料呈現在左耳時，他們的興趣會增加。嬰兒的興趣透過安撫奶嘴的吸吮頻率來衡量。

雖然接受了半球切除術（切除一個半球）的兒童確實會發展出缺失半球的認知技能（與成年人或青少年相比，他們只能部分彌補缺失的腦部部分），但他們不會像接受另一個半球切除術的兒童那樣發展這些技能。例如：右半球被切除的兒童會發展出空間技能，但不會像左半球被切除的兒童那樣，因為他們仍然擁有右半球。

用手習慣是另一個可能影響大腦側化的因素。有統計證據表明，左撇子的腦部組織與右撇子不同。10% 的人口是左撇子。雖然 95% 的右撇子在左半球處理言語材料方面表現更優越，但在左撇子中，一個半球在言語方面的優勢卻沒有那麼高：70% 的左撇子在左半球處理言語材料，15% 的左撇子在右半球處理言語材料（兩個半球的功能只是對調了），剩下的 15% 沒有側化，這意味著他們在兩個半球都處理語言。因此，作為一個群體，左撇子似乎側化程度較低。但是，一個左撇子個體可能與平均右撇子一樣側化。

性別也被認為會影響半球特化。在動物研究中，發現激素會造成性別之間與生殖功能相關的腦部差異。在人類中，很難確定導致差異的真正是激素還是文化和教育。

觀察到性別之間存在差異的一個腦區是胼胝體。雖然一項研究發現女性的胼胝體比男性的更大，但這些結果無法重複。相反，發現女性的胼胝體後部比男性更膨大。然而，這可能與女性平均腦容量比男性平均腦容量更小有關，因此胼胝體後部的膨大可能與腦容量有關，而不是與性別有關。

在測量不同性別在各種任務中表現的實驗中，文化因素非常重要，因為男性和女性可能由於教育的原因而使用不同的解決問題策略。

總結

雖然兩個半球乍看起來像是彼此的映象，但這是一種誤導。仔細觀察就會發現，兩個半球不僅在結構和化學成分上有所不同，更重要的是在功能上也有所不同。雖然兩個半球都能執行所有基本認知任務，但對於特定的認知需求來說，它們存在專業化。在大多數人中，左半球擅長言語任務，而右半球則在非言語任務方面能力更強。儘管功能上有所區別，但兩個半球透過胼胝體相互溝通。

史佩裡對裂腦患者的實驗利用了這一事實。這些實驗在其他測量感知不對稱的實驗中非常突出，因為它們是第一個反駁半球優勢理論的實驗，並透過諾貝爾生理學或醫學獎獲得了認可。

年齡、性別或用手習慣等個體因素對半球功能沒有影響或影響很小。

參考文獻

編輯：Robert A. Wilson 和 Frank C. Keil。（編輯）（2006 年 7 月線上版）。麻省理工學院認知科學百科全書 (MITECS)，布拉德福德圖書

知識表示

Goldstein, E. Bruce。（2005）。認知心理學——連線、思維研究和日常生活經驗。湯姆森，沃茲沃斯。第 8 章知識，265-308。

Sowa, John F.（2000）。知識表示——邏輯、哲學和計算基礎。布魯克斯/科爾。

關於知識的幻燈片：http://www.cogpsy.uos.de/，知識：命題和影像。知識：概念和範疇。

Minda, J. P. & Smith, J. D. (2001). Prototypes in category learning: The effects of category size, category structure, and stimulus complexity. Journal of Experimental Psychology: Learning, Memory, & Cognition, 27, 775–799.