認知心理學與認知神經科學/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稱為知識的東西進行互動。人們如何駕馭世界？他們如何解決問題，他們如何理解周圍環境，以及人們在什麼基礎上做出決策和推斷？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-Webster 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，知識是結構化的資訊集合，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用於表示世界知識的結構。首先，我們將介紹概念和範疇作為儲存和分類資訊的模型，然後介紹語義網路的概念，以及與這些概念密切相關的，對人類如何儲存和處理資訊的解釋嘗試。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理的有用工具。

在瞭解了知識如何在人類大腦和人工智慧系統中儲存和使用之後，我們將更深入地研究人類大腦的半球特化。這個主題不僅與知識表示有關，因為左右半球在儲存的知識型別上有所不同，而且與本書的許多其他章節也有關。例如，記憶在哪裡？大腦的哪些部位與情緒和動機有關？在本章中，我們重點關注左右半球之間的一般差異。我們探討了它們在處理資訊的內容和方式上是否不同，並概述了有助於該領域科學進步的實驗。

大腦中的知識表示

概念和範疇

對於許多認知功能來說，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和理解。概念的一個功能是對知識進行分類，而這已被深入研究。在本章的討論中，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。想想如果你從未見過的一輛車停在你家門前你會有什麼感覺。你已經見過成千上萬輛車，但因為你從未見過這輛車，而且它處於這個特殊的位置，你將無法給自己任何解釋。由於我們能夠找到解釋，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，以及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。分類是將事物放置到稱為範疇的組中的過程。

範疇被稱為“知識的指標”。你可以把一個範疇想象成一個箱子，裡面放著類似的物體，並且用共同的屬性和其他關於該範疇的一般資訊進行標記。我們的大腦不僅記憶某個範疇成員的特定例子，而且還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儲存了你自己的汽車、鄰居的汽車和朋友的汽車的樣子，而且還提供了大多數汽車都有四個輪子、需要加油等等的一般資訊。因為分類允許我們立即透過識別新物體為某個範疇的成員來獲得場景的一般畫面，所以它為我們節省了大量的時間和精力，否則我們將不得不花在調查新物體上。它幫助我們專注於環境中的重要細節，並使我們能夠得出正確的推論。為了使這一點更加明顯，想象一下你站在路邊，想要穿過它。一輛汽車從左邊駛來。現在，你只需要知道關於這輛車的一般資訊，即如果你不等到它過去就會撞到你。你不需要關心汽車的顏色、車門數量等等。如果你不能立即將這輛車歸類為“汽車”，並推斷出需要後退的必要性，你就會被撞到，因為你仍然忙於檢查這輛特定且未知汽車的細節。因此，分類在進化過程中已被證明非常有助於生存，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

定義方法

看一下下面的圖片！你會看到四種不同型別的汽車。它們在形狀、顏色和其他特徵上有所不同，但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

為什麼我們如此確信這些物體的身份？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，我們將無法找到一個合適的定義。失敗的原因在於我們必須進行概括才能定義。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，因此很難找到一個合適的定義。然而，一個類別中的成員之間存在相似之處，那麼這種熟悉性呢？著名的哲學家和語言學家路德維希·維特根斯坦問了自己這個問題，並聲稱找到了答案。他發展了家族相似性的概念。這意味著一個類別中的成員在某些方面彼此相似。例如，汽車在形狀、顏色和許多其他特性方面有所不同，但每輛汽車都以某種方式與其他汽車相似。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 Rosch 在 1973 年提出。原型是特定類別中所有成員的平均情況，但它不是類別中的實際存在成員。即使是類別內成員的極端不同特徵也可以用這種方法來解釋。不同的原型性程度代表了類別成員之間的差異。與原型非常相似的成員是高原型。因此，在許多方面與原型不同的成員是低原型。似乎與家族相似性的概念存在聯絡，事實上，一些實驗表明高原型性和高家族相似性密切相關。典型性效應描述了高原型成員更容易被識別為類別成員的事實。例如，參與者必須判斷諸如“企鵝是鳥類”或“麻雀是鳥類”之類的陳述是否屬實。他們對“麻雀”作為“鳥類”類別的高原型成員的決定比對“企鵝”這種非典型成員的決定要快得多。當被要求列出類別中的物體時，參與者也傾向於偏好類別的原型成員。關於鳥類示例，他們更願意列出“麻雀”而不是“企鵝”，這是一個相當直觀的結論。此外，高原型物體受到啟動的強烈影響。

示例方法

典型性效應也可以用第三種方法來解釋，該方法關注的是示例。與原型相似，示例是類別中的一個非常典型的成員。示例與原型之間的區別在於，示例是個人過去遇到的類別中的實際存在成員。然而，它也涉及物體與標準物體的相似性。只是這裡的標準涉及許多示例而不是平均值，每個示例稱為一個示例。

同樣，我們可以展示典型性效應：與我們遇到的許多示例相似的物體比與少數示例相似的物體更快地被分類。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，都存在實驗結果支援其中一種方法。有些人聲稱示例方法在處理可變類別和類別內的非典型情況時問題較少。例如，用原型方法很難實現“遊戲”這一類別。你想如何找到所有遊戲，例如足球、高爾夫球、國際象棋的平均情況？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，這在以後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類別中工作的效果如何。示例方法似乎在較小的類別中效果更好，而原型在較大的類別中效果更好。

一些研究人員得出結論，人們可能同時使用這兩種方法：當我們最初瞭解一個類別時，我們將看到的示例平均到一個原型中。如果我們在早期學習中已經考慮了類別有哪些例外，那將會很糟糕。在更詳細地瞭解這些示例中的某些示例時，資訊得到了加強。

“我們一般都知道貓是什麼（原型），但我們最瞭解自己的貓（示例）。”（Minda & Smith, 2001）

類別的層次結構

現在我們瞭解了關於我們如何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。

Rosch 指出，透過此過程，會建立三個類別級別

有趣的是，從基本級別到上位級的資訊減少量非常大，而從基本級別到下位級的資訊增加量卻很小。科學家們想要弄清楚這些級別中是否有一種比其他級別更受青睞。他們要求參與者儘快命名呈現的物體。結果是，受試者傾向於使用包含最佳儲存資訊量的基本級別名稱。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，這些級別因人而異，具體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其領域中物體的特定特徵。例如，在展示了一些鳥類的圖片後，鳥類專家傾向於說出下位級名稱（黑鳥、麻雀），而非專家只說“鳥”。專家感興趣領域的基準級別低於外行人士的基準級別。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，因此比德國的學生更瞭解植物等等。如果你問後者在自然界中看到了什麼，他們會使用“樹”的基本級別，如果你對更接近自然的人進行同樣的任務，他們會傾向於用更低級別的概念，例如“橡樹”來回答。

大腦中類別的表示

有證據表明，大腦中的一些區域對不同的類別具有選擇性，但不太可能每個類別都有一個對應的大腦區域。神經生理學研究的結果表明，對於有生命的東西和無生命的東西，存在一種雙重分離。fMRI 研究已經發現了證據，表明它們確實在大腦的不同區域被表示。重要的是要注意，儘管如此，不同類別啟用的不同大腦區域之間存在很大重疊。此外，當更深入地研究物理區域時，也存在與心理類別的聯絡。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。這導致了這樣一種想法，即當一個人識別出一個特定物體時，可能會有許多神經元發射，並且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，心靈的概念被排列成網路，換句話說，它是一個用於儲存單詞“含義”的功能儲存系統。當然，語義網路的概念非常靈活。在這樣的語義網路的圖形說明中，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關於我們世界的知識片段。

一個概念的屬性可以放置或“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。連結不僅可以顯示存在關係，還可以透過它們的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處於動態相關性中，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，包含節點、連結、概念名稱和屬性。

第一個思考可以在計算機上執行的人類記憶結構模型的科學家之一是 Ross Quillian（1967）。他和 Allan Collins 一起開發了語義網路，其中包含相關的類別以及層次結構。

右側圖片展示了 Collins 和 Quillian 的網路，每個節點都添加了屬性。正如前面提到的，骨架節點透過連線線相互連線。在節點上，添加了概念名稱。與“類別分層組織”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”這個概念，人們可以獲得關於汽車的資訊，例如汽車有四個輪子，有發動機，有車窗，並且可以移動，需要燃料，是人造的。

這些資訊必須儲存在某個地方。如果每個細節都必須儲存在每個層級，那麼將會佔用太多空間。因此，關於汽車的資訊儲存在基礎層級，而關於特定汽車（例如寶馬）的更多資訊則儲存在更低的層級，在這裡您不需要知道寶馬也有四個輪子，因為您已經知道它是一輛汽車。這種在更高層級節點儲存共享屬性的方式被稱為認知經濟。

為了避免產生冗餘，Collins 和 Quillian 將其視為一種資訊繼承原則。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，所有位於資訊載體之下的子節點也可以訪問有關屬性的資訊。然而，也有一些例外情況。有時一輛特殊汽車不是四個輪子，而是三個輪子。這種特定屬性儲存在子節點中。

該網路的邏輯結構令人信服，因為它可以證明獲取概念所需的時間與網路中的距離是相關的。這種關聯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，如果承載概念的節點距離較遠，那麼說“是”所需的時間更長。

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”。David Meyer 和 Roger Schaneveldt (1971) 透過詞彙判斷任務研究並支援了這一觀點。受試者必須判斷單詞對是單詞還是非單詞。如果兩個詞的概念在預期的網路中彼此靠近，他們更快地找到真實的單詞對。

雖然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，“對類別中更典型成員的反應時間快於對類別中不太典型成員的反應時間”。(MITECS) 這與 Collins 和 Quillian 模型的假設相矛盾，即網路中的距離決定了反應時間。實驗表明，一些屬性儲存在特定節點中，因此認知經濟性受到質疑。此外，還有例子表明，即使網路中的距離更長，概念檢索速度也更快。

這些問題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線線來解決這些問題，這些連線線取決於以前未直接連線的概念之間的相關性和相互關聯性。此外，以前的層次結構被取代為更具個人特色的結構。僅僅列舉一些擴充套件。正如右側圖片所示，新模型代表了人際差異，例如在一個人一生中獲得的差異。它們體現在同一概念的連線線的佈局和不同長度上。

例如，“車輛”這個概念透過短連線線與汽車、卡車或公共汽車相連，透過長連線線與消防車或救護車相連。

在這些改進之後，該模型變得如此萬能，以至於一些研究人員將其批評為過於靈活。在他們看來，該模型不再是一個科學理論，因為它不可證偽。此外，我們不知道這些連線線在我們體內有多長。它們應該如何測量？它們真的可以測量嗎？

連線主義方法

語義網路中的每個概念都與其他概念處於動態關聯狀態，這些概念可以具有原型相似的特徵或功能。大腦中的神經網路也是如此組織。此外，將“擴散啟用”和“並行分散式活動”的特徵包含在這樣的語義網路概念中，以解釋高度複雜環境的複雜性，這是非常有用的。

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對他們的網路進行建模。圖中的每個節點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它們傳遞給輸出單元；輸出單元，它們顯示代表初始刺激的啟用模式。單元之間的興奮性和抑制性連線就像大腦中的突觸一樣，允許對“輸入”進行分析和評估。為了計算此類系統的結果，將特定“權重”附加到連線主義系統輸入是有用的，這模仿了人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的方法，用來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，並且輸出分佈在多個單元中。

連線主義網路的操作

首先，向輸入單元呈現刺激。然後連線將訊號傳遞給隱藏單元，隱藏單元透過進一步的連線將訊號傳遞給輸出單元。在第一次嘗試中，輸出單元顯示錯誤的模式。經過多次重複，模式最終變得正確。這是透過反向傳播實現的。錯誤訊號被送回隱藏單元，訊號被重新處理。在這些重複的嘗試中，訊號的“權重”根據錯誤訊號逐漸校準，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，系統就可以學習一個新概念。

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，但正在努力實現目標。學習過程使系統能夠進行概括，因為類似的概念會產生類似的模式。在瞭解了一輛汽車後，系統可以識別其他汽車的類似模式，甚至可以預測其他汽車的樣子。此外，該系統可以防止完全損壞。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。這被稱為優雅降級，通常出現在腦損傷患者身上。這兩個論點引出了第三個論點。PDP 的組織方式與人腦類似。並且基於此，人們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。假設快速學習發生在海馬體中，概念學習和漸進學習發生在皮層中。

總之，PDP 方法可以很好地解釋知識表示的一些特徵，但對於一些複雜的過程卻失效了。

心理表徵

關於生物體（尤其是人類）如何將資訊編碼為知識，存在不同的理論。我們可能會想到對同一物件的各種心理表徵。當閱讀書面文字“汽車”時，我們稱之為離散符號。它與所有可以想象的汽車相匹配，因此不侷限於特定的車輛。它是一種抽象的或非模態的表徵。如果我們看到一輛汽車的圖片，情況就不一樣了。它可能是一輛紅色的跑車。現在我們談論的是非離散符號，一種出現在我們內眼前並只適合外觀足夠相似的某些汽車的可想象圖片。

命題方法

命題方法是模擬人腦中心理表徵的一種可能方式。它使用彼此緊密關聯的離散符號。使用離散符號需要對每個符號進行明確的定義，以及有關符號可能使用到的語法規則和上下文依賴性的資訊。符號“汽車”只有對理解英語並且曾經見過汽車並且因此知道汽車是什麼的人才容易理解。命題方法是解釋心理表徵的一種明確方式。

命題的定義在不同的研究領域中有所不同，並且仍在討論中。一種可能性如下：“傳統上，哲學將句子與其背後的思想（稱為命題）區分開來。一個命題可以用幾乎無限數量的句子表達。然而，命題不是原子的，它們可以分解成稱為“概念”的原子概念。

此外，心理命題處理人類大腦中作為知識的資訊儲存、檢索和互連。關於大腦是否真的使用命題工作，或者大腦以另一種方式，或者甚至多種方式處理資訊來獲取和儲存知識，存在著廣泛的討論。

意象方法

意象方法是命題方法的一種可能的替代方案。由於這裡知識的表示被理解為影像的儲存，就像我們看到它們一樣，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模態特定的。它是一種關於心理表示的隱式方法。跑車的影像隱式地包含了任何型別的座椅。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。兩個非離散符號的組合方式不像離散符號那樣預先確定。米白色座椅的影像可能在沒有紅色汽車的情況下存在，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在第 8 章中也有討論。

計算知識表示

計算知識表示關注如何用符號表示知識，以及如何以自動化方式操作知識。幾乎所有上述理論都是與計算機科學共生而發展的。一方面，計算機科學以人腦為靈感來構建計算系統，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學基礎的理解。

知識表示與許多其他與資訊處理相關的領域相關聯，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，因為它處理**資訊編碼、儲存和使用**用於認知的計算模型。

關於計算知識表示，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

開發基於知識的計算系統稱為知識工程。此過程涉及評估問題、為知識庫開發結構以及將實際知識實現到知識庫中。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、物件的屬性和時間關係，並且每種型別都最好用其自身的特定詞彙表達。能夠描述物件及其關係的相關概念詞彙被稱為**本體論**。這些概念詞彙非常正式，每個詞彙能夠表達特定知識領域的含義。它們用於查詢和斷言到知識庫，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**本體論 promiscuity** 原則。因此，將多個本體混合在一起以涵蓋一系列不同的知識型別。

對一個表示關於一個由日常物品組成的世界並能夠在這個世界中執行動作的系統的查詢可能看起來像這樣：“從桌子上拿走立方體！”。該查詢可以按如下方式處理：首先，由於我們生活在一個時間世界中，因此需要以一種可以分解為連續步驟的方式處理該動作。其次，我們對我們系統規則做出一般性陳述，例如重力具有某種影響。最後，我們嘗試執行必須完成的任務鏈以從桌子上拿走立方體。1) 用手伸向立方體，2) 抓起它，3) 舉起拿著立方體的手，等等。邏輯推理是完成此任務的完美工具，因為邏輯系統還可以識別任務是否 вообще возможен.

上述過程中存在一個問題。它被稱為**框架問題**。示例中的系統處理狀態更改。發生的動作改變了環境。也就是說，立方體改變了位置。然而，該系統到目前為止沒有對桌子做出任何命題。我們需要確保，在從桌子上拿起立方體之後，桌子不會改變其狀態。它不應該消失或破裂。這種情況可能會發生，因為桌子不再需要了。系統表明立方體在手中，並且省略了關於桌子的任何資訊。為了解決框架問題，必須宣告一些特殊的公理或類似的東西。框架問題尚未完全解決。解決方法有很多種。有些方法將物件的空間和時間邊界新增到系統/世界中 (Hayes 1985)。其他方法嘗試更直接的建模。它們對狀態描述進行轉換。例如：在轉換之前，立方體在桌子上，在轉換之後，桌子仍然存在，但獨立於立方體。

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是為特定目的而開發的，例如用於機器人導航的數字地圖或用於視覺化故事的事件的圖形化說明。

每個知識表示形式化都需要嚴格的語法、語義和推理過程才能清晰可計算。大多數形式化具有以下屬性，以便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）。有一些屬性提供了將新資訊新增到系統而不會建立任何不一致的可能性，以及建立“封閉世界”假設的可能性。例如，如果省略了我們在地球上存在重力的資訊，那麼對於我們的地球/世界而言，封閉世界假設必須是錯誤的。

知識表示形式化面臨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很大的表達能力，它能夠描述各種（不同）資訊，但無法從（給定）資料中進行出色的推斷。命題邏輯僅限於 Horn 子句。Horn 子句是最多隻有一個正文字的文字的析取。它具有非常好的決策過程（推斷），但不能表達泛化。邏輯程式語言 Prolog 中給出了一個示例。如果一個形式化具有很大的演繹複雜度，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 系統的應用進行調整。這是透過表達能力和演繹複雜度之間的折衷實現的。為了獲得更大的演繹能力，犧牲了表達能力，反之亦然。

隨著知識庫領域的增長，已經開發出許多不同的標準。它們都有不同的句法限制。為了允許互譯，已經建立了不同的“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 et al. 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，而是為了使資訊池能夠訪問，即作為資料庫技術的擴充套件。在這些情況下，不需要一般規則和模型。隨著儲存介質的增長，人們能夠建立簡單地陳述所有特定事實的知識庫。資訊以句式知識的形式儲存，即以類似於命題和程式程式碼的句子形式儲存的知識。知識被視為有用資訊的儲備庫，而不是作為支援認知活動模型的儲備庫。最近，可用記憶體大小的增加使得使用“計算密集型”表示變得可行，這些表示只是列出所有特定事實，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可信度的任何主張。

人工智慧

人工智慧或新增到系統中的智慧，可以在科學背景下排列，或者人工智慧 (英語：Artificial Intelligence 或簡稱 AI) 被定義為科學實體的智慧。這個系統通常被認為是一臺計算機。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困難，但對於資訊學來說卻相對簡單。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，直到現在仍然難以在資訊學中實現。例如：物體/人臉識別、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，處理機器的行為、學習和智慧適應。AI 研究涉及製造機器來自動化需要智慧行為的任務。示例包括控制、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。這些事情已經成為獨立的學科，專注於為現實生活中的問題提供解決方案。AI 系統現在經常用於經濟學、醫學、工程學和軍事領域，並且已在幾個家用電腦和影片遊戲軟體應用程式中構建。這種“人工智慧”不僅想要理解什麼是智慧系統，而且還構建它。對“智慧”沒有令人滿意的定義：1. 智慧：獲取知識並使用它的能力 2. 或者智慧是透過“智力測試”衡量的。

廣義而言，AI 分為兩類：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主義和統計分析。也被稱為符號 AI、邏輯 AI、純 AI 和 GOFAI，Good Old Fashioned Artificial Intelligence。這些方法包括：1. 專家系統：應用考慮的能力來得出結論。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. 行為驅動型 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，調整連線主義系統中的引數。這種學習基於經驗資料，並與非符號 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，已被廣泛用於現代工業和消費產品控制系統。 3. 進化計算：應用受生物啟發的概念，如種群、突變和“適者生存”來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）使用混合智慧系統，進行了將這兩組結合起來的實驗。專家推理規則可以透過神經網路生成，或者透過統計學習生成產生式規則，如 ACT-R。一種很有前景的新方法指出，增強智慧試圖在進化發展過程中實現人工智慧，作為透過技術增強人類智慧的副產品。

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·帕斯卡爾於 1642 年發明了第一臺機械數字計算器。19 歲時，查爾斯·巴貝奇和艾達·洛夫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·皮茨於 1943 年發表了“活動中存在的思想的邏輯演算”，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。第一個工作的 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·斯特拉奇編寫的指令碼播放程式和迪特里希·普林茨編寫的象棋程式。約翰·麥卡錫在 1956 年為這個問題舉辦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”作為衡量智慧行為測試的一種方法。約瑟夫·魏岑鮑姆構建了 ELIZA，一個應用羅傑斯心理治療的聊天機器人。在 20 世紀 60 年代和 70 年代，喬爾·摩西斯證明了符號考慮在 Macsyma 程式中整合問題的強大功能，Macsyma 程式是一個基於知識的程式，最初在數學領域取得了成功。馬文·明斯基和西摩爾·帕珀特出版了《感知器》，展示了簡單神經網路的邊界，艾倫·科爾默奧開發了 Prolog 計算機語言。泰德·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強大功能，這有時被稱為第一個專家系統。漢斯·莫拉維克開發了第一個計算機控制的車輛，可以獨立處理雜亂無章的、星形的道路。在 20 世紀 80 年代，神經網路與反向傳播演算法一起得到廣泛使用，該演算法最早由保羅·約翰·韋爾博斯在 1974 年解釋。1982 年，物理學家如霍普菲爾德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·魯梅爾哈特和傑弗裡·欣頓繼續他們對神經網路模型的記憶研究。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的進步，並展示了各種應用。更具體地說，深藍，一款象棋電腦遊戲，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 聲稱，透過將 AI 方法應用於海灣戰爭中排程部隊所節省的成本，已經取代了自 1950 年以來美國政府對 AI 研究的所有投資。DARPA 於 2004 年開始的巨大挑戰，至今仍在繼續，這是一場價值 200 萬美元的競賽，參賽車輛依靠 GPS、計算機和先進感測器，在幾百英里的具有挑戰性的沙漠地區，在沒有與人類通訊的情況下自行駕駛。

半球分佈

在處理了大腦如何儲存知識之後，我們現在轉向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的問題。這些問題可以歸納為“半球專門化”或“加工的側向化”主題，該主題研究人類大腦兩個半球之間加工的差異。

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的化石（這是智人的古代祖先）。由於差異存在了這麼久，並且在選擇壓力下得以生存，它們一定對我們的認知過程有用。

解剖學和化學差異

雖然乍一看，兩個半球看起來相同，但它們在各個方面都有所不同。

關於解剖學，有些區域更大，並且組織在一個半球中包含比另一個半球更多的樹突棘。一個例子是以前被稱為左半球的“布羅卡區”。這個區域——除其他外——對於語言產生很重要，在左半球的樹突分支比在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，我們可以得出結論，解剖學差異對功能的側向化有影響。

神經化學是半球不同的另一個領域：左半球以神經遞質多巴胺為主導，而右半球則顯示出更高的去甲腎上腺素濃度。理論表明，專門負責認知過程的模組根據所需的神經遞質分佈在大腦中。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。它擁有2.5億條神經纖維，就像一條連線兩個半球的神經資料高速公路。事實上，兩個半球之間還有較小的連線，但與胼胝體相比，這些連線只是小路。所有詳細的高階資訊在從一個半球轉移到另一個半球時都必須透過胼胝體。轉移時間可以用ERP測量，在5到20毫秒之間。

歷史方法

自19世紀60年代，保羅·布羅卡和卡爾·維尼克發現左半球對語言的重要性以來，人們一直對半球特化感興趣。布羅卡檢查了一些無法產生言語但語言理解能力沒有受到損害的病人，而維尼克檢查了一些症狀相反的病人（即能夠產生言語但無法理解任何內容）。布羅卡和維尼克都發現，這些病人的大腦左半球的特定區域出現了損傷。

由於當時人們認為語言是所有認知過程中最優越的，因此左半球被認為優於右半球，這體現在J.H.傑克遜提出的“大腦優勢理論”中。右半球被視為“備胎”，，“幾乎沒有自己的功能”（Banich，S.94）。這種觀點直到20世紀30年代才受到挑戰。在這一十年以及隨後的幾十年裡，研究戲劇性地改變了這種看法。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，並因此在1981年獲得了諾貝爾生理學或醫學獎。

裂腦病人實驗

斯佩裡的實驗是在一些患有“裂腦綜合徵”的人身上進行的，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交流被切斷。透過他的開創性實驗，斯佩裡想弄清楚左半球在言語處理中是否真的像布羅卡和維尼克所建議的那樣發揮著重要的作用。

斯佩裡在他的研究中使用了不同的實驗設計，但所有這類實驗背後的基本假設是，在身體一側接收的感知資訊會在大腦的相反半球進行處理。在一個實驗中，受試者必須透過僅用一隻手觸控物體來識別物體，同時被矇住眼睛。然後他要求病人說出他們摸到的物體，發現他們在用左手觸控物體時（與右半球相連）無法說出物體名稱。由此產生的問題是，這種無力感是由於右半球可能的功能是“備胎”，還是由於其他原因。斯佩裡現在改變了他的實驗設計，讓患者用正確的方式使用物體來證明他們認出了物體。例如，如果他們認出了鉛筆，他們會用它來寫字。在改變了設計之後，兩手之間的表現沒有發現差異。

在斯佩裡等人進行的另一個實驗中，患者在視野中看到單詞sky，在另一個視野中看到scraper。現在他們必須用一隻手畫出他們看到的整個單詞。患者無法將這兩個單詞合成skyscraper，而是畫了一個被雲覆蓋的刮板。因此，可以得出結論，每個半球控制著繪畫時的手，畫出它所看到的東西。

對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，還進行了一些其他實驗。這些實驗是在即將接受手術的癲癇患者身上進行的，手術將切除他們其中一個半球的部分。在手術開始之前，重要的是要找出哪個半球負責該個體的言語。這可以透過Wada技術來完成，在該技術中，將巴比妥酸鹽注射到供應大腦血液的動脈之一中。在注射後不久，身體的相反一側就會癱瘓。如果這個人現在仍然能夠說話，那麼被麻醉的大腦半球就不負責該個體的言語產生。透過這種技術的結果可以估計，95%的成年右撇子使用他們的左半球來進行言語。

對患有腦損傷甚至接受了胼胝體切斷術的人的研究有一些主要缺點：他們必須接受這種手術的原因通常是癲癇發作。因此，他們的腦可能不典型，或者在手術過程中其他區域可能受到了損傷。此外，這些研究是在數量非常有限的受試者身上進行的，因此統計可靠性可能不高。

對神經完整個體的實驗

除了對腦切斷患者的實驗外，還對神經完整的個體進行了研究，以測量感知不對稱性。這些研究通常使用三種方法之一進行：即“分割視野技術”、“雙觸覺呈現”和“雙耳聽覺呈現”。它們都以感知資訊在一側接收並在相反半球處理這一事實為基本假設。

分割視野技術基於視覺視野可以被分成右視野（RVF）和左視野（LVF）這一事實。每個視野在相反的半球中獨立處理。分割視野技術包括兩種不同的實驗設計：實驗者可以在一個視野中呈現一張圖片，然後讓受試者對這個刺激做出反應。另一種可能性是在每個視野中顯示兩張不同的圖片。

使用視野技術可能出現的一個問題是，刺激的呈現時間必須小於200毫秒，因為這是眼睛在沒有視覺視野轉移的情況下看一個點的持續時間。

在雙觸覺呈現技術中，受試者在同時用兩隻手呈現兩個物體。（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過程。在這裡，不同的資訊同時呈現給兩隻耳朵。這些技術的實驗發現，當感覺刺激最初傳遞到該任務的專門半球時，它的處理速度快了20到100毫秒，而且反應準確率提高了10%。

對此的解釋包括三種假設，即直接通路理論、胼胝體傳遞模型和啟用-定向模型。直接通路理論假設資訊在最初被傳遞到的那個半球中被處理。如果最初的半球是非專門化的半球，這可能會導致響應不太準確。胼胝體傳遞模型指出，如果資訊最初傳遞到錯誤的半球，它會透過胼胝體傳遞到專門化的半球。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專門化的半球。這種啟用然後將額外的注意力放在被啟用的半球的相反一側，從而“使該側的感知資訊更加顯著”。（Banich）

常見結果

上面提到的所有實驗都有一些共同的基本發現：左半球在言語任務方面更勝一籌，例如言語處理、言語產生和字母識別，而右半球在非言語任務方面更勝一籌，例如面部識別或涉及空間技能的任務，例如線條方向或區分不同的音調。這是反對大腦優勢理論的證據，該理論認為右半球是備胎！事實上，兩個半球都是獨特的，在不同的任務中都表現出色，任何一個都不能被省略，否則會對認知表現產生重大影響。

儘管兩個半球如此獨特，並且在各自分配的任務中都是專家，但它們在執行另一個半球專門化的任務方面也有侷限性。上圖概述了哪個半球產生了什麼能力。

處理方面的差異

關於半球特化的主題，有兩組理論。一組理論是透過詢問“每個半球專門針對什麼任務？”來探討該主題。屬於這組的理論將不同的處理感覺資訊的能力水平分配給不同的高階認知技能的能力水平。屬於這組的一個理論是“空間頻率假說”。該假說指出，左半球對視覺影像中的精細細節分析和高空間頻率很重要，而右半球對低空間頻率很重要。我們在上面已經討論過這種方法。

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。這組理論假設左半球以分析、細節和功能為中心的方式處理資訊，並且它更重視資訊之間的時序關係，而右半球被認為以整體的方式處理資訊，專注於空間關係和外觀而不是功能。

上圖顯示了對患有右半球或左半球損傷的患者進行全域性和區域性處理實驗中對不同目標刺激的典型反應。右半球損傷的患者往往會出現對全域性形式缺乏關注，但可以毫無問題地識別細節。對於左半球損傷的患者來說，情況恰好相反。這個實驗支援了半球在資訊處理方式上存在差異的假設。

半球的互動

如果半球在功能、解剖結構、化學成分方面如此不同，並且傳遞會導致資訊質量下降並需要時間，那麼為什麼還需要在半球之間進行傳遞呢？原因是，儘管半球如此不同，但它們確實會相互作用。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，傳遞意義不大，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。這是透過首先計算每個半球的單獨效能，然後測量整個大腦的整體效能來測量的。在某些任務中，一個半球可能在整體效能中佔據主導地位，因此整體效能與其中一個單獨半球的效能一樣好或一樣差。令人驚訝的是，主導半球很可能是那個專業程度較低的半球，因此這裡又是一個例子，說明並行處理不如大腦的一半進行處理有效。

半球相互作用的另一種方式是，整體處理是兩個單獨半球的效能平均值。

第三種也是最令人驚訝的半球相互作用方式是，當兩個半球共同執行任務時，它們的表現與單獨執行相同任務時完全不同。這可以與人們的社會行為進行比較：個人在群體中表現不同於獨自一人時的表現。

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。可能對側化有影響的方面可能包括年齡、性別或手性。

年齡可能是決定在特定任務中每個半球使用程度的一個因素。研究人員認為，側化隨著年齡的增長而發展，直到青春期。因此，嬰兒不應該具有功能性側化的腦部。以下有四條證據反駁了這一假設

嬰兒已經表現出與成人相同的腦部解剖結構。這意味著新生兒的腦部已經側化。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的後期發展起來的。

在 5 到 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和非言語材料的優勢效能，即 5 歲的兒童處理材料的方式與 13 歲的兒童相同。

對一週大的嬰兒進行的實驗表明，當言語材料呈現給右耳時，他們會表現出更強的興趣，而當呈現給左耳時，他們會表現出更強的興趣；當非言語材料呈現給左耳時，他們會表現出更強的興趣。嬰兒的興趣是透過安撫奶嘴吸吮頻率來測量的。

儘管接受了半球切除術（切除一個半球的手術）的兒童會發展出缺失半球的認知技能（與成年人或青少年不同，成年人或青少年只能部分彌補缺失的腦部部分），但他們發展這些技能的程度不如接受了另一半球切除術的兒童。例如：一個右半球被切除的兒童會發展空間技能，但不會像一個左半球被切除的兒童那樣發展空間技能，因此仍然擁有右半球。

手性是可能影響腦部側化的另一個因素。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% 的右撇子在左半球以更優越的方式處理言語材料，但左撇子在言語優勢方面沒有如此高的比例：70% 的左撇子在左半球處理言語材料，15% 在右半球處理言語材料（半球的功能只是顛倒了），而剩下的 15% 沒有側化，這意味著他們在兩個半球中處理語言。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普通右撇子一樣側化。

性別也是一個被認為對半球特化有影響的方面。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，很難確定是激素真正導致差異的程度，以及文化和教育起作用的程度。

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圓。然而，這可能與女性平均腦部比男性小有關，因此胼胝體後部的圓度可能與腦部大小有關，而不是性別。

在測量性別之間在各種任務中的表現的實驗中，文化方面非常重要，因為由於教育，男性和女性可能會使用不同的解決問題策略。

總結

儘管兩個半球乍一看像是彼此的映象，但這種印象是錯誤的。仔細觀察，半球不僅在構型和化學成分方面不同，更重要的是在功能方面不同。雖然兩個半球都能執行所有基本的認知任務，但對於特定的認知需求存在專門化。在大多數人中，左半球擅長言語任務，而右半球在非言語任務方面具有更強的能力。儘管功能上存在差異，但半球透過胼胝體相互交流。

這一事實被 Sperry 對裂腦病人的實驗所利用。這些實驗在其他測量感知不對稱的實驗中脫穎而出，因為它們是第一個反駁半球優勢理論的實驗，並因其在醫學和生理學方面的貢獻而獲得了諾貝爾獎。

諸如年齡、性別或手性等個體因素對半球功能沒有或幾乎沒有影響。