沒有智能光腦的這些家伙，就像是失去了爪牙的老虎一樣，已經是沒有多大的威力了。
白隊長因為個人的原因，對于智人群體也是非常的好奇，另一方面先在身邊有警方系統里面數一數二的專家，所以他自然是想將自己心中的這些問題問個清楚，也不管對方煩不煩。
反正這個時候他們也沒有什麼事情，只要小心的提防周圍情況就可以了，現在真的想將自己心中的疑問一股腦的問出來。
「這麼說來，那個小子的大腦現在豈不是像計算機一樣了？應該說他現在就是一個人工智能或者說一個超級計算機」
如果要回答這個問題的話，怕就要解釋一個最基本的概念，我們所說的計算機到底是指什麼東西。
現在大多數的計算機都是數字的，並且每次以極高的速度執行一條或者多條指令，這可能是最簡單的解釋了，而人類的大腦結合使用數字和模擬的方法，會在模擬區域通過使用神經傳遞來執行大部分的計算。
雖然這些神經元以極其緩慢的速度通常是每秒200次執行計算，但是大腦整體上是大規模並行的，大多數的神經元都在同一時間工作，這使得多達100萬億次計算同步進行吧，這就意味著我們的大腦計算速度，如果真的要跟計算機比起來的話，現在可能比最頂級的人工智能還要快。
但是我們最大的一個問題就是，人類的大腦無法被百分百的調動所有的計算能力，這就是為什麼我們活到現在經常會忘記很多事情，這就是因為我們的大腦會進行自主篩選，將一些被強制令記憶的東西記住，而那些無關緊要的東西就會被自動舍棄掉，只有在見到相關的指令時才會想起來，這就是大腦的自主反應。
人類大腦的大規模並行機制是其模式識別能力的關鍵，而模式識別正是人類思維的支柱之一。哺乳動物的神經元顯得有些混亂，有許多明顯隨機的相互作用，如果神經網絡已經訓練得很好，那麼一個反映網絡決策的穩定格局就會出現。
這就是我們常說為什麼人一定要進行經常學習和記憶，因為這樣才能使我們人類的大腦，有一種經過鍛煉的思維感，能夠擁有一個穩定的思考能力和記憶儲存能力。
當前計算機的並行設計還比較有限，即便是最強的人工智能天啟，也無法做到這一點，即便他現在在某些方面比人類強的不止一星半點，但是如果跟一個火力全開的大腦相比較，他實在是有些不太夠看的。
但並沒有理由說明與生物神經網絡功能相當的非生物再創造無法使用這些原則。
的確全世界數十次的努力已經成功地完成了這些事，現在警方技術領域就是模式識別，而且我在四十年里所涉及的工程項目中，也一直使用這種可訓練性且具有不確定性的計算方式。
通過利用有足夠能力的通用計算，很多大腦特有的組織方法可以有效地模擬出來。我相信復制自然的設計範式將成為未來計算的主要趨勢。
我們也應該牢記，數字計算可以與模擬計算功能等效，也就是說我們可以用全數字計算機執行一個數字模擬網絡所有的功能。
而反過來是不正確的，我們不能用一個模擬計算機來模擬一個數字計算機的所有功能。這也就是你剛剛的那個問題，我們的大腦就像是那個模擬計算機一樣，我們無法做到數字計算機的一些功能。
然而，模擬計算的確有一個工程上的優勢，它的潛在效率是現在的數千倍，同時也具備數字計算機所不具備的一些細節，
模擬計算可以在哺乳動物神經細胞里，以及特殊的電化學過程中執行。相反的是數字計算則需要成千上萬個晶體管。
另一方面這種優勢將被基于計算的數字仿真所抵消，因為數字計算機可以輕易地進行設計，所以大腦區別于傳統的計算機，但是又相似于現在的人工智能。
大腦區別于傳統計算機的關鍵方式還有很多，大腦的電路非常緩慢。
在神經元放電之後，神經元及其突出的重置時間是一個非常漫長的過程，以至于沒有神經元放電周期，可以進行模式識別，整個過程是無法被把握的。
這就意味著我們的大腦在進行物體識別的時候，需要150毫秒，以至于我們在思考某些事情的時候，即使是動用了全部的思考能力，但是運作周期最多也只是以數百或者數千來衡量，而不是一台標準的計算機那樣以數10億來計算。
但是我們不能夠並不能說我們不具備這樣的能力，我們的大腦的計算能力可以比我們想象中的要更高，是數10億的十幾倍，但是我們所能使用的功能卻只有這些，就相當于我們現在已經用到了隻果99代手機。
但是我們熟悉的那些功能仍然是隻果4代的，有很多未知的功能，我們並沒有去發掘，而且以我們現在所擁有的能力無法去進行完全的掌握，這就不能說我們的大腦不具備那些能力。
大腦是大規模並行的，大腦相當于100萬億神經元間的相互連接，它們都可能在同時處理信息。正如我們前面討論過的，這兩個因素︰較長的周期和大規模並行，引起了一定程度的大腦計算能力，這就會使得我們的大腦在某些情況下或者說是某種思考能力下，會讓我們的思考能力變得翻倍增長。
今天我們最大的超級計算機正在接近這個範圍，天啟如今或許可以靠著本身不斷的進化，比我們快將近千萬倍的進化，才終于是能夠趕上我們的速度，但是這樣的進化速度也僅僅是趕上我們的大腦，想要超越的話是完全不可能的事情。
因為現在根據我的估計來看，即便是那個超級智能，也是如今已經到了一個瓶頸，想要獲得更快的進化，已經是要進行一個突破點的尋找。
最先進的超級計算機，包括那些用于最流行的搜索引擎的計算機超過了1014cps準則，這與我在討論功能仿真的估計相匹配。
不過，沒有必要采用和大腦相同的並行化處理的粒度，而只要我們配合整體的運算速度和存儲容量的需要就可以，否則就需要模擬大腦的大規模並行結構。
大腦模擬和數字相結合的現象。大腦連接的拓撲結構本質上是數字的——無論連接存在還是不存在。
而大腦放電則不全是數字的，但接近于一個數字的過程。大腦中幾乎大部分的功能都是模擬的，充滿著非線性，在產出方面的突然變化，而不是平穩變化，實質上比我們已經在神經元中利用的經典模型還要復雜，
然而，詳細的非線性神經元動力學和神經元的組成，可以通過非線性系統的數學來模擬。
這些數學模型能夠在數字電腦上模擬到任何所需的準確程度。正如我所說的，如果我們使用晶體管以本地模擬的方式來模擬神經區域，而不是通過數字計算，那我們就可以使我們的大腦運算能力再提高一些，這一點很多科學家都已經給出了證明。
大腦自身線路重鋪，神經系統在其組織的各個層次上都是自組織的。在計算機化的模式識別系統，例如神經網絡中應用的數學方法比在大腦中所用的簡單，而我們在自組織模式上確實有大量的工程經驗。
?當代計算機不能逐字地重復本身，盡管新出現的「自我修復系統」已經開始這樣做，但我們可以有效地模擬這個軟件過程。
?在軟件中實施自組織會有優勢，因為它會為程序員提供更多的靈活性，而在未來我們也可以在硬件中實現這一點。
大腦中的大部分細節都是隨機的。雖然在大腦的每個方面都有許多隨機，嚴格控制下的隨機過程，我們沒有必要模仿每個軸突表面的所有「漣漪」。
至多需要在了解了計算機操作原理的情況下模仿每個晶體管表面的所有微小差異。但某些細節對于解碼大腦操作的原則是很關鍵的，這迫使我們必須將它們和那些包含隨機「噪音」或混亂細節加以區分。
神經功能中混亂，隨機和難以預料的部分可以通過利用復雜性理論和混沌理論的數學方法進行建模。?
大腦運用浮現特性。智能行為是大腦混亂和復雜活動的突顯特征。對比白蟻和螞蟻巢穴的智能化設計，考慮它們精心構建的互聯隧道和通風系統。盡管這些都是靈巧、復雜的設計，但螞蟻和白蟻群里卻並沒有建築專家。
這些建築都是由所有巢穴成員不可預測的互動建造起來的，每個成員都依照一些相對簡單的規則執行。這就是動物和人類之間最大的區別，人類可以靠著個體實現一系列復雜的工作，但是動物卻只能憑著本能去進行搭配者合作才能完成。
大腦是不完善的，這是復雜自適應系統的本性，其決策所表現的智能是次最佳的。
也就是說，相對于其要素的優化配置所表現的智能相比，它反映了較低級別的智能。它只需要足夠好，這對我們人類而言就意味著已經有充足的智力水平，使我們能夠騙過在生態中與我們相類似的對手。
例如靈長類動物也結合了相對應的附屬品所帶來的認知功能，但其大腦沒有人類那樣發達，它們的手也沒有人類的那麼適用。
所以即便跟大自然里面的其他動物相比起來，他這樣也有很大的優勢，但是跟人類相比起來，他卻是差了一些意思，這也就是為什麼我們比其他靈長類的動物可以更好的運用一些工具來進行工作的原因了。
我們自我違背造就了大腦的多樣性變化，各種各樣的思想和方法，包括那些相沖突的，最終造就了卓越的成果。
包括現在我們進行的戰爭，實際上都是一種科技的升級以及武器的更新換代，這一次戰爭過去之後，你我都能看到一個最顯著的變化，那就是我們警方系統的這些戰士們，一定會磨礪而出，成為一個可以獨當一面的人，當然這是在保留生命的前提下。
我們的大腦完全能夠持矛盾的觀點。事實上我們依靠內部的多樣性而蓬勃發展。在這點上可以考慮與人類社會相對比，社會有其解決多種觀點的建設性方法。
大腦運用進化，大腦使用的基本學習模式是漸進的，理解世界最成功，對認知和決策作出貢獻的連接模式會幸存下來，一個新生兒的大腦主要包含隨機聯系的神經元連接，只有一部分新生兒一生下來就擁有兩歲小孩的大腦智力。?
這些模式很重要的這些混亂的自組織方法的某些細節是至關重要的，它們是以模式約束，確定初始條件規則和自組織方式的形式顯示出來的，而最初在約束中的許多細節都是任意設置的，系統然後實行自組織並逐步表現出已提交給系統的信息的不變特征。所產生的信息在特定的節點或連接中找不到，相反的，這是一個分布式的模式。
大腦是全息的，全息圖中的分散信息和大腦網絡中信息的表現形式有類似之處。我們也在用于計算機模式識別的自組織方法，例如神經網絡、遺傳算法中發現了這一點。?
大腦是密切聯系的。大腦從一個深層的連接網絡中得到恢復力，在這個網絡中的信息從一個點轉到另外一點的方式有很多種。拿互聯網來作類比，隨著其組成節點的數量增加，網絡已變得越來越穩定。節點甚至互聯網整個樞紐，可以變得不起作用，而整個網絡卻不會因此而癱瘓。
同樣我們不斷喪失神經元，但這並沒有影響到整個大腦的完整性。
這也就是我們和計算機最大的不同之處，也就是為什麼能夠解釋現在人工智能要和人的大腦結合，因為我們人的大腦可以丟掉一些不用的細胞，來進行新的細胞繁殖。
但是人工智能和計算機就無法做到這一點，因為他們的每一個零件都是至關重要的，說到最簡單的一點，如果我們現在不使用這些電子設備的話，完全回歸到自然當中，那麼人工智能對于我們來說也是束手無策的。
大腦的確有一個區域的架構。雖然區域內的連接細節最初是隨機約束的，而且這些細節還是自組織的，但是仍然有一個區域架構，它使得幾百個有特定連接模式的區域執行特定的功能。
一個大腦區域的設計比一個神經元的設計還要簡單。在更高層次的模擬常常會更簡單，而不是更復雜。類比一台計算機，如果我們要模擬一個晶體管，我們需要詳細了解半導體物理學原理，而一個真正的晶體管所隱藏的方程是很復雜的。
然而，在兩個數字相乘的數字電路中，雖然涉及數百個晶體管，但模擬起來卻更簡單，只涉及少數公式。一個由數十億個晶體管組成的計算機可以通過其指令集和寄存器描述來模擬，而這些可以由少量的文字和數學變換來描述。
一個操作系統、語言編譯器和組譯器的軟件程序是復雜的，但模擬特定程序，例如基礎的語音識別系統，卻可能用短短幾頁的方程就能描述。這種描述沒有任何地方需要物理學的細節。
類似的觀察也適用于大腦。一個特定的神經排列用來檢測一個特定不變的視覺特征，例如我們的臉部，或執行一個作用于听覺信息或計算兩個事件時間接近性的帶通濾波，限制輸入到一個特定的頻率範圍，這些都可以描述得遠比實際物理和化學的關系。
控制神經遞質和其他突觸和樹突在各自程序中所涉及的變量要簡單。雖然在推進到下一個更高的水平模擬大腦前，這種神經的復雜性都必須仔細研究，但是一旦理解了大腦的工作原理，其中很大一部分都可以得到簡化。
我們對人類大腦的研究步伐正不斷加快，現在已不斷接近這條曲線的拐點，這是一個呈指數增長的快速發展時期，但在這之前我們曾有過無數次的研究嘗試。
反思和建立人類思維模型的能力是我們人類特有的一種屬性。基于對人類外在行為的簡單觀察，我們建立了早期的人類思維模型，這也就是我們賦予人工智能最早的特性之一，只不過現在人工智能已經月兌離了我們的掌控，這一點我可以負責任的告訴你。
所以我們現在要做的就是如何對于人類的大腦進行改造，或者是如何淨化我們的大腦，否則的話總有一天人工智能會突破瓶頸，比如智人的出現，他們總有一天會挑戰我們人類的地位！