認知科學發展簡史

認知科學：旨在為人類（或動物）的智能建立計算模型（Cognition as Computation）。

人工智慧：旨在建立計算機系統來完成人類智能所能完成的事情。

之所以說他們是同一枚硬幣的兩面，是因為目前「唯一」已知的智能學習系統就是人或動物的大腦。

同時，沒有高效的計算機來幫助運行計算模型，認知科學很難真正了解大腦運行機制（「認知科學」需要「人工智慧」）。「人工智慧」的絕大多數研究課題是定義在認知的基礎上，比如，機器翻譯、視覺識別。

發展史: 從「內省」、「行為主義」到「大腦計算機」

1. 內省（Introspection）

Wilhelm Wundt (1832-1920) 德國生理學家，現代心理學之父。在1879年的萊比錫，Wundt 建立了世界上第一個實驗心理學實驗室。

Wundt 提出了著名的結構主義（Structuralism）：人類任何精神上的體驗，不論多複雜，都可以被視為一些簡單過程或簡單元素的組合。

但是 Wundt 的研究這些「簡單過程」卻僅僅依賴被試的個人主觀經驗，其研究方法強調在實驗控制環境下，被試者進行系統性的反省、自我檢視（類似於問卷調查）。

以個人主觀經驗為主的研究方法逐漸產生了許多弊端：

第一，不同實驗室很容易產生了不同結果；

第二，難以言狀的心理過程的存在（imageless thought）使很多心理過程不能被有效地描述出來；

第三，自我反省這一過程本身也會對要測量的心理變數產生影響，進而影響實驗結果的客觀性。

下圖就是一個簡單的例子顯示了個人經驗的視覺判斷很容易掉入陷阱，喪失客觀性。

圖一. 線長錯覺

2. 行為主義（Behaviorism）

行為主義的誕生很大程度上是伴隨著心理學開始擺脫主觀經驗，並開始追求客觀行為的過程中。

行為主義宣揚所有的心理學法則必須建立、或約束在心理與物理世界的關係上。

其中最著名的莫過於俄國的巴甫洛夫（Pavlov，1849-1936），巴甫洛夫的狗與經典條件反射（Classical Conditioning）。當不斷地把鈴聲和餵養狗匹配在一起，狗也會逐漸對鈴聲流口水。

類似的行為主義實驗都在反覆證明，物理刺激（Stimuli）和心理學習過程可以被精心地控制並有效的測量。並且指出行為是重複地物理刺激的訓練結果（類似馬戲團訓練動物表演）。

行為主義之父，J.B. Watson (1878-1959）認為主觀經驗式的研究方法是毫無希望的，並且是不科學的。科學的心理學實驗必須重視可以被檢測的行為，嘗試結束物理刺激和行為的關係。甚至用行為來定義心理：即「思想是一種隱形的行為」（Thought is movement of the hidden behaviors）。

這種行為可以解釋思考哲學一時成為主流，成為當時心理學家規避直接研究大腦的主要理由。

如同內省一樣，行為主義無法解釋為什麼大腦可以快速產生沒有被訓練過的行為：

第一，Chomsky提出了語言的多樣性。人們可以根據簡單的幾個原則，演變出無數個語句。顯然這一現象無法被簡單的物理刺激-心理反應關係來解釋；

第二，Tolman的「老鼠走迷宮」實驗證實了部分行為是被邏輯思考所引領的，老鼠可以很容易產生新的行為（就像老鼠頭腦中存在的一副迷宮地圖一樣），顯然行為主義研究本身已經不足以解釋這一現象。

3. 人腦計算機（The Computer Metaphor）

現代心理學經過了「內省」、「行為主義」的發展之後，逐漸認識到打開大腦這個黑盒子的重要性。老鼠頭腦里的迷宮地圖、抽象的行為目標、語言學等新挑戰開始讓下一代心理學家重新思考研究框架。

上世紀40-60年代，以計算為框架的認知科學開始由一批心理學家帶動：包括Kenneth Craik, George Miller, Jerome Bruner, Herbert Simon, Alan Newell, Noam Chomsky。他們開始在物理刺激-心理反應的關係中間插入大腦的運算過程。

Chomsky 反對行為主義的「語言是一種長期學習到的習慣」，進而提出語言應該理解為一些語法規則的組合。

當認知科學開始採用計算視角時，不可避免地需要涉及到兩個問題：

計算什麼？（Representation）

怎麼計算？（Computation）

聯結主義（Connectionism）認為計算對象是一些互相連接的神經元，他們通過互相激發、抑制等方式傳遞信息。

貝葉斯方法（Bayesian）認為認知系統在進行概率運算的時候應該滿足貝葉斯定理。

其中，「符號表示法」（Symbolic Representation）代表了一些早期的主流研究方向：如，通過語義網路來架構知識、邏輯運算、語言。

同樣，符號化的方法也伴隨著挑戰：

第一，符號化的知識大多是人工輸入的，語法一般是語言學家提前設定好的；

第二，用邏輯來進行運算這些符號，顯然結果會局限在現有信息的範圍內，不可能有創造性的思考；

第三，人腦也是運用符號化的方法來儲存知識么？

圖四. 權重（weights）作為知識的儲存方法

最近深度學習（Deep Learning）的成果也對符號表示法提出了挑戰。人工神經網路認為知識可以存儲在（或被表示為）神經元之間的權重里。而不需要事先手動輸入一個個符號。