人腦的構造有多複雜？
看到前面有人說相當一塊英特爾i3。
我笑了。雖然說用人腦和人造的電子產品相比不太合適，但是這個比較確實是有點離譜。
首先，必須承認，確實有很多任務i3可以快速完成，而人腦不能。比如快速計算兩個很大的數字相乘，或者把某個操作在一秒內執行一千萬次。但是人腦不是為了處理這些任務而生的。當你的祖先們演繹著物競天擇、適者生存的殘酷規則的時候，大腦不會因為能夠算出乘法而獲得競爭優勢。大腦首要追求的是更精準的控制與協調、更清晰的感知、面對生存危機/機遇的快速的決策能力等等。
當然，我也不是學生物或者神經科學的，這方面也不懂啥。所以，我要從另一個角度說一說為什麼人腦不可以和i3相比。
首先，這個是10代的i3。
這種價格的東西，對於那些喜歡玩電腦的同學來說，簡直是不花錢。現在你隨便去網上找個電腦，大多都不會是i3而是i5，打遊戲的可能還會去買i7甚至i9。
但是CPU這種東西其實不重要，現在更重要的是GPU。遊戲發燒友們誰不想有一塊RTX3090？
這樣一塊顯卡，堪稱遊戲玩家們的頂級配置。像我這種窮孩子一般是買不了的。
不過這種顯卡是為遊戲打造的，把它的GPU放到深度學習的圈子裡，其實也不算啥。
當然這東西你不想買的話也可以租，我剛才看google cloud 上是1267.28美元一個月。
當年NVIDIA為了秀自己的這個Tesla V100，用了1472塊Tesla V100，用53分鐘訓練完了BERT-large。
那這個BERT-large是何方神聖呢？這是一個人工神經網路。340M參數(3億4千萬)，16heads，24layer，1024hidden（或許可以想像成16×24×1024=393216個神經元？？？）。
Bert經常會用在一些自然語言理解的任務上，Bert的出現曾給NLP領域帶來過一次飛躍。
不過說到自然語言處理，那就不得不提一個非常非常驚人的神經網路。跟它比起來，Bert-Large連弟弟都不是，那就是OpenAI的GPT-3。
GPT-3有175B參數（1750億）。相傳這玩意跑一次的成本就是460萬美元。（我對這種數額的錢已經沒有概念了。）
而這個GPT-3是幹什麼用的呢？簡單來說就是語言生成，也就是說這個GPT-3的目標就是說人話。GPT-3的能力很強，現在說話已經說得像模像樣了。但是它終究還只是個語言模型而已，很多意義上還是沒有辦法和真正的人類相比的。
既然GPT-3有175B（1750億）參數，訓練一次的成本就是460萬美元。那麼人腦是什麼情況呢？
人腦有860億左右神經元，平均每個神經元有幾千個突觸，總共約有1.5 * 10^14個突觸，就算每個突觸算作一個參數，那也有150000B參數。是GPT-3的數百倍。
更何況，你其實並不可以把一個突觸的看做一個參數。因為真正的生物神經元的活動比計算機科學裡抽象出來的神經元複雜得多。 拋開複雜的生物學和化學原理，我聽說計算神經科學家有時研究一些抽象的神經元模型，有時幾十個甚至幾個神經元就能列出一大堆微分方程。
然後你告訴我這是i3？
構造一點不複雜，解剖開來看無非就是血管、神經元和膠質這些組織，其他器官同樣很精巧。
但複雜之處在於精巧的結構決定了驚人的功能。
糖類、脂質和蛋白質這些自然界隨處可見的東西，僅僅因為組成了大腦，而成為了所有器官乃至整個地球的總司令。且不說人生終極三問 「我是誰？我從哪裡來？我要到哪裡去？」 的答案我們有沒有機會知道，就是連 「我今天中午是吃土豆燒肉還是吃紅燒雞塊」 這種簡單問題，我們都不知道是如何提出的。
歡迎來學神經科學呀～
大腦的構造
神經底盤
生物學家Paul MacLean稱人腦最早形成的部分，也是最深一層的組織為「神經底盤」〈neural chassis〉。此部位控制呼吸、心跳、血壓等生命基本功能，他包括脊隨、腦幹〈延隨和橋腦〉、中腦。魚類的神經底盤佔了腦子的絕大部分。
爬蟲動物腦
圍繞神經底盤的是R-complex〈視網紋、紋狀體、蒼白球〉，此部份控制攻擊行為，地域性和社會階層。爬蟲類動物的腦中有這一層，因此也稱為「爬蟲動物腦」。
邊緣系統
在往上一層是哺乳動物具有的邊緣系統，包括五腦，五腦下部，扁桃體〈松果體〉，垂體，海馬。此部位主要控制情緒與社會行為，但也掌管嗅覺和記憶。由於哺乳動物因生存而演化出複雜的社會關係，腦子便有很大的一部份要來適應社會和處理生活在群體中的問題。
新皮質
腦部的最外層，包圍所有部分的是新皮質〈額葉、頂葉、顳葉、枕葉〉，此部份只要控制理解力、語言和空間感。人腦的表面有許多的皺褶，這點和其他動物腦部平滑是不同的，因此人類大腦皮層的表面基較其他動物多了許多，也較為聰明多了。
人類對大腦的了解仍然相當有限。雖然說現在看來大腦以一百二十億之多的腦細胞組成。但就其連結點比天上繁星還多，比海中水滴還多。
這多年對大腦研究仍無法搞明白其運行機理 僅停留在表面現象分析而已。
有恆河那麼複雜。
推薦閱讀：
