計算神經科學之父：大衛 · 馬爾（David Marr）

計算神經科學之父：大衛 · 馬爾（David Marr, 1945-1980）利用數學模型，對大腦的資訊處理和功能，提出開創性的預測。他的理論引領了五十年來腦科學重要的研究方向，也成為想要深入了解近代人工智慧發展的人，不可不仔細研究的啟蒙導師之一。他透過仔細觀察西班牙籍1906年諾貝爾獎生理醫學獎得主，拉蒙 · 卡哈爾（Santiago Ramón y Cajal, 1852-1934）精湛手繪的神經解剖圖譜（非業配但經典著作有中文翻譯真的捨得不點一下嗎），與我的師公 1963年諾貝爾生理醫學獎得主，約翰 · 埃克爾斯（Sir John Carew Eccles, 1903-1997）著作中對於神經系統功能的探索，一邊揣摩腦神經細胞的連接方式，想像這一張電路圖中可能的電路傳訊，完成了他在劍橋大學生理學博士班時期的重要論文。

這個月，劍橋大學舉辦了紀念大衛提交博士論文五十週年的紀念研討會，會中邀請到來自世界各地，大腦和人工智慧的專家前來，分享他們對大衛理論的了解，以及他的思想如何深遠的影響他們的研究。另外，許多大衛過去的好朋友和老師也一同出席，談談他不為人知的個性和趣聞軼事，讓我們得以從不同方面，去了解和認識這一位早逝的思想巨人。

簡介與生平

出生於倫敦東北方的郊區，大衛於1963年進入劍橋大學三一學院（Trinity College）主修數學。在學風自由的劍橋大學，他曾在有「諾貝爾獎搖籃」之稱的分子生物實驗室（MRC Labratory of Molecular Biology, MRC LMB）短暫接觸過生物實驗，也開始對生物複雜的行為和作用深深著迷。他的大學同學透露，他曾發下狂語「要用數學破解大腦的功能」。於是，他在畢業之後進入了我現在所就讀的劍橋大學生理學研究所，就讀神經生理學博士班。他的指導老師Professor Giles Brindley（1926 -）當時還是個純粹的實驗神經生理學家，對計算模型一竅不通，面對跨領域的博士生大衛，他嚴格要求他必須參與系上針對醫學系教授的神經解剖學課程，以對大腦的結構有基本的認識。

影響深遠的博士論文

1969年，大衛從我現在就讀的劍橋大學生理所畢業，並且將他的博士論文分成三篇論文發表，分別針對三個腦區提出其獨具見解的功能預測和理論：（文章連結）

• 小腦：A Theory of Cerebellar Cortex （1969）
• 大腦古皮質：Simple Memory: a Theory of Archicortex （1970）
• 大腦新皮質：A Theory for Cerebral Neocortex （1971）

相較於純粹解釋後設現象的數學模擬研究，大衛在他的著作當中聲明他的理念：「一個科學模型要能給出明確並且能被否證（falsify）的預測，才是真正的科學模型」，例如他在論文當中，大膽預測小腦中只有攀爬纖維（climbing fibre）具有「學習」的能力，能根據外在刺激改變神經之間的連結強度，其他小腦的神經突觸「都不具有可塑性」。雖然後來已經證明小腦其他區域的神經突觸，也能透過學習改變神經連結的強度，大衛的預測也因此被推翻，但這不但不影響他在腦科學的地位，反而凸顯他在如此早期，就能對大腦功能進行清晰的分析，並大膽透過給出明確的預測的貢獻，指引了數十年來實驗神經科學家的積極研究，讓腦科學研究得以推進。

人工視覺的劃時代發展

大衛在畢業後隨即前往大西洋對岸的另外一個劍橋，在麻省理工學院（Massachusetts Institute of Technology, MIT）跟著Professor Tomaso Poggio進行視覺相關研究。他在1977年獲得麻省理工學院心理系的教職，旋即在1980年便榮升該系的專任教授。他主要的思想都濃縮在他1982年出版的著作：Vision: A computational investigation into the human representation and processing of visual information。在書中的第一章簡介當中，他提出了影響後世深遠的「三層次分析」，提出了對大腦探索的系統性思考哲學，將不同領域對於大腦不同層次的討論進行區分。這樣的架構成為了後來計算神經科學發展的基石，也間接促成近年來人工智慧的蓬勃進展。

• 運算目標層次（Computation）
• 演算和表示法層次（Algorithm & Representation）
• 硬體執行層次（Implementation）

三層次分析「Three-Level Analysis」

三層次	意涵
第一層 運算目標 Computation	Why 大腦為何需要這樣的功能，要解決的問題為何？
第二層 表徵和演算 Representation & Algorithm	What 要達到這樣的功能，所需要的運算規則為何？
第三層 硬體執行 Implementation	How 根據生物的構造和機制，此運算規則如何實際達成？

要探索大腦與人工智能的奧秘，在「運算目標層次（copmutation）」首先要先定義問題，我們想要研究大腦的什麼功能？這個功能可以協助個體解決什麼問題？這個問題對個體為什麼重要？其次，在「表徵與演算層次（representation & algorithm）」嘗試提出能夠達成運算目標的步驟，及其需要的資訊，這樣的步驟可能不只一種，所需要的資訊表徵也各不相同。最後，要能比較並且選擇出最合適的演算法，則需要在「硬體執行層次（implementation）」考慮大腦內如何使用既有的細胞分子機制，達到上述的演算資訊處理過程。

舉例來說，我們想了解個體在決策時，「如何根據既有資訊，做出對自己最有利的選擇」。這個能力能讓個體趨善避惡，保證個體的存活並且保證族群的延續。要達到此種能力，個體的大腦必須根據過去經驗，幫眼前的選項評分，並且將過去選擇後的結果回饋給大腦，為能帶來好結果的選項加分，為帶來不好的結果扣分（強化學習演算法 reinforcement learning algorithm）。如果大腦真的能幫選項打分數，那我們便很容易達到運算目標（演算法），但大腦裡的神經細胞真的有辦法做到這件事嗎？這樣的資訊在細胞層次又要如何表現（表徵）？

我的指導教授Wolfram Schultz 在1970年代首先在獼猴中腦神經元記錄到中腦多巴胺神經元，在獼猴得到獎賞時，會傳遞「預期誤差」（prediction error signal）。記錄到這樣的神經元訊號，便是為理論上的強化學習演算法（演算層次）提供了生物體內在「硬體執行層次」的驗證。

結語

從遠古時代開始，我們對人類的行為與智能便充滿了好奇心。不同領域的學者使用不同的工具和語言，共同在了解人生而為人的獨特之處。近代，透過了解大腦，我們得以更近一步整合個領域過去的討論，透過電腦演算的方式，去認識大腦在資訊處理的過程和特性。在人工智慧爆炸的時代，除了使用機器學習進行資料處理以外，世界頂尖的人工智慧研究者都在深入研究大腦，畢竟想要模擬複雜的人工智能，唯一的方式，就是向複雜智能存在的唯一證明－人類大腦來學習。這樣的進展需要具有完整格局的思考和討論，而大衛・馬爾的「三階段分析」理論架構，便是人工智慧核心哲學思考，無可取代的重要基石。