摘要：本次机器之心精选华盛顿大学教授、热门畅销书《主算法》（The Master Algorithm）作者Pedro Domingos在Quora上的回答，让我们一起听听这位算法大师对人工智能、机器学习等有何见解吧！
问题一：在未来的10到20年内，工作岗位和工作需求会发生怎样的变化？
一些职位消失的同时会有很多新的职业涌现。现有岗位人数会增加，由于自动化，很多产品和服务价格更低，同时人们的可支配收入也会增多，因此人们的需求量也
会更大。但是最主要的变化还在于很多（绝大多数）职业会发生本质上的变化。它们还会存在，但是会变得和现在不一样。因为计算机会完成更多日常工作，将专业
人士解放出来，去做更多非日常的事情。对于工人来说最关键的问题将不再是「要怎样我才能打败机器？」，而是「我怎样能利用计算机把我的工作完成得更好？」
自动化就好比是一匹马，你不需要跑得比它快，而是要去驾驭它。国际象棋便是个很好的例子。国际象棋程序可以很容易的击败所有人，但是世界上最好的棋手却不
是电脑。在国际象棋界，有一些团队里面既有人也有计算机，他们经常被称为centaurs。人和计算机可以互补优缺点，所以当两者合作时才能发挥最大功
效。我觉得这种情况会出现在绝大多数的领域。
问题二：深度学习会取代所有其他类型的机器学习吗？
不会的。深度学习是表征学习的一种形式，它会自动的从数据里面提取模型的特征，而不用再人工的去建造。而怎样完成这一过程是机器学习的核心所在。然而表征学习还有其它形式，比如在图像模型中的诱导隐藏变量和符号学习中的谓词创造，它们能做目前深度学习算法所不能做的事情。
当然，我可以从深度学习开始，慢慢延伸来包含这些功能，但你也完全可以从另一个方向入手。不管怎样，最终的结果也不会仅仅是深度学习（但是从现在对深度学习的热情来看，很多人也可能会错误地认为它就是一切！）。
另外，在机器学习中除了表征学习外还有很多重要的方法，比如强化学习的核心——延迟奖励学习，它在深度学习中就没有被涉及到。值得重申的是，我们在这儿看
到的是深度学习和其他种类的结合（比如DeepMind的玩Atari游戏中的Q学习）。还有反向传播算法，它驱动了大部分深度学习系统，解决了分数分配
问题，但是并不能解决比如学习结构、学习可组成的知识，从样本中总结等其他关键问题。所以我们还需要除深度学习外更多的其他方法，才能有一个真正的通用的
问题三：理解大脑对深度学习很重要吗？反过来呢？
这很重要，但是有一个限度。举个例子，对卷积神经网络结构（convnets)
的了解是基于Huble和Wiesel对于猫的视觉皮层组织的经典发现。如果没有后者，前者根本不会存在。但是被Hubel和Wiesel所启发而建立的
第一个视觉学习模型则是
Fukushima的神经认知机，他试图了解大脑皮层运作的方式但是并没有成功。卷积神经网络利用的是反向传播算法，它并不关心大脑皮层是怎样工作的
（在大脑皮层中是没有误差反向传播路径的）。误差反向传播看起来更像是小脑的学习方式。所以我们现在所拥有的看起来有点像科学怪人（有着大脑皮层结构，却
用着小脑学习方法），但是这很管用。这对深度学习的启示是：从大脑中提取灵感，但是适可而止。
换言之，深度学习到现在为止并没有对神经科学产生太大的影响。我认为这是因为神经科学还没有达到精确理论模型可以通过实验测试的阶段。但它正朝着那个方向发展。最终，计算模型对于神经科学会像数学对于物理那样重要。
问题四：谁或者哪个实验室正在进行最前沿的机器学习研究？
不止一个。产业界有诸如Google、Facebook、Microsoft等公司。在学术界，取决于学习类型，但是几乎所有的顶尖计算机科学系都在进行最前沿的研究。从历史上看，卡耐基梅隆大学名列前茅，但其他院校也在迎头赶上。
问题五：你写《主算法》这本书的目的是什么？
我有两个主要目的。第一个目的是给予这个领域之外的人对机器学习的基本理解以及意识。机器学习太重要了，因此不能只有专家了解，每一个公民，专业人士，科
学家，善根以及公共官员都需要知道它是什么以及它可以做什么，因为这关乎他们的生活和决定。（我已经看过太多由于对机器学习没有基本理解而做出的完全无必
要的坏决定。）另一个目的是将这个领域向正确的方向推动。我认为在机器学习领域，也遇到了和其他领域中一样的问题，人们卡在某种模式典范里而失去了对全局
的把握。即使算上目前所有的成功，机器学习依然处于婴儿期；如果我们试图达到人类学习的级别，那么我们需要更好的新思路以及重大的突破。矛盾的是，相对于
已经致力于这个领域的某个方向的专业研究人员来说，新进入这个领域的人可能更有潜力提出这样的思路。所以我寄予这本书的希望是它可以吸引更多新人，不管是
学生还是其他领域的人，进入机器学习领域，他们的想法将让这个领域变得更加丰富。
问题六：机器学习中最重要但尚未解决的问题是什么？
我认为是如何进行表征学习。这是人类非常神奇的地方 ：可以从像素认识到物体并且从声波认识到意义 ，
而且没有它，学习将总是被局限且脆弱不堪。我们知道无数种学习线性组合基本函数的方法，不管这些函数是高斯的，S的，单项的，规则的，树的还是其他种类。
但这些基本函数又是从哪儿来的呢？事实是，即使在50年的研究之后，我们依然无法解开这些问题。当然，反向传播算法和深度学习是一个答案，但我认为最近它
们取得的一系列伟大的结果仅仅是因为数据集规模的增大。到头来，通过最近这些年深度学习所有的方法，它们还是无法从训练集数据点中进行概括。因此，仍有许
多工作要做，仍然缺失诸多关键见解。
问题七：在你看来，下一个计算机科学的重大新兴领域是什么，为什么？
这是一种预测：随着电脑对自然语言的理解越来越好，越来越多的编程将由非程序员来完成。这将会大大增加计算机科学家的数量，开发生存算法，计算机科学的面
貌也将彻底改变。然而现在很不幸的是，只有一种思维（逻辑、精细化等）可以在计算机科学领域成功。但是未来，这些将变得不重要，因为人工智能将填补这些空
白，而且任何想法，无论大小，都能转化为一个可以运作的系统。如果你认为现在的进程很快，那么请想象一下当上述情况发生时会是什么样子。
问题八：你如何看待OpenAI？
我祝愿他们成功，但是在读了他们的宣言以及与其中一些重要人物交谈之后，我还是不清楚他们到底打算做什么。我的感觉是他们还在试图搞清楚，这没什么问题，
但是这也让预测OpenAI最终的影响力变得很困难。很多都取决于他们雇佣了谁以及他们选择了哪个方向。这就像另一个类似OpenAI的例子——
Allen Institute for
AI（AI2）。他们的目标很类似，但他们已经选择了一些关键性的挑战去解决（比如，让电脑通过SAT）。这也可以是OpenAI的一个很好的模式，但是
拥有不同的目的（比如，家用机器人）和技术（比如深度学习，在这方面AI2更针对于符号人工智能）【译者注：Symbolic
AI，或者经典AI，是通过可以声明的方式，如事实和规则，来表述人类知识。符号人工智能需要将人类的隐含知识或过程翻译成明显的符号或规则给机器。】
OpenAI声明的要用AI造福公众的目标是好的，但我不确定最终这会如何影响科研。不管你是开发家用机器人还是机器人士兵，所需解决的基础问题都一样。
人工智能本来就是多用途的， 技术本身并没有好坏之分。对于人类，你从工厂里找个工人，给他把来福枪，他就成了士兵。对于人工智能，也不会有太大区别。
问题九：你如何看待产业界与学术界中正在进行的机器学习研究。
学术研究更加偏向理论，周期较长；产业研究更加偏向应用，周期较短。如果你希望几个月就能有一些影响，产业比较适合你。如果你希望研究有深度的问题，并且
试图造成高度影响，去学术界。最近我经常听到类似于「为什么当产业界拥有多得多的资源和多得多的人力来解决同一个问题的时候，还要在学术界做机器学习？」
我认为这是混淆视听。产业界的研究者总是有压力，要为公司的生存做一些贡献，这是可以理解的。但解决深度问题比任何时候都重要，这正是因为机器学习如今变
得如此普及，而学术界是做这些事最好的地方。我们在过去的这几年所看到的，更加偏向应用的人从学术界转移向产业界。这是好事儿，因为这是这个领域的研究转
向现实世界的一个重要的方式，但它也有一个很不幸的副作用，那就是学术界现在有些过于偏向理论，而远离了实验科学。所以我们需要培养下一代的实验研究人员
来填补这个空缺。
问题十：主算法所追求的与物理中的大一统理论有何区别？
物理学中的大一统理论目标更窄：寻求一个统一的理论来解释自然界四种力量（重力，电磁力，强核力，弱核力）与实验观测一致。而在机器学习中，我们的目标是
发明一种通用算法——有能力在事物中发掘规律，不止于物理学中的大一统理论，还有其他生物学，心理学或是经济学所涉及到的或小或大的理论。但是这两者之前
确有共通之处，那就是要想发明主算法，需要将机器学习中的主要模型整合到一起，与物理中的各种力相结合是异曲同工。
问题十一：AI对于人类来说是一个潜在的威胁吗？
不是的，有一个非常简单的原则：创造AI并不是AI本身的意图。AI可以产生自己的次目标，但是其前提是为我们设置的目标服务，并且是在我们所限定的范围
内。这就是当今所有AI如何运作的现状，只要这个现状不被打破，AI就永远是不会产生威胁的AI。如果你不曾因为担心狗会袭击你而彻夜难眠，那也不必担心
机器人。它的进化不过是为了更好的服务你罢了。
当然，人性使然，早晚有一天会有人利用AI来填补其私人的贪欲。为了应对这种状况，我们需要William Gibson所谓的「图灵原则」：像警察逮捕罪犯，好的AI去抓捕坏的AI。银行抢匪利用高速跑路，但这并不意味着我们就不该有高速。对于AI来讲，也一样。
然而有另外一种AI对人性的威胁可能是我们更要担心的：人工智能的傲慢，缺乏常识，或者过于表面的理解指令都可能造成破坏——这就像个『魔法师学徒问
题』。实际上，这种情况一直存在，当对于判定一个人是否有资格获得信用卡，一个病人是否被误诊，一个无辜的人被贴上恐怖分子的标签，等等。想要让电脑做出
正确决策需要使其更加智能，而不是更傻。人们担心计算机会因为变的过于聪明从而接管世界，但真正的问题是，它们已经占领了世界却依旧很愚蠢。
问题十二：您认为现在社会上对于深度学习的讨论和宣传公正吗？
一部分是。深度学习在视觉和语言识别以及其他问题上已经取得了真正意义上的进步。但是问题完全被解决还尚需时间，更何况AI广泛地应用到语言，推理和常识。任重而道远，我们已经走了一千步，但是还有一百万步等着我们。
问题十三：您认为，我们需要对人类大脑了解到何种程度才能成功将其功能全部复制并人工化呢？
也未必需要太多。我们在完全不知道工作原理情况下依然可以复制其功能，就像是我们并不了解鸟儿是如何飞起来的但是我们依旧可以制造飞机。我们可以从心理学中获得灵感从而不用去深究神经科学。尽管如此，神经科学也是灵感的绝佳来源，比如卷积神经网络。
问题十四：我们是否可以说人类学也是有主算法的？并且无法被模仿？
可能，但不一定。哥德尔定理（比如所有对角化参数）都依赖于无限的存在（通过皮亚诺公理），但是人类大脑是有限的，因此很难说是否能有相似的理论。
问题十五：怎样才是好的算法设计？
让我以学习算法的案例来回答这个问题吧。设计一个学习算法的简单而合理的方式就是采用现成的算法并对其进行调整。但是长期解决方法则是不同的：即针对问题设计一个新的算法，通过找出其正确的表征（它可能会与之前的完全不同）、评估，和优化
问题十六：自我学习机器学习的最好来源是什么？
我更愿意以网上课程作为开始。这里有很多选择：我的课程，Andrew Ng、Yaser Abu-Mostafa的课程， Carlos
Guestrin和Emily
Fox在近期开办的系列课程。接着再看开源图书馆，例如Weka，来自UCI数据库或Kaggle的数据，开始尝试。然后是学习教科书。Tom
Mitchell所编写的书籍虽然最广为传播且很方便，但它并不是最新的。Kevin
Murphy的书籍则覆盖甚广且具有深度，也是数学和代码的优秀结合。对于更加全面的建议，可以去参考《主算法》的进一步阅读书单。
问题十七：深度学习对于外行来说是什么？
快速答案：深度学习是利用不止一层的隐藏神经层去学习一个神经网络（即除去输入与输出层之外超过一层）。
更佳答案：深度学习是去发现最能代表问题的特征，而不仅仅是一个组合方法。例如，在目标识别中，浅度学习以手动制作图片的特征开始，但深度学习则以原始像素开始。
问题十八：通用量子计算机的发展是如何影响机器学习的？
它会在机器学习中掀起革命，因为现在需要花费指数式级别的时间算法，到那时可能仅需要花费多项式级别的时间，将许多事情会被简化。然而与计算机科学的其他
部分不同，机器学习在时间与空间外还有着另一个关键的有限资源：数据。许多核心问题仍然存在。无论何种情况，通用量子计算的发展都看起来不太可能。但即使
再不可能，诸如D波（理论上能通过最优解来解决多项式时间中的硬性优化问题），对于机器学习来说都是了不起的（如果它真的有效，并能够缩小到多比特规
问题十九：你对于强人工智能/通用人工智能领域的研究有何建议？
试着去解决端对端问题，比如视觉与操控，或读取文本以及回答问题。我不建议通用AI针对诸如分类或解析这样特殊的问题进行研究。
问题二十：如果人类为了持续生存而学习算法优化，那么一个先进的主算法应该优化什么？
它将优化我们给它的任何目标。换句话说，优化函数不属于主算法的一部分，而是我们所谓的参数之一。
问题二十一：你是如何紧跟机器学习/人工智能领域发展的？你的主要信息源是什么？
我与同事们交谈聊天，包括研究人员、学生和从业者。我浏览主要会议和期刊的摘要，当然，我会参加任何能参加的会议。
问题二十二：我们会看到关于主算法的慕课吗？
在Coursera上，我有一个机器学习的慕课，其课程结构和内容都与《主算法》这本书十分相似（实际上这就是这本书的起源）。也许某个时间我会用这本书中的主算法和其他概念来更新课程，但是目前还没有相关课程。
问题二十三：你对Jeff Hawkins（关于智力/Numenta）怎么看，为什么他关于HTMs的研究似乎被机器学习/深度学习研究者忽略了？
Jeff对于大脑如何工作具有良好直觉，而且很合理，但是目前他还不能将其转换为算法来超越其艺术的状态。总的来说，在其被转换为算法之前，主流研究人员
都不会关注其研究。许多研究人员并不认为模拟大脑是一个很好的机器学习方法。我认为有些人（比如研究深度学习的人）很同情
Jeff，但是他们也无暇顾及一个仍处于艺术状态的研究。
问题二十四：为什么大部分人工智能研究放弃了基于逻辑的人工智能，转而支持统计方法？
简单来说就是统计方法在实践中能更好地工作。但是我认为基于逻辑的人工智能也做了许多贡献，最终我们需要将两者结合。的确，这正是我大部分研究的重点。
问题二十五：我读了你的书，非常喜欢，我认为你对全能强人工智能（ full strong AI）的象征性和演化方法持怀疑态度，为什么？
我并不怀疑符号方法，事实上，我认为这是至关重要的。在书中第九章，当我将各个部分放在一起时，便形成了符号学习。我许多自己的工作都用诸如概率和类比等其他方法与符号学习相结合。
如果你将演化方法看作广泛的学习结构以及包括诸如爬山算法和定向搜索等的东西，那么我也没有怀疑演化方法。我认为这也是越来越多的人如何看待演化方法。具
体问题是两种方法融合是否有效仍然值得商榷。我认为在我们将其转换为一个真正好的学习算法（比如个体发生学）之前，我们仍需要更多地了解自然演化。
问题二十六：拥有大数据的人工智能，未来会如何？
大数据会在未来人工智能中起很大作用，因为我们掌握越多数据，机器学习就越强大，而机器学习是人工智能的关键。但是大数据也只能达到目前我们所达到的程度了，因为智能代理通常需要非常少的数据。这一点人类非常擅长，我们仍然需要找出如何在人工智能系统中做到这一点。
问题二十七：你认为强化学习会是未来人工智能的主要组成部分吗？
它会是主要部分，但并不是唯一部分。比如强化学习需要监督学习的支持。同时我们也应该将强化学习问题（从延迟奖励中学习）与目前强化学习技术区分开来。我认为前者是不可避免的，但后者我们未来可以用更好的方法代替。
问题二十八：你在写《主算法》时最大的挑战是什么？
最大的挑战是学习如何撰写一本科普书，这与撰写技术论文或教科书十分不同。你不能用数学或者伪代码，而且要让没有很多相关知识背景的读者能读懂。与此同时还有有趣、吸引人，要有故事、示例、类比等。因此我必须找出如何做这样一本关于机器学习的书。
问题二十九：你对Deepmind正在使用的通用学习算法怎么看？
我认为这是一个很有前途的方法，我们需要人们尝试不同的方法直到找到最成功的一个。更具体地说，我认为深度学习和强化学习都是很好的方法，但是它们还不
够，如果DeepMind想要真正解决人工智能，那么他们所作的事情则正在超越它们（事实上，他们已经在做这件事，比如在围棋中将深度学习与蒙特卡洛树搜
索相结合。）
问题三十：你认为数据科学和机器学习将如何改变经济学家的角色？
经济学将越来越少地使用高度简单化数学模型，而将更多使用能从大量数据进行学习的丰富计算模型，并且使用诸如MCMC和非凸优化等来进行推理。
问题三十一：计算机科学特别是机器学习研究的内在哲学是什么？
计算机科学，更具体地说，机器学习属于技术领域，因此它们由理论设计和实验组成，三者缺一不可。Herb Simon的《人工的科学》（The Sciences of the Artificial）对此问题有更好地诠释。
问题三十二：深度学习有助于解决或人工重建感觉运动系统吗？
当然，这便是大量研究正在做的事，比如Pieter Abbeel和Sergey Levine的机器人。
问题三十三：在人工智能领域，你最大的弱点是什么？你是如何克服的？
我的小秘密是：我既不是一流的数学家，也不是一流的系统构建者。但是在人工智能研究（也许是所有研究）中还有更重要的事情：理解问题然后想出解决办法。没有人擅长所有事情，你必须愿意走出自己的舒适区，充分利用自己的长处，也要确保自己的基础。
机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站查看更多精彩内容。（机器之心系今日头条签约作者，本文首发头条号）
本文仅代表作者观点，不代表百度立场。本文系作者授权百度百家发表，未经许可，不得转载。
分享到微信朋友圈
打开微信，点击 “ 发现 ”
使用 “ 扫一扫 ” 即可将网页分享至朋友圈。
扫一扫在手机阅读、分享本文
百家号作者平台APP
扫码下载安卓客户端
便捷管理文章信息
随时查看文章收益脑萎缩会变成痴呆吗？脑萎缩会变成痴呆吗？厌酒孤百家号有不少人认为“人老了，脑子会萎缩，必然变痴呆。”如有的老年人做脑CT检查，发现有“脑萎缩”便认为自己患了“老年痴呆症”，紧张焦虑、抑郁烦恼、慌慌不安、四处求医问药。殊不知，脑萎缩不等于老年痴呆症。什么是脑萎缩呢？人脑是由大脑、间脑、小脑、脑干等组成的，尤其是大脑皮质上面布满了凹陷的脑沟和凸起的脑回，拥有140亿个神经细胞，是言语、思维记忆、计算等高级精神活动的中心。随着年龄的增长，人到40岁以后脑细胞数目逐渐减少，50岁可减少20%，70岁以后减少20%~30%。神经细胞老化死亡后，脑的重量也变轻，80岁老人的脑重量比成年人减少6.6%~11%。如做脑CT检查，可发现脑体积缩小，脑沟变宽，脑回变细，脑室扩大，这就是脑萎缩。脑子萎缩了，人会变痴呆吗？在人生之旅中，脑和其他器官一样会发生老化和萎缩，脑萎缩是机体生理性老化过程所出现的自然现象，年龄越高萎缩程度越明显。在正常情况下，脑萎缩到一定程度后会自然终止，虽有记忆功能减退，但程度较轻，也不会进行性加重，一般不影响日常生活、学习和工作。而老年痴呆症是大脑中记忆功能有关的部位如海马回出来问题，痴呆症状明显，记忆功能严重衰退，在日常生活中丧失简单计算能力，对刚刚发生的事情根本不记得，如丢下饭碗就忘记了，又要吃；做饭时往往打开煤气忘关掉，饭烧糊了也不知道；平时不洗脸手，穿鞋分不清左右，不知随季节变化变换衣服；随地大小便。不知今夕是何年、何月、何日。不辨春夏秋冬；分不清男女老幼，连自己的丈夫、妻子或儿女不认识；外出就迷路，不认识自己的家门；许多病人性格行为变的十分乖张，终日嘻嘻傻笑，不主动接触和不理他人，常吵闹大骂、撕衣毁物、自残等；晚期病人失去生活自理能力、大小便失禁、最终只能在床上消磨时光。可见，人老了记忆力有点下降，不能说是痴呆。具有特殊的遗忘症状，做脑CT检查又发现存在脑萎缩，才能诊断为老年痴呆。因此，老年人千万不要为了脑萎缩而担惊受怕，过分的忧虑反而会引起不适的症状。只有保持达观的心态，方为明智之举。本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。厌酒孤百家号最近更新：简介:每日更新有趣综合资讯，快乐生活每一天。作者最新文章相关文章大脑半球表面有许多的沟裂，称为脑沟，其间凸出的部分称为脑回。这些脑沟、脑回就像一块皱拢起来的，一旦展平，它的面积像半张普通报纸大小，约2250平方厘米。
研究发现/人脑
历史19世纪以前的以为大脑发挥它的各种功能是整体活动的结果。1870年德国青年医师费里茨和希，用电剌激狗大脑皮质区，发现某一皮质区域管理身体对侧的运动，因此首先提出“运动区”的概念。后来发现在皮质运动区里还有更为精细的分工，有分管上肢、下肢、躯干的特定部位。除此以外，还有其他功能区域。
刺激法/人脑
本世纪，加拿大医生尔德用微电剌激法，全面而详细地绘制出大脑皮质的分工图，使人们不胜惊奇的是，人的运动和感觉功能在大脑皮质上的投射是倒置的，而且一些运动、感觉精细而灵巧的器官（如手和唇、舌等），比那些运动和感觉较简单而迟纯的部分（如躯干），在大脑皮质上投射的面积要大（图2）。紧接着，法国医生布洛卡发现，右半身瘫痪的病人常伴有失语，死后尸体解剖发现病人是左大脑半球额叶有病变；而左半身瘫痪的病人不伴有失语症，因此首先提出了“语言中枢”的概念，并把左半球称为“优势半球”。习惯用右手的人（占90％左右），所有有关语言活动，如阅读和书写、理解和命名、计算和推理等都在左大脑半球。那么，右大脑半球（非优势半球）是否趋向退化呢？这是一个很有意思的问题。从左右大脑两半球互相之间的联系来看，首先它们藉着一束强大的神经纤维（约含2亿条神经）——胼胝体相连，互相交流两半球的信息。这样既有分工又是一个整体。70年代，美国科学家斯佩里和同事们做了裂脑手术——切断胼胝，来治疗一些用药不能控制癫痫发作的病人，并做了许多非常精细的心理实验，结果发现大脑两半球有各自独立的功能。它们分别是：左大脑半球有语言、阅读、书写及逻辑、、计算的能力；右大脑半球则有图形、空间结构的构思能力，有音乐欣赏能力，及形成非言语性概念的能力。左大脑半球的思维活动是人类特有的功能，由此可以说明人脑进化、发展的一侧化趋势，也提示人脑存在着巨大的潜力人脑最多能记忆多少信息？人脑细胞有140——160亿条，被开发利用的仅占1/10。人脑子里的各种信息，可相当于美国国会图书馆的50倍，即5亿本书的知识。
人脑开发/人脑
&脑占头盖内腔的大部分。约占成年人体重的2%即1.2～1.6公斤。脑的男性比女性稍大,并与体重无关。脑含有约140亿个神经细胞约占脑细胞十分之一，剩余的九成称为胶质细胞。胶质细胞有为神经细胞提供营养，形成髓鞘传导速度，等多种功能。人们常传的“人脑有效使用的部分仅仅占十分之一左右”的说法，即有可能是来自对胶质细胞机能没有完全理解的时代的误解，认为在脑中仅有神经细胞在起作用。&
大脑容量/人脑
吉尼斯世界纪录中记纸牌记得最多的是一名英国人，他只需看一眼就能记住54副洗过的扑克牌（共计2808张牌！）。 上世纪二十年代，亚历山大.艾特肯 (Alexander Aitken) 能记住 小数点后1,000位数字，但这一纪录在1981年被一位印度记忆大师打破，他能记住小数点后31,811位数字；这一纪录后来又被一位日本记忆大师打破，他能记住小数点后42,905位数字！ 您也许无法仿效这样惊人的技艺，但您可以用与这些记忆大师们一样的方法来改进和提升您的智力与力。您有多聪明或曾受过多高的教育都没有关系，有很多窍门和技巧可帮助您最大限度地利用您的脑细胞。
中枢神经/人脑
大脑 中枢神经的最高级部分，也是脑的主要部分。分为左右两个大脑半球，二者由神经纤维构成的胼胝体相连。被覆在大脑半球表面的灰质叫大脑皮层。其中含有许多锥体形神经细胞和其它各型的神经细胞及神经纤维。皮质的深面是髓质，髓质内含有神经纤维束与核团。在髓质中，大脑内的室腔是侧脑室，内含透明的脑脊液。埋在髓质中的灰质核团是基底神经节。大脑半球的表面有许多深浅不同的沟裂（凸处为回）。其中主要的有中央沟、大脑外侧裂、顶枕裂。人的大脑半球发展。成人的大脑皮质表面积约为1／4平方米，约含有140亿个神经元胞体，它们之间有广泛复杂的联系，是高级神经活动的中枢。大脑皮层通过髓质的内囊与下级联系。脑的外部包有结缔组织的被膜、脑脊液充满于脑的腔、室、管内，有保护和营养作用。脑的血液供应从椎动脉和颈内动脉获得。人的大脑有100多亿个神经细胞，每记录生活中大约8600万条信息。据估计，人的一生能凭记忆储存100万亿条信息。
大脑活动/人脑
如能把大脑的活动转换成电能， 相当于一只20瓦灯泡的功率。根据神经学家的部分测量，人的神经细胞回路比今天全世界的电话网络还要复杂1400多倍。每一秒钟，人的大脑中进行着10万种不同的化学反应。人体5种感觉器官不断接受的信息中，仅有1%的信息经过大脑处理，其余99%均被筛去。大脑神经细胞间最快的速度为400多公里/小时 人脑细胞有140——160亿条，被开发利用的仅占1/10。人脑子里储存的各种信息，可相当于美国国会图书馆的50倍，即5亿本书的知识。大脑的四周包着一层含有静脉和动脉的薄膜，这层薄膜里充满了感觉神经。但是大脑本身却没有感觉，即使将脑子一切为二，人也不会感到疼痛。人的平均为人体总体重的2%，但它需要使用全身所用氧气的25%，相比之下肾脏只需12%，心脏只需7%。神经信号在神经或肌肉纤维中的速度可以高达每小时200英里。人体内有45英里的神经。人的大脑细胞数超过全世界人口总数2倍多，每天可处理8600万条信息，其记忆贮存的信息超过任何一台电子计算机。
人脑组成/人脑
人脑人脑由大脑、小脑、间脑、脑干组成。人脑的构造，主要包括脑干、小脑与前脑三部分。脑干（brainstem）上承大脑半球，下连脊髓，呈不规则的柱状形。经由脊髓传至脑的神经冲动，呈交叉方式进入：来自右边的冲动，先传至脑干的左边，然后再送入大脑；来自脊髓左边者，先送入脑干的右边，再传到大脑。脑干的功能主要是维持个体生命，包括心跳、呼吸、消化、体温、睡眠等重要生理功能，均与脑干的功能有关。脑干部位又包括以下四个重要构造： 1．延髓（medulla）延髓居于脑的最下部，与脊髓相连；其主要功能为控制呼吸、心跳、消化等。 2．脑桥（pons）脑桥位于中脑与延脑之间。脑桥的白质，通到小脑皮质，可将神经冲动自小脑一半球传至另一半球，使之发挥协调身体两侧肌肉活动的功能。 3．中脑（midbrain）中脑位于脑桥之上，恰好是整个脑的中点。中脑是视觉与听觉的反射中枢，凡是瞳孔、眼球、肌肉等活动，均受中脑的控制。 4．网状系统（reticular&system）网状系统居于脑干的中央，是由许多错综复杂的神经元集合而成的网状结构。网状系统的主要功能是控制觉醒、注意、睡眠等不同层次的意识状态。小脑（cerebellum）位于大脑及枕叶的下方，恰在脑干的后面，是脑的第二大部分。小脑由左右两个半球所，且灰质在外部，白质在内部。在功能方面，小脑和大脑皮层运动去共同控制肌肉的运动，籍以调节姿势与身体的平衡。前脑（forebrain）属于脑的最高层部分，是人脑中最、最重要的神经中枢。前脑又分为视丘、下视丘、边缘系统、大脑皮质四部分。 1．视丘（thalamus）视丘呈卵圆形，由白质神经纤维构成，左右各一，位于骈胝体的下方。从脊髓、脑干、小脑传导来的冲动，都先终止于视丘，经视丘在传送至大脑皮质的相关区域。所以说视丘是感觉神经的重要传递站。此外，视丘还具有控制情绪的功能。 2．下视丘（hypothalamus）下视丘位于视丘之下，是自主神经系统的主要管制中枢，它直接与大脑中各区相连接，又与脑垂体及延髓相连。下视丘的主要功能是管制内分泌系统、维持新陈代谢正常、调节体温，并与生理活动中饥饿、渴、性等生理性动机有密切的关系。 3．边缘系统（limbic&system）边缘系统一般认为包括视丘、下视丘以及中脑等在内的部分。边缘系统的主要为嗅觉、内脏、自主神经、内分泌、性、摄食、学习、记忆等。边缘系统有两个神经组织，即杏仁核与海马，前者关系情绪的表现，后者与记忆有关。 4．大脑皮质（cerebral&cortex）是大脑的表层，由灰质构成，其厚度约为1到4mm，其下方大部分则由白质构成。大脑中间有一裂沟（大脑纵裂，longitudinal&fissure），由前至后将大脑分为左右两个半球，称为大脑半球（cerebral&hemisphere）。两个半球之间，由胼胝体（corpus&collosum）连接在一起，使两半球的神经传导得以互通。你应该了解的大脑十个特点 1.&大脑感觉不到疼痛尽管是它负责处理来自其他身体部位的信号，但就大脑而言，奇怪的是，它竟然无法感到疼痛。 2.&压力可导致大脑萎缩若干研究已经得出结论，压力对我们的大脑有着负面的影响，可减小大脑体积。 3.&15瓦成人的大脑一天只消耗250-300千卡。也就是说，一个重量介于克(成人大脑的平均重量)的大脑的功率约为15瓦特。大脑所消耗的能量相当于2个大香蕉的能量。虽然并不是很多，但与身体总的能量相比，确实是很多，因为完全运转的身体的功率才70瓦特。 4.&数千公里长的神经细胞和无休止的神经再生据估计，人类大脑拥有1000亿个神经细胞，如果把他们排成一条直线，长度将达到1000公里。此外，大脑仍在无休止地产生新的神经细胞，直至我们死亡。而且体育锻炼能激发大脑的创造力。 5.&切断与改造婴儿会切断他所不需要的神经，也就是说，在生命最初2年中切断那些不需要的神经连接。同时，在时，不仅身体结构会改变，而且思维方式也会改变，因为结构已完全改变。 6.&夜晚兴奋，疲劳会激发创造力当身体的其他部位减少活动时(在睡眠时会达到最小的活动量)，但大脑的活动量会增大，因此在大部分情况下，大脑活动量在睡眠时大于清醒时的活动量。因为熬夜时所进行的活动和睡眠时所进行的活动会激活大脑的不同区域。令人更吃惊的是：疲劳的大脑具有更强的创造力。 7.&有性别之分众所周知男人和女人是有区别的，而且男性的大脑和女性的大脑也有着不同的工作方式。事实上，男人和女人在空间的选择上也是有区别的，女人在路线的选择上需要更多的参考物。比如：大部分的男人会说，500米后右转，然后走1000米后左转；一般来说，女人更偏向说,在红色高楼那里右转，然后在遇到一个花店时左转。 8.&信息的传送速度不同大脑中的神经细胞以不同形式排列着，以不同的传送着信息。这就是为什么有时候我们能迅速地想起某些事情，而有时候则需要一段时间才能想起来。 9.&越来越幸福随着大脑的衰老，人们会更容易地控制情绪以及更好地消化消极的想法。所以，随着时间的，我们的幸福感就会变的越高。 10.&智商越高，睡眠越多一个人的智商越高，他的睡眠越多。此外，高智商可以抵抗精神疾病。甚至存在另一情况，那就是高智商的人明明是在睡觉，而事实上他却是清醒的。
&|&相关影像
互动百科的词条（含所附图片）系由网友上传，如果涉嫌侵权，请与客服联系，我们将按照法律之相关规定及时进行处理。未经许可，禁止商业网站等复制、抓取本站内容；合理使用者，请注明来源于www.baike.com。
登录后使用互动百科的服务，将会得到个性化的提示和帮助，还有机会和专业认证智愿者沟通。
此词条还可添加&
编辑次数：13次
参与编辑人数：5位
最近更新时间： 12:34:05
扫码免费获得此书， 新用户手机专享特权。
贡献光荣榜
扫码下载APP}