第40章
显得十分奇怪的是，在宏观世界的独立系统状态——它们可以用具有确定测量值的经典力学来描述的，却是由人这样的意识引起的。
埃弗里特的量子力学的“多世界”解释，将人的意识分裂成不同分支，使不同的、互不相容的世界受到抑制（图5.14c），从而仿佛避免了非线性还原的问题。
在测量过程中，测量仪器和量子系统的动力学的描述使用的方程（t）＝ ci（t）ii，式中状态（i）涉及测量仪器的测量值。埃弗里特认为，态矢量（t）不分裂成部分状态，但是出现了所有的分支ii状态（t）描述了多重的同时存在的真实世界，ii相应于第i个平行的世界。因此，所测量的分系统决非一个纯态。在埃弗里特的意义上，n可以解释为相对态，它依赖于观察者或测量仪器的状态： n＝Cn-1（n，）H2。如果n被看作记忆状态，那么具有一定记忆的观察者只可能意识到他自己的世界分支n×n。但是，他能够观测其他的分世界。
埃弗里特解释的优点在于，叠加的非线性还原并不需要解释。而缺陷在于他的多世界的本体论信念，这样的世界原则上是不可观察的。因此，埃弗里特的解释（如果数学上协调）需要奥卡姆剃刀。
在科学史上，拟人的或目的论的论据往往表明，科学在此存在着解释的分歧或失败。因此，一些科学家如罗杰尔·彭罗斯提出，量子力学的线性动力学对于解释出现意识的宇宙演化是不能令人信服的（爱因斯坦说它是“不完善的”）。他争辩道，线性量子力学和非线性广义相对论的统一理论，至少在原则上可以解释世界上的独立宏观系统状态，而不必牵涉到拟人的或目的论原理。在彭罗斯主张的统一理论中，物理系统的线性叠加，当系统对于相对论引力效应充分大时，就会分裂成独立状态。彭罗斯计算了在一个引力子水平上，对于这种效应的最小的曲率单位的情况。该思想是，这种水平应该令人满意地落在线性量子力学定律的原子、分子等等的量子水平与日常经验的经典水平之间。彭罗斯论据的优点在于，量子世界的线性与宏观世界的非线性将可能用统一的物理理论来解释，而不必牵涉任何人F的干预。当然，我们仍然缺乏可检验的统一理论（参照2．4节）。
然而，由此引出的问题是，量子力学是否提供了人的大脑进化的框架，或至少为新的计算机技术去取代经典的计算机系统提供了框架。量子力学的基本思想是量子状态的叠加，这种叠加是由某种测量实现的线性量子动力学和叠加归并的结果。因此，一个量子计算机世界需要一种逻辑门的量子版本，在此输出将是某种统一算符应用于测量的输入和最终作用的结果。量子系统（例如光子）的叠加提醒我们计算的平行性。如果我们感兴趣的是对于许多计算结果的某种适当组合，而不是其部分的细节，量子计算机将变得非常有用。在此意义上，量子计算机可以在相对短的时间内实现可能的数量巨大的平行计算的叠加，从而克服经典计算系统的效率问题。但是，量子计算机仍将按照某种算法方式运行，因为它们的线性动力学是确定论的。测量的非线性将带来非确定论方面。因此，我们不可能期待，量子计算机将以超出图林机能力而以非算法算符方式运行。所以，量子计算机（如果它们构造出来了）对于复杂性理论和克服实际的计算约束可能更有趣。
关于人的大脑，我们想要争辩的是，量子水平上的基本粒子、原子和分子对于其进化是必要的，而不是需要其他的东西——物理学相关态的归并所必要的大脑精神状态。实际上，相当多的神经元对于单个量子及其叠加和牵连状态的归并并不敏感。但是，这些量子状态当然不可能被大脑的精神状态所察觉。我们既不能意识到叠加，也不能意识到它们由非线性的随机事件引起的分裂成单个状态。然而，在大脑的精神状态的形成和相互作用中涉及到量子效应，它们还远未被满意地理解。
5．3神经计算机和协同计算机
在逻辑、经典力学和量子力学之后，我们还要考察复杂动力学系统对于计算机科学和人工智能发展的关系。显然，图林类型机的算法机制面临着严重的障碍是不可能随经典或量子计算机能力的增长而克服的。例如，模式识别和其他的关于人的感知的复杂任务，不可能由程序控制的计算机来把握。人脑的结构看来是完全不同的。
在科学史上，大脑是用最先进的机器技术模型来说明的。因此，在机械化时代，大脑的功能被看作是沿着神经对于肌肉进行作的液压。随着电子技术的出现，大脑被拿来与电报或电话交换机进行比较。由于计算机的发展，大脑也就被当作最先进的计算机。在上一章中，我们见到，甚至量子计算机（如果它们被构造出来）也不可能使它们的能力增加到超出图林类型算法的复杂性。
与程序控制的系列计算机不同，人的大脑和精神的特征包括矛盾性、不完全性、顽健性和抗噪声、混沌态、对于初始条件的敏感性最后但并非最不重要的是还有学习过程。这些特征在复杂系统探究方式中是众所周知的。关于图林类型和复杂系统的构造，一个根本的局限性来自经典系统的顺序的、集中的控制，而复杂动力系统是内在平行的和自组织的。
然而，历史上，最初的神经网络计算机的设计仍然受到了图林机概念的影响。在麦卡洛克和皮茨的著名文章《神经活动中思想内在性的逻辑演算》（1943）中，作者提出了一种被神经元作为阈值逻辑单元的复杂模型，单元中有激发和抑制突触，这里就运用了罗素、希尔伯特、卡纳普及其他人的数理逻辑概念以及图林机概念。一个麦卡洛克-皮茨神经元在时刻n＋1发放一个沿其轴突的脉冲y，如果在时刻n它的输入x1，…，xm和权重WI，…，Wm的权重和超过了神经元的阈值O（图5．15a）。
麦卡洛克-皮茨神经元的特殊应用是如下的逻辑关联模型：或门（图5．15b）模拟了句子x1和x2的逻辑析取x1ORx2（形式上是x1Ⅴx2），它为假，仅当x1和x2是假句子，否则它是真的。真值是二元表示0（代表假）和1（代表真）。对于阈值Θ=1和权重W1＝1和W2＝1，或门以x1w1-x2w2≥Θ的方式发放，只要x1或x2或者x1和x2都是1。
与门（图5.15c）模拟了x1ANDx2的逻辑合取x1并x2（形式上是x1x2），它为真，仅当x1和x2是真句子，否则它是假的。对于阈值Θ＝2和权重w1＝1和w2＝1，与门以x1w1＋x2w2≥Θ的方式发放，仅仅当x1和x2都是1。
非门（图5．15d）模拟逻辑否定NOTx1（形式上是x1），它为真，仅当x1是假的，否则它是假的。对于阈值Θ＝0和权重w1＝－1，非门以x1w1≥Θ的方式发放，仅当x1为0。因此如果x1是1，那么非门并不发放，这意味着输出y＝x1＝0
一个麦卡洛克－皮茨神经网络是一个麦卡洛克－皮茨神经元系统：把每一神经元的输出分解成为线路而相互关联起来，其中一些输出还与其他神经元的输入相关联（图5．16）。尽管这种系统概念非常简单，但是任何“经典的”冯·诺意曼计算机都可以用这种神经元网络进行模拟。1954年，约翰·冯·诺意曼写了一篇报告稿。它以首次明确阐述存贮程序的思想而闻名，存贮程序与其要操作的数据都可驻留在计算机的记忆装置中。该历史文献表明，冯·诺意曼完全意识到用麦卡洛克－皮茨网络进行计算的可能性。
数学上，一台冯·诺意曼计算机可以设想为一台有限自动机，包括有限输入集X、有限输出集Y和状态的有限集Q。有限自动机的动力学用下一状态的函数&来定义，将时刻t的状态q和输入X变换为时刻t＋1的状态&（q，X），以及将输出函数B与状态q关联成为输出B（q）。
一台冯·诺意曼计算机的组件，诸如输入-输出单元、存贮器、逻辑控制单元和算法单元，都容易表明是有限自动机。甚至一台现代的数值计算机，它是由数千元素集成在芯片上的网络，也可以理解为麦卡洛克-皮茨类型的神经网络。一般地说，每一寄存机、图林机或递归函数，都可以用适当的有限自动机网络来模拟。但是这些麦卡洛克-皮茨神经网络的应用仍然是在程序控制系列计算机的框架中工作。
最先试图将图林的通用计算机概念扩展到自繁殖自动机思想又是约翰冯诺意曼。他注意到，一台建造其他机器的机器，会降低被建造机的复杂性，因为它使用的材料不可能多于由建造机所给定的材料。与这种传统的机械观点相反，生物进化中的活的有机体看来至少是可以与其父代一样复杂，而在长期进化中会增加其复杂性（赫伯特·斯宾塞）。
冯·诺意曼的细胞自动机概念，把活的有机体设想为细胞的自繁殖网络从而首次提出了为其建立数学模型的线索。态空间是均一点阵，它被划分为相同的元胞如同棋盘。