大腦的運作是中心化還是去中心化？

區塊鏈的核心概念 “去中心化” 是近期熱門討論的議題之一，甚至被認為是人類未來重點的科技發展項目。區塊鏈的底層技術不但可能改變傳統金融的 “中心化” 模式，也是發展元宇宙、數位資產以及非同質化代幣（Non-Fungible Token，簡稱：NFT）的關鍵。

大腦控制著人類七情六慾及吃喝拉撒，由數百億個神經元所組成。如此錯綜複雜的神經網路結構，讓許多人將大腦的神經網路與資訊網路做類比，並模仿生物神經網路來建立更有效率的數學模型。

大腦由數百億個神經元所組成，控制著我們的七情六慾及吃喝拉撒。謝啦，大腦！ 圖／GIPHY

同時，為了解大腦真正的運作機制，我們也會借鏡已有的計算模型，試圖透過演算以及推論來得知大腦的未解之謎。區塊鏈的去中心化能分散風險，避免結構受損時的訊息損失，這就好似大腦的可補償性，但是在其他的特性上大腦在運作上究竟是偏向中心化還是去中心化呢？這篇文章我們將討論大腦的網路結構以及運作功能的理論。

大腦作為整體來運作，既非單一中心也非完全去中心化

人類的大腦結構極為複雜，由大約 860 億個神經元組成，電訊號無時無刻在各錯綜複雜連的神經網路中傳遞。

科學家們藉由觀察及操弄，甚至模擬來推論部分大腦的功能，透過體外細胞或組織的實驗操作（in vitro）、存活個體的生物實驗（in vivo），又或是於電腦中進行的模擬（in silico），希望能解密神經網路的運算原則。可惜至今我們還無法全面的了解大腦是如何處理及儲存環境複雜的訊息，並極有效率地讓我們做出認知思考、情緒表現以及運動反應。

1950 年代的認知革命（cognitive revolution）開始將科學方法導入心理學的研究，並認為大腦的主要工作就是在進行訊息處理，將外界訊息傳換成內在的想法及感受，甚至認為心智是可模組化的[1]。他們認為要了解心智運作，只需要將大腦想像成一台汽車，只要能拆解並了解各零組件功能，就能再重新組裝一部一模一樣的車。

現代實驗心理學之父，認知心理學以及構造主義心理學（structural psychology）的重要奠基者威廉．馮特（Wilhelm Maximilian Wundt）和其學生愛德華．鐵欽納（Edward Bradford Titchener），則認為心智就像是化學一樣，可以解析成單位來研究。

但是，我們大腦的運作並非機械，拆解成小單位反而無法看到其整體是如何運作產生功能。心理學的格式塔學派（Gestalt），也稱為完形心理學，由馬科斯．韋特墨（Max Wertheimer）、沃爾夫岡．苛勒（Wolfgang Köhler）和科特．考夫卡（Kurt Koffka）三位德國心理學家創立，以我們感官的認知經驗作為證據提出大腦的運作原理是整體的看法。

就如同圖中看似毫無規律的黑點，在格式塔學派的整體性（emergence）的理論中，我們大腦能顯示出一隻大麥町狗在樹旁低頭的影像，但若是我們只擷取整個大麥町的頭的部分圖像給尚未看過原圖的人觀看，幾乎是無法看出該圖是代表一個狗的頭（圖一）。

格式塔學派說明的經典例子。圖中的狗並沒有完整的輪廓，但我們卻能察覺 「狗」做為一個整體並辨認其各身體部位。
圖一／POPULAR SCIENCE。

擷取左圖狗頭的部分。若只將此擷取圖給尚未看過原始圖的人看，是很難看出擷取圖代表的意義。圖一／POPULAR SCIENCE

上述關於心智的理論都認為大腦是作為整體來運作，並非單一中心又或是完全去中心化。但大腦在結構上是作為整體運作還是有分工呢？從神經解剖上來看，大腦有功能區位化或類似多中心的特性，大腦皮質部分大致分為前葉（frontal lobe），主要是處理運動、工作記憶的部分；頂葉（parietal lobe）則是負責處理感覺以及注意力；顳葉（temporal lobe）則是聽覺，而枕葉（occipital lobe）則是視覺[2]。

雖然這樣的構造看似違背了格式塔學派的看法，不過隨著解剖及記錄技術的進步，發現不同腦區有互相連結且彼此震盪（oscillation），並有利於訊息整合，說明腦區間訊息是流通且會互相影響。譬如前葉和顳葉的 Gamma 頻率神經震盪和語言運動控制有關[3]。此外，異常的腦區間震盪也與精神疾病導致的失常認知功能有關[4][5]，也符合大腦整體運作的重要性理論。

神經網路的可能運算特性

大腦透過多感官訊息的運算整合了解世界。舉例來說，在走路時，神經系統整合了視覺輸入產生的光流（optical flow）和身體移動帶來的平衡覺前庭訊號（vestibular signal），藉此幫助我們判斷轉頭以及運動方向。

近期有一篇神經模擬的研究，則試圖了解去中心化的神經網路在處理多感官整合的可能性。研究團隊嘗試以視覺與平衡覺整合來推論轉頭方向，結果發現去中心化模型能理想地整合不同線索的訊息及推估刺激[6]。

但這與區塊鏈的去中心化是相同的嗎？

目前對神經連結的研究，已知大腦內的神經元不是全部都彼此互相連結溝通無阻，這也說明區塊鏈的去中心化在以全腦神經元作為連結單位來看是不存在的。

神經網路的連結原則，被認為可能具有小世界（small world）與無尺度（scale-free）的特性[7]。小世界網路遵循著高集中及相對短連結的特徵，大部分節點並不相連，但卻可以透過少數幾個連結達到，且存在類似中心的樞紐（hub）。

六度分隔理論（six degrees of separation）認為，世界上任兩個互不相識的陌生人，中間人最多只有 6 個人。 圖一／wikimedia

更白話一點就是，點與點看似距離遙遠，其實距離不遠，並且能透過較短的距離彼此連結，這也就是著名的社會人際的六度分隔理論（six degrees of separation），認為任何兩位陌生人所間隔的人不會超過六位[8]。建立在傳統的小世界網路模型之上，也有人認為大腦遵循階層架構（hierarchical structure），各腦葉中由幾個較小且集中的連結形成，而腦葉間的連結則是較為疏散的連結[9]（圖二）。

無尺度網路符合幂率分布（power-law）特性，網路中大部分節點只和很少節點連結，但極少數節點與非常多節點連結[10]。此網路有容錯的特性，不會因部分節點失效而讓整體網路喪失功能。但容錯性卻相對應帶來攻擊脆弱的特性，如果重要的節點被攻擊，則網路將嚴重受損。

如此的網路已不再只有一個中心，廣義來看確實像是去中心化。但網路中卻存有多個中心，也是和區塊鏈資料散佈到所有節點的意義是不同的。以上從神經網路可能的數學模型來看，似乎間接說明大腦的中心化及去中心化特性是存在於不同的觀察尺度。

(a)傳統小世界網路，有著高集中及相對短連結的特性 (b)階層式模組網路，局部連結為傳統小世界但幾個大腦區整體連結是較為疏散的。圖二／Brain Structure&Function。

神經元是神經運算的最小單元？

從結構上來看，人類大腦有數百億的神經元，若最小的功能性單元為單一神經元，則我們則需要定義數百億的功能，且若某個神經元死亡，則代表該功能喪失。

事實上大腦有著很強的可塑性（plasticity）及某程度的抵抗性（resistance），部分神經的受損可以由其他神經互補功能。若功能性單元不是神經元，有可能是腦葉嗎？但腦葉做為功能單元，則又太過廣泛，舉例來說，就算是視覺，又可細分成顏色，深度，明亮度…等等的概念。如此推論下去，很難就功能性單元有明確的定義。

有趣的是，大腦神經紀錄上確實能看到部分神經對特定刺激會同時反應，又或是同時休息的特性，並且腦區與腦區的連結是以神經束的概念傳遞，而不是單一神經的傳遞。這說明了神經迴路的神經元會形成一集團共同處理同一刺激並往下一站傳遞。這些集團們則有很大的可能擁有與區塊鏈相同的特性，代表集團內的神經元們會彼此共享資訊。並且，少數幾個神經元被移除也不影響訊息處理及傳遞。

可惜的是，若要證明此概念，生物實驗上目前有執行上的困難。因為技術上無法在活體上定義神經元尺度的集團位置及集團成員（神經元）。此外，神經元對應的訊息刺激也尚未有定論，並不像區塊鏈本身就是有著明確定義為有交易紀錄的分散式帳本。

大腦神經紀錄上確實能看到部分神經對特定刺激會同時反應、休息的特性。 圖／GIPHY

結論

從巨觀來看，大腦看似只有幾個重要的中心處理特定功能，從介觀來看，中心與各中心是由錯綜複雜的神經網路的連結形成，為了使訊息傳遞有效率，網路可能遵守著小世界網路或是幂率分布特性。

這樣的連結網路是多中心而不像區塊鏈資料完全透明共享。從微觀來看，由於數個神經元能處理相同刺激並傳遞相同訊息，代表部分神經集團很有可能符合區塊鏈特性，這也解釋為何人類大腦有如此多的神經元。受限於神經集團定義上的困難及進一步驗證此是否符合區塊鏈特性數學上的定義，探索大腦神經網路的特性還需要眾人努力。

參考文獻：

1. https://en.wikipedia.org/wiki/Cognitive_revolution
2. https://en.wikipedia.org/wiki/Lobes_of_the_brain
3. Kingyon J, Behroozmand R, Kelley R, Oya H, Kawasaki H, Narayanan NS, Greenlee JD. High-gamma band fronto-temporal coherence as a measure of functional connectivity in speech motor control. Neuroscience. 2015 Oct 1;305:15-25. doi: 10.1016/j.neuroscience.2015.07.069.
4. John JP. Fronto-temporal dysfunction in schizophrenia: A selective review. Indian J Psychiatry. 2009 Jul-Sep;51(3):180-90. doi: 10.4103/0019-5545.55084.
5. Dols A, Krudop W, Möller C, Shulman K, Sajatovic M, Pijnenburg YA. Late life bipolar disorder evolving into frontotemporal dementia mimic. Neuropsychiatr Dis Treat. 2016 Sep 7;12:2207-12. doi: 10.2147/NDT.S99229.
6. Zhang, W. H., Chen, A., Rasch, M. J. & Wu, S. Decentralized Multisensory Information Integration in Neural Systems. J Neurosci 36, 532-547, doi:10.1523/JNEUROSCI.0578-15.2016 (2016).
7. Yao Z, Hu B, Xie Y, Moore P, Zheng J. A review of structural and functional brain networks: small world and atlas. Brain Inform. 2015 Mar;2(1):45-52. doi: 10.1007/s40708-015-0009-z. Epub 2015 Feb 14.
8. https://en.wikipedia.org/wiki/Small-world_experiment
9. Hilgetag, C. C. & Goulas, A. Is the brain really a small-world network? Brain Struct Funct 221, 2361-2366, doi:10.1007/s00429-015-1035-6 (2016).
10. https://en.wikipedia.org/wiki/Scale-free_network

Read More