根據(jù)統(tǒng)計(jì)，近幾年在科學(xué)技術(shù)領(lǐng)域最重要最有前景的技術(shù)——大數(shù)據(jù)，機(jī)器學(xué)習(xí)和人工智能名列前茅。
今天，就算你不知道什么是人工智能，也一定聽(tīng)過(guò)AI（Artificial Intelligence）的大名，甚至還能聊上一聊個(gè)人的見(jiàn)解。如果你是各種信息平臺(tái)的重度用戶(hù)，那一定已經(jīng)深切地體會(huì)到大數(shù)據(jù)推送的精準(zhǔn)和神奇。
筆者今天要科普的不是機(jī)器學(xué)習(xí)和人工智能，而是連接該技術(shù)的另一端，通過(guò)對(duì)人工智能的研究，反過(guò)來(lái)認(rèn)識(shí)和理解我們?nèi)祟?lèi)自身大腦的機(jī)理，然后從科學(xué)的角度來(lái)解釋什么是意識(shí)。
我們的思想來(lái)自于大腦，然而我們又無(wú)法直接觀察大腦的運(yùn)作，因此要了解大腦的工作機(jī)理非常困難。
想揭開(kāi)大腦的奧秘，我們先來(lái)看看計(jì)算機(jī)的工作原理。
我們都知道，計(jì)算機(jī)/電腦是由輸入，輸出，控制，運(yùn)算，存儲(chǔ)五個(gè)基本部分組成。計(jì)算機(jī)的功能概括起來(lái)就是：將輸入的信息，經(jīng)過(guò)一系列的運(yùn)算，然后輸出一個(gè)運(yùn)算結(jié)果。
計(jì)算機(jī)為什么被稱(chēng)為電腦？因?yàn)樗幕竟ぷ髟砀四X是一樣的：我們通過(guò)視覺(jué)，聽(tīng)覺(jué)，嗅覺(jué)，味覺(jué)，觸覺(jué)向大腦傳送信息（輸入）；然后大腦對(duì)信息進(jìn)行一系列的分析判斷（運(yùn)算）；最后做出相應(yīng)的反應(yīng)（輸出）。
其中輸入和輸出部分是直觀的，而運(yùn)算部分（大腦）是一個(gè)黑盒，沒(méi)有人能夠看到大腦究竟是如何處理信息的。
既然看不到我們的大腦是如何分析信息的，那么就先來(lái)看一下電腦是如何進(jìn)行計(jì)算的。
稍微懂一些編程的都知道，計(jì)算機(jī)的運(yùn)算程序最早是由很多if else指令進(jìn)行邏輯運(yùn)算的。大概是這個(gè)樣子的：
if 輸入1 then 輸出1
else if 輸入2 then 輸出2
else if………
這樣的程序雖然也能夠處理越來(lái)越復(fù)雜的邏輯，甚至很多復(fù)雜的程序遠(yuǎn)遠(yuǎn)超過(guò)人腦的分析能力，但是，這樣的程序是沒(méi)有靈魂的。
因?yàn)樗械倪壿嬇袛喽际浅绦蛟O(shè)定好的，計(jì)算過(guò)程是固定的，靈活性只取決于你的程序中寫(xiě)了多少if else分支。
但人腦顯然不是按照固定的邏輯來(lái)處理信息的，人腦的靈魂來(lái)自學(xué)習(xí)，所謂活到老學(xué)到老，隨著學(xué)習(xí)和認(rèn)知的改變，人腦對(duì)相同信息的判斷是不斷變化著的。
電腦技術(shù)發(fā)展到這個(gè)時(shí)期，雖然算力在不斷提高，但終究還只是一部按照指令運(yùn)行的機(jī)器，還談不上智能。
然而，當(dāng)計(jì)算機(jī)技術(shù)進(jìn)入到人工智能階段以后，情況就開(kāi)始變得有趣了。
很多人可能對(duì)人工智能的第一印象是，由大量運(yùn)算模擬出來(lái)的類(lèi)似智能的決策。其實(shí)不是，人工智能的質(zhì)變是讓電腦實(shí)現(xiàn)了人腦的學(xué)習(xí)能力，從而電腦也可以通過(guò)學(xué)習(xí)來(lái)不斷獲得和更新知識(shí)，而不再是單純的運(yùn)行指令而已。
學(xué)習(xí)能力，是實(shí)現(xiàn)智能的關(guān)鍵。
比如今天普遍應(yīng)用的人臉識(shí)別技術(shù)，它不只是識(shí)別靜態(tài)的證件照而已，不管你做什么樣的表情，或者從不同的角度，不同的距離，它都能夠準(zhǔn)確的識(shí)別出來(lái)，那么計(jì)算機(jī)是如何做到的呢？
比如大數(shù)據(jù)推送能夠精準(zhǔn)地把你感興趣的內(nèi)容推送給你，這又是如何做到的呢？難道計(jì)算機(jī)已經(jīng)能夠讀懂并理解人類(lèi)的語(yǔ)言？
本文我們不展開(kāi)討論機(jī)器學(xué)習(xí)的細(xì)節(jié)，而是要引入一個(gè)重要的概念：神經(jīng)網(wǎng)絡(luò)（Neural Network）模型。
神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)（Machine Learning）的一種模型，這種網(wǎng)絡(luò)結(jié)構(gòu)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。
也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的理論基礎(chǔ)，跟我們?nèi)四X學(xué)習(xí)的原理是一樣的，只是在具體實(shí)現(xiàn)上有一些不同。
機(jī)器學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法由三種網(wǎng)絡(luò)層組成：輸入層（輸入信息）、隱藏層（分析計(jì)算）以及輸出層（輸出結(jié)果）。
輸入層：為數(shù)據(jù)特征輸入層，輸入數(shù)據(jù)特征個(gè)數(shù)就對(duì)應(yīng)著網(wǎng)絡(luò)的神經(jīng)元數(shù)。
隱藏層：即網(wǎng)絡(luò)的中間層，隱藏層層數(shù)可以為0或者很多層，其作用是接受前一層網(wǎng)絡(luò)輸出作為當(dāng)前的輸入值，并計(jì)算輸出當(dāng)前結(jié)果到下一層。隱藏層是神經(jīng)網(wǎng)絡(luò)性能的關(guān)鍵，通常由含激活函數(shù)的神經(jīng)元組成，以進(jìn)一步加工出高層次抽象的特征，以增強(qiáng)網(wǎng)絡(luò)的非線性表達(dá)。隱藏網(wǎng)絡(luò)層數(shù)直接影響模型的擬合效果。
輸出層：為最終結(jié)果輸出的網(wǎng)絡(luò)層。輸出層的神經(jīng)元個(gè)數(shù)代表了分類(lèi)標(biāo)簽的個(gè)數(shù)。（注：在做二分類(lèi)時(shí)，如果輸出層的激活函數(shù)采用sigmoid，輸出層的神經(jīng)元個(gè)數(shù)為1個(gè)；如果采用softmax分類(lèi)器，輸出層神經(jīng)元個(gè)數(shù)為2個(gè)）
引入神經(jīng)網(wǎng)絡(luò)的重點(diǎn)在于，我們?nèi)四X處理信息的機(jī)制，也是一個(gè)由神經(jīng)元組成的網(wǎng)絡(luò)。每一個(gè)神經(jīng)元有輸入，處理，輸出。然后很多神經(jīng)元連接在一起，形成一個(gè)個(gè)網(wǎng)絡(luò)，對(duì)各種信號(hào)進(jìn)行處理和反應(yīng)，這就是大腦會(huì)思考的根本。
接收區(qū)：樹(shù)突到胞體部分，會(huì)有電位的變化，階梯性的生電。階梯性是指樹(shù)突接受不同來(lái)源的突觸，如果接收的來(lái)源越多，對(duì)胞體膜電位的影響越大，反之亦然。而接受的信息在胞體內(nèi)整合。
觸發(fā)區(qū)：在細(xì)胞體整合的電位，決定是否產(chǎn)生神經(jīng)信號(hào)的起始點(diǎn)。位于軸突和胞體交接的地方。也就是軸丘的部分。
傳導(dǎo)區(qū)：為軸突的部分，當(dāng)產(chǎn)生神經(jīng)信號(hào)時(shí)，遵守全有全無(wú)定律來(lái)決定是否將神經(jīng)信號(hào)傳導(dǎo)下去。
輸出區(qū)：神經(jīng)信號(hào)的目的就是要讓神經(jīng)末梢，突觸的神經(jīng)傳遞物質(zhì)或電信號(hào)輸出，才能影響下一個(gè)接受的細(xì)胞，稱(chēng)為突觸傳遞。
有了神經(jīng)網(wǎng)絡(luò)，就可以進(jìn)行決策分析了嗎？ —— 還不行。
如一個(gè)新生兒，雖然已經(jīng)有了大腦，但是還不會(huì)思考。需要有一個(gè)長(zhǎng)期的學(xué)習(xí)過(guò)程才能慢慢建立起來(lái)認(rèn)知和邏輯。
那么，神經(jīng)網(wǎng)絡(luò)是如何通過(guò)學(xué)習(xí)獲取認(rèn)知的呢？
其基本原理并不復(fù)雜，就是從大量的歷史數(shù)據(jù)中找出規(guī)律，根據(jù)規(guī)律建立一個(gè)函數(shù)/算法。這個(gè)算法不是固定的，而是在學(xué)習(xí)數(shù)據(jù)的過(guò)程不斷調(diào)整精度，學(xué)習(xí)的數(shù)據(jù)越多這個(gè)算法就越精確。而這個(gè)算法在神經(jīng)網(wǎng)絡(luò)里面的存在形式，就是交織在一起的網(wǎng)絡(luò)結(jié)構(gòu) 。
也就是說(shuō)，人腦/神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，是通過(guò)大量的經(jīng)驗(yàn)數(shù)據(jù)來(lái)訓(xùn)練組建神經(jīng)元組織結(jié)構(gòu)的一個(gè)過(guò)程。
我們大腦的認(rèn)知是通過(guò)數(shù)據(jù)訓(xùn)練出來(lái)的，而這種認(rèn)知是一種以神經(jīng)網(wǎng)絡(luò)的形式客觀存在的（硬件而不是軟件）。
大腦的思考過(guò)程不是一種虛無(wú)縹緲的，隨意的意識(shí)行為，而是神經(jīng)元網(wǎng)絡(luò)對(duì)信號(hào)的處理過(guò)程，是一個(gè)客觀實(shí)體的反應(yīng)過(guò)程。
到這里我們已經(jīng)大概了解到我們的大腦是如何學(xué)習(xí)知識(shí)并且思考決策的，這不是一個(gè)虛無(wú)的純粹意識(shí)層面的活動(dòng)，而是以神經(jīng)元網(wǎng)絡(luò)的形式客觀存在的。這是一種大腦硬件結(jié)構(gòu)而不是軟件，認(rèn)識(shí)到這一點(diǎn)非常重要。
只有認(rèn)識(shí)到這一點(diǎn)，我們才可以通過(guò)觀察人工神經(jīng)網(wǎng)絡(luò)來(lái)反過(guò)來(lái)分析我們的大腦，因?yàn)檫@兩者的工作原理其實(shí)是一樣的。
為了文字的簡(jiǎn)潔，在下文中，如果提到神經(jīng)網(wǎng)絡(luò)，沒(méi)有特別說(shuō)明的情況下是指人工神經(jīng)網(wǎng)絡(luò)/電腦；如果提到人腦，就是指人腦中的神經(jīng)元網(wǎng)絡(luò)。以此來(lái)區(qū)分電腦神經(jīng)網(wǎng)絡(luò)和人腦神經(jīng)網(wǎng)絡(luò)。
下面我們用一個(gè)最簡(jiǎn)單的例子，分析一下如何利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練對(duì)電腦進(jìn)行“洗腦”。
比如我們要讓神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)識(shí)別什么是一只貓。
我們首先給電腦輸入大量貓的圖片，神經(jīng)網(wǎng)絡(luò)就會(huì)根據(jù)這些圖片逐漸找到共性，提取特征，調(diào)整這個(gè)參數(shù)的權(quán)重，逐漸訓(xùn)練出一個(gè)識(shí)別率很高的算法（網(wǎng)絡(luò)結(jié)構(gòu)）。
比如這個(gè)算法可能是根據(jù)兩只耳朵，兩個(gè)眼睛，一個(gè)頭，四條腿，一條尾巴作為特征來(lái)識(shí)別貓。甚至更精確的參數(shù)，耳朵是什么形狀，頭占整體的比例大概多少等等。
于是，電腦通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)，成功學(xué)會(huì)了如何識(shí)別一只貓。
看起來(lái)好像是一個(gè)成功的學(xué)習(xí)案例。
但是，這樣訓(xùn)練出來(lái)的神經(jīng)網(wǎng)絡(luò)，如果我們給它看一張狗的圖片，電腦會(huì)如何判斷呢？——它可能會(huì)覺(jué)得這也是一只貓。
因?yàn)楣芬灿袃芍欢洌粋€(gè)頭，四條腿，一條尾巴，符合電腦學(xué)習(xí)到的貓的特征。
如果我們告訴電腦這是一只狗，不是貓，電腦會(huì)不會(huì)立刻改變它對(duì)貓和狗的認(rèn)知？
——不會(huì)的。 因?yàn)殡娔X對(duì)貓的判斷是基于神經(jīng)網(wǎng)絡(luò)復(fù)雜的算法路徑，這個(gè)算法路徑是經(jīng)過(guò)長(zhǎng)期學(xué)習(xí)訓(xùn)練出來(lái)的，并不會(huì)因?yàn)橐淮渭m正就徹底改變；所以，盡管你告訴它一個(gè)事實(shí)（這是一只狗），它也不會(huì)立刻接受。
你看，我們通過(guò)給電腦“洗腦”，讓它把狗認(rèn)成一只貓，哪怕你告訴它那是一只狗，它也不會(huì)“相信”你。
為什么會(huì)出現(xiàn)這種情況呢？因?yàn)槲覀冊(cè)诮o電腦輸入數(shù)據(jù)學(xué)習(xí)的時(shí)候，只給它輸入了貓的數(shù)據(jù)，而沒(méi)有提供用來(lái)做對(duì)比分類(lèi)的數(shù)據(jù)，比如狗，兔子等其他哺乳動(dòng)物。
通過(guò)這個(gè)例子我們可以得出這樣的結(jié)論：給神經(jīng)網(wǎng)絡(luò)/大腦輸入大量單方面的信息，過(guò)濾掉用以對(duì)比分類(lèi)的其他信息，會(huì)把神經(jīng)網(wǎng)絡(luò)/大腦訓(xùn)練成一個(gè)片面的認(rèn)知模型，從而會(huì)錯(cuò)判其他類(lèi)型的信息。
——通過(guò)信息過(guò)濾，可以灌輸認(rèn)知。
再考慮下面這個(gè)例子。
假如我們給電腦學(xué)習(xí)的過(guò)程中輸入了1萬(wàn)張貓的圖片，然而這一萬(wàn)張貓的圖片里面只有一千張是真的貓，另外9千張其實(shí)是狗。
結(jié)果又會(huì)怎樣呢？
很明顯，神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)之后會(huì)認(rèn)為狗才是貓（90%可能是貓），而貓不是貓（只有10%可能是貓）。如果你給它一張狗的圖片告訴它：這是狗，或者給它一張貓的圖片告訴它：這是貓。電腦會(huì)認(rèn)為你錯(cuò)了。
通過(guò)這個(gè)例子我們可以得出這樣的結(jié)論：只要給神經(jīng)網(wǎng)絡(luò)/大腦輸入足夠多次數(shù)的錯(cuò)誤信息，這個(gè)錯(cuò)誤信息最終會(huì)覆蓋掉正確的信息。而正確的信息反而會(huì)被判定為是錯(cuò)誤的。
——謊言重復(fù)1000遍，就變成了真理。
同理，如果我們給電腦神經(jīng)網(wǎng)絡(luò)輸入一萬(wàn)張貓的圖片，但是告訴電腦這不是貓。
顯然，這樣可以把電腦訓(xùn)練出“貓不是貓”的認(rèn)知。
——只要我們重復(fù)灌輸否定事實(shí)的判定，最終神經(jīng)網(wǎng)絡(luò)就會(huì)認(rèn)為事實(shí)不是真的。
通過(guò)以上這些例子我們可以直觀的看出，洗腦策略的基本原理是相通的，就是通過(guò)大量的重復(fù)灌輸某些特定的信息，來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終讓神經(jīng)網(wǎng)絡(luò)形成一種固定的判定路徑，一旦這種判定形成，任何不同判定的信息（哪怕是事實(shí)），都會(huì)被神經(jīng)網(wǎng)絡(luò)否定。
這就是我們所常說(shuō)的慣性思維，價(jià)值觀，意識(shí)形態(tài)。
看，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的分析，我們是可以直觀的理解意識(shí)形態(tài)是怎么形成的。
我們現(xiàn)在已經(jīng)理解了洗腦的基本原理，那么，我們?nèi)绾尾拍芘袛嘧约菏遣皇潜幌茨X了呢？
在進(jìn)入這個(gè)問(wèn)題之前，我們先要了解神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)中一個(gè)重要的機(jī)制：驗(yàn)證機(jī)制。
上面說(shuō)過(guò)，神經(jīng)網(wǎng)絡(luò)是通過(guò)學(xué)習(xí)逐漸建立起來(lái)的一個(gè)復(fù)雜的網(wǎng)絡(luò)路徑/算法，這個(gè)算法不是固定的，而是隨著學(xué)習(xí)逐漸改進(jìn)的。驗(yàn)證機(jī)制就是用來(lái)改進(jìn)算法的重要機(jī)制。
比如我們的電腦通過(guò)一段時(shí)間的學(xué)習(xí)已經(jīng)形成了一個(gè)識(shí)別貓的網(wǎng)絡(luò)/算法，那么怎么知道這個(gè)算法是否足夠好呢？就是通過(guò)不斷的驗(yàn)證。
比如我們輸入一張新的圖片，電腦通過(guò)網(wǎng)絡(luò)計(jì)算，如果輸出的結(jié)果是正確的，那么就得到一個(gè)正反饋，說(shuō)明當(dāng)前的算法是正確的。
然而，如果電腦計(jì)算輸出的結(jié)果是錯(cuò)誤的（比如把狗認(rèn)成貓），那么就得到一個(gè)負(fù)反饋。更重要的是，這時(shí)候電腦就需要計(jì)算誤差，再根據(jù)誤差調(diào)整現(xiàn)有的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。這個(gè)調(diào)整算法的過(guò)程可能會(huì)消耗大量的算力。
當(dāng)神經(jīng)網(wǎng)絡(luò)檢驗(yàn)一條信息，如果這條信息符合當(dāng)前的路徑/算法，那么會(huì)得到一個(gè)正反饋，誤差為0，輕松通過(guò)；
但是如果這條信息不符合當(dāng)前的路徑/算法，就會(huì)得到一個(gè)負(fù)反饋，這個(gè)時(shí)候需要計(jì)算誤差，調(diào)整算法，相當(dāng)消耗算力。
同樣，我們的大腦神經(jīng)元網(wǎng)絡(luò)在接受信息的時(shí)候，如果信息符合當(dāng)前神經(jīng)路徑，大腦會(huì)得到一個(gè)正反饋，輕松愉悅；
但是如果這條信息不符合當(dāng)前神經(jīng)路徑，大腦會(huì)得到一個(gè)負(fù)反饋，這個(gè)時(shí)候，大腦會(huì)開(kāi)始檢查究竟是哪里出錯(cuò)了？出錯(cuò)的原因是什么？然后再根據(jù)分析的結(jié)果反饋給神經(jīng)元重新修正神經(jīng)網(wǎng)絡(luò)。這個(gè)修正神經(jīng)元網(wǎng)絡(luò)的過(guò)程會(huì)消耗大量的能量和精力，因此大腦會(huì)有一種非常不適的感覺(jué)（類(lèi)似我們?cè)诮∩淼臅r(shí)候肌肉會(huì)感到非常不適）。
理解大腦對(duì)信息的反饋機(jī)制非常重要。這個(gè)機(jī)制可以幫助我們解釋很多現(xiàn)象。
比如為什么我們?cè)谕娴臅r(shí)候會(huì)很愉快，而在學(xué)習(xí)的時(shí)候會(huì)覺(jué)得很痛苦；比如為什么斯德哥爾摩綜合癥的受害者反而會(huì)為施害者辯護(hù)。 等等很多抽象的甚至不合常理的現(xiàn)象。
我們也可以用這個(gè)機(jī)制來(lái)檢驗(yàn)我們的大腦是不是被“洗腦”了。
讀者可能會(huì)問(wèn)，判斷是不是被洗腦不是應(yīng)該以是不是知道“真相”為標(biāo)準(zhǔn)嗎？為什么還要理解大腦對(duì)信息的反饋機(jī)制？
因?yàn)?，真相是一個(gè)很難鑒定，甚至有些主觀的概念。
每個(gè)人都認(rèn)為自己了解的就是真相，但其實(shí)沒(méi)有任何人能夠了解真相的全部。真相的全部所包含的信息量非常龐大，錯(cuò)綜復(fù)雜，可能遠(yuǎn)遠(yuǎn)超過(guò)我們每個(gè)人大腦所能存儲(chǔ)的范圍；就像一座冰山，每個(gè)人能夠看到的都只是冰山的一角，沒(méi)有人能夠看到冰山的全部，如果真相是冰山上的一只螞蟻呢？那你恐怕永遠(yuǎn)都不可能找到它。
因此，大部分人都會(huì)有這樣的幻覺(jué)：“我了解到的才是真相，你們都被洗腦了。”——當(dāng)我們這樣想的時(shí)候，我們可能已經(jīng)被洗腦了。
因此，通過(guò)大腦的反應(yīng)來(lái)識(shí)別洗腦是更直接有效的方法。
我們都有這樣的經(jīng)歷，當(dāng)我們刷抖音的時(shí)候，沉浸在一個(gè)接一個(gè)的視頻中，心情無(wú)比愉悅，興奮，感動(dòng)，有認(rèn)同感，看到激動(dòng)處甚至心跳加速，心潮澎湃。于是不斷的刷視頻，停不下來(lái)。
根據(jù)大腦反饋機(jī)制判斷，這是因?yàn)檫@些視頻的內(nèi)容與我們大腦中的神經(jīng)網(wǎng)絡(luò)高度契合，因此我們的大腦不斷受到正反饋，感到愉悅，興奮。
而這個(gè)時(shí)候，我們就要停下來(lái)反思一下，我們是不是已經(jīng)被這類(lèi)內(nèi)容洗腦了？
更糟糕的是，抖音也有它自身的神經(jīng)網(wǎng)絡(luò)，而它的神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)對(duì)你喜好的學(xué)習(xí)不斷給你推送類(lèi)似的內(nèi)容（大數(shù)據(jù)推送）；這又反過(guò)來(lái)讓這類(lèi)內(nèi)容在你大腦中占的權(quán)重越來(lái)越高，也就讓你的洗腦狀態(tài)越來(lái)越嚴(yán)重。
而另一方面，有些時(shí)候，我們偶爾也會(huì)刷到一兩個(gè)不怎么常見(jiàn)的視頻。這類(lèi)視頻會(huì)讓你感到很沒(méi)勁，無(wú)聊，荒謬，甚至不安。你會(huì)覺(jué)得看這種視頻太痛苦了，想立刻把它關(guān)掉。
根據(jù)大腦反饋機(jī)制判斷，這是因?yàn)檫@些視頻的內(nèi)容與我們大腦中的神經(jīng)網(wǎng)絡(luò)相抵觸，我們的大腦受到負(fù)反饋，需要重新調(diào)整神經(jīng)網(wǎng)絡(luò)，所以感到不適。
這個(gè)時(shí)候，我們也要停下來(lái)反思一下，我們是不是已經(jīng)被其他不同類(lèi)的內(nèi)容洗腦了？
現(xiàn)在我們已經(jīng)了解了如何識(shí)別洗腦，那么，該如何對(duì)抗洗腦呢？
首先，我們要糾正一個(gè)關(guān)于洗腦和反洗腦的認(rèn)識(shí)上的誤區(qū)——我們都認(rèn)為被洗腦的人深陷其中是因?yàn)樗麄儾恢朗聦?shí)的真相，只要他們接觸到了真相，他們就會(huì)從洗腦中清醒過(guò)來(lái)。
其實(shí)不是這樣的。
相信每個(gè)人都有過(guò)這樣的經(jīng)歷，身邊有深陷傳銷(xiāo)或網(wǎng)購(gòu)的人，無(wú)論你怎么跟他們擺事實(shí)講道理，他們都不會(huì)相信。為什么會(huì)這樣呢？
因?yàn)榇竽X對(duì)信息的判斷是基于神經(jīng)元網(wǎng)絡(luò)，而神經(jīng)元網(wǎng)絡(luò)是物理存在于我們大腦中的非常復(fù)雜的結(jié)構(gòu)，這種結(jié)構(gòu)不會(huì)因?yàn)榻佑|到了“真相”就會(huì)立刻被改變。
因此，對(duì)抗洗腦的根本是如何調(diào)整大腦中存在的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
先來(lái)講一個(gè)小故事。
有一個(gè)段子，如果想讓一個(gè)南方人和一個(gè)北方人吵起來(lái)，最簡(jiǎn)單的辦法就是討論這個(gè)問(wèn)題：豆腐腦是加鹽還是加糖？番茄炒蛋是咸的還是甜的？
筆者是北方人，從小吃咸的番茄炒蛋長(zhǎng)大。18歲那年，考入南方一所高校，記得第一次在學(xué)校食堂吃番茄炒蛋，一口差點(diǎn)沒(méi)吐出來(lái)，這怎么是甜的？太難吃了！
但是半年以后，筆者再也不覺(jué)得甜口的番茄炒蛋難吃，反而覺(jué)得味道很不錯(cuò)。更神奇的是，回到北方老家，再吃咸口的番茄炒蛋，也還是一樣好吃。
從此，番茄炒蛋是咸的還是甜的對(duì)于筆者來(lái)說(shuō)再也不是一個(gè)需要爭(zhēng)論的問(wèn)題。
這個(gè)小故事包含了洗腦，反洗腦，對(duì)錯(cuò)和真相的簡(jiǎn)單邏輯。
番茄炒蛋放鹽和放糖，哪個(gè)是對(duì)的？哪個(gè)才是真相？
筆者一開(kāi)始覺(jué)得甜口的番茄炒蛋太難吃了，真的是因?yàn)樘鹂诘姆殉吹氨认炭诘姆殉吹半y吃嗎？
答案讀者們應(yīng)該都很清楚了，其實(shí)關(guān)于番茄炒蛋的對(duì)錯(cuò)和真相，完全取決筆者的習(xí)慣。當(dāng)筆者對(duì)兩種口味都習(xí)慣了以后，咸的和甜的就變成了都是對(duì)的。
當(dāng)我們的大腦神經(jīng)網(wǎng)絡(luò)傾向某一方面的時(shí)候，我們就會(huì)變得排斥其他方面；如果我們能讓我們的大腦接受其他的方面，我們就解鎖了新的技能，當(dāng)我們解鎖越多的技能，就可以處理越復(fù)雜的矛盾。
筆者記得很多年前的談話(huà)節(jié)目，一般都要請(qǐng)兩個(gè)嘉賓，一個(gè)嘉賓講正方觀點(diǎn)，另一個(gè)嘉賓講反方觀點(diǎn)。不知道什么時(shí)候起，這種形式的媒體節(jié)目好像越來(lái)越少了。
今天，筆者有時(shí)會(huì)聽(tīng)一聽(tīng)《新聞聯(lián)播》在播些什么，每到這個(gè)時(shí)候，周邊的人就會(huì)投來(lái)異樣的眼光，好像在說(shuō)，什么年代了，竟然還有人聽(tīng)《新聞聯(lián)播》？
理解了洗腦的原理以及識(shí)別洗腦的方法，我們就有了對(duì)抗洗腦的策略：
當(dāng)我們開(kāi)始意識(shí)到我們大腦中的神經(jīng)網(wǎng)絡(luò)越來(lái)越傾向某一個(gè)方向（被洗腦）的時(shí)候，我們應(yīng)該嘗試著讓大腦接觸其他方向的信息，即使一開(kāi)始我們可能會(huì)覺(jué)得其他方向的信息是錯(cuò)誤的，荒謬的。就像筆者第一次吃甜口的番茄炒蛋一樣。
比如，如果你是一個(gè)無(wú)神論者，你可以嘗試接觸一下宗教知識(shí)，反之亦然。
比如，如果你是一個(gè)保守派，你可以嘗試傾聽(tīng)一下自由派的觀點(diǎn)，反之亦然。
比如，如果你是某些人或事的鐵粉，你應(yīng)該聽(tīng)一聽(tīng)反對(duì)他們的人在說(shuō)些什么，反之亦然。
比如，當(dāng)你感覺(jué)自己在追求“真相”的路上變得有點(diǎn)消極的時(shí)候，不妨接受一點(diǎn)《新聞聯(lián)播》的洗禮。
通過(guò)接受不同方面的信息來(lái)改進(jìn)增強(qiáng)我們大腦中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是對(duì)抗洗腦的一個(gè)最直接的方法。
而更進(jìn)一步的方法是，建立邏輯，抽象模型和方法論。
比如在上文的例子中，我們要讓電腦學(xué)習(xí)識(shí)別貓，就給電腦“看”大量貓的圖片，讓電腦學(xué)習(xí)識(shí)別狗，就給電腦“看”大量狗的圖片。然而，地球上有百萬(wàn)計(jì)的動(dòng)物，通過(guò)這種學(xué)習(xí)方法所消耗的時(shí)間和能量可想而知。
那么，有什么辦法能提高學(xué)習(xí)的效率呢？有的，就是分類(lèi)建模。比如我們通過(guò)對(duì)貓科動(dòng)物的歸類(lèi)和特征提取，就可以更快的識(shí)別虎，豹，獅子，貓，猞猁等?！@就是抽象歸類(lèi)。
再比如，每個(gè)男生小時(shí)候都有一個(gè)武俠夢(mèng)，總幻想自己能成為書(shū)中的那個(gè)武功蓋世的大俠。但是學(xué)過(guò)物理和牛頓定律以后，這個(gè)武俠夢(mèng)基本都要破滅，因?yàn)楦鶕?jù)牛頓第二，第三定律，萬(wàn)有引力定律，我們就知道，所謂身輕如燕，左腳踩右腳右腳踩左腳的輕功是不可能存在的。 —— 這就是邏輯。
再比如，學(xué)習(xí)乘法的時(shí)候，我們只需要記1*1到9*9的九九乘法表就行，我們并不需要記下大于10的數(shù)字的所有組合，也可以進(jìn)行兩位數(shù)，三位數(shù)，多位數(shù)的乘法計(jì)算。因?yàn)槲覀冏龀朔康氖沁M(jìn)位算法，而不是記下所有的排列組合。 —— 這就是方法論。
如果我們?cè)诖竽X中建立了正確且足夠復(fù)雜的抽象，分類(lèi)，邏輯，方法等神經(jīng)網(wǎng)絡(luò)，就可以大大的提高學(xué)習(xí)信息的效率，減少被洗腦的套路。
筆者后注：
我們?yōu)槭裁匆斫庀茨X和反洗腦的原理和方法？
因?yàn)槲覀円呀?jīng)進(jìn)入一個(gè)信息化高度發(fā)展的時(shí)代，我們幾乎每天都在信息的洪流中浮沉。我們應(yīng)該學(xué)會(huì)如何不被信息左右我們的思想和心情；學(xué)習(xí)怎么利用信息去解決現(xiàn)實(shí)生活中的問(wèn)題。
知道如何根據(jù)信息解決問(wèn)題比一味的抱怨現(xiàn)實(shí)更有意義；利用知識(shí)改善現(xiàn)狀比深陷“真相”更重要。
人類(lèi)一思考，上帝就發(fā)笑。
意識(shí)，是這個(gè)世界上最神秘的領(lǐng)域之一。尤其是當(dāng)我們開(kāi)始深入思考“我是誰(shuí)”的時(shí)候，大腦會(huì)逐漸進(jìn)入一種近乎瘋狂的狀態(tài)，就好像電腦在解一個(gè)嵌套算法時(shí)不小心進(jìn)入死循環(huán)一樣。
而通過(guò)對(duì)人工智能的觀察，我們可以反過(guò)來(lái)了解我們的大腦是如何思考的。
有趣的是，我們大腦中一個(gè)個(gè)的神經(jīng)元組織在一起形成的神經(jīng)網(wǎng)絡(luò)在物理上決定了我們的思維特征；我們?cè)偻ㄟ^(guò)今天的各種互聯(lián)網(wǎng)平臺(tái)把我們的思維特征傳遞給大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)再通過(guò)它的算法把這些特征反饋給無(wú)數(shù)其他的人類(lèi)用戶(hù)。
于是，一個(gè)個(gè)極其微小的神經(jīng)元，組成了一個(gè)個(gè)大腦神經(jīng)網(wǎng)絡(luò)，再通過(guò)大數(shù)據(jù)的網(wǎng)絡(luò)互相聯(lián)系在了一起，就好像我們所有人最終都在一個(gè)巨大的神經(jīng)網(wǎng)絡(luò)之上，這就是地球文明。
美學(xué)之旅
發(fā)現(xiàn)美，擁有美，享受美
讓我們一起構(gòu)筑我們的美麗人生
讓我們一起構(gòu)建我們的美麗世界
聯(lián)系客服
