编辑推荐：
在人工智能迅速发展的当下，机器感知与人类存在巨大差异。研究人员聚焦神经形态计算与多感官整合展开研究。结果显示，人工系统缺乏特征绑定（feature binding）机制。这一研究为设计更自然交互的智能机器提供方向，意义重大。
在科技飞速发展的时代，人工智能已深度融入生活的各个角落，但你是否想过，机器真的能像人类一样感知世界吗？人类的感知系统十分神奇，比如我们能自然地将触觉信号，像疼痛、压力和振动等，整合为统一且有意义的体验。然而，人工系统在处理这些感官数据时，却像一个个孤立的 “岛屿”，采用模块化、分离的方式，与人类的感知方式大相径庭。随着人工智能在机器人、假肢等领域的广泛应用，理解机器感知的本质和局限变得至关重要。神经形态硬件虽朝着更集成、自适应的感官处理迈出了步伐，但仍无法触及人类的主观体验。在这样的背景下，探究如何将有意识感知的信息转化为硬件可读格式，以及哪些信息对模拟人类感知至关重要，成为科研人员亟待攻克的难题。
来自德国海德堡大学（Heidelberg University）和明斯特大学（University of Münster）的研究人员 Antonio Bikic 和 Wolfram H.P. Pernice 开展了相关研究。他们将多感官感知的哲学理论与神经形态硬件相结合，探索不同感官整合方式对智能形式的影响。研究发现，人工系统在处理感官数据时缺乏特征绑定机制，与人类感知存在显著差异。这一研究成果为设计能更自然、灵活、稳健地与世界交互的机器提供了关键理论支持，论文发表在《Patterns》上。
研究人员在研究中运用了多种关键技术方法。在硬件层面，采用了神经形态硬件（neuromorphic hardware），其模拟了人类大脑的部分结构，可构建计算机芯片，实现内存内或并行计算，大大提高计算效率并降低能耗。在理论研究方面，运用哲学分析方法，对比 “特征绑定” 和 “模态作为常规类别” 两种理论框架，探讨其与人工触觉感知的相关性。
下面来看具体的研究结果：
- 神经形态触觉传感器（Neuromorphic touch sensors）：神经形态计算能创建高效快速的硬件，克服 “冯?诺依曼瓶颈（Von Neumann bottleneck）”。例如，人工皮肤可模拟自然皮肤的感官反馈和机械特性，基于 “脉冲神经网络（SNNs）” 的压电传感器能将机械量编码为脉冲，还有传感器能进行边缘定向、纹理分类等。这些都展示了神经形态硬件在触觉感知模拟方面的进展，但同时也表明其缺乏特征绑定的问题12。
- 莫利纽克斯问题（Molyneux’s problem）与知识论证（the knowledge argument）：莫利纽克斯问题探讨了盲人重见光明后能否仅通过视觉识别曾经触摸过的物体，相关实验表明不同感官的神经表征若不同时被感知，就缺乏联系。知识论证通过玛丽的思想实验，揭示了物理信息与主观体验的区别。这两个问题都表明，神经表征若不同时被主观体验，就难以相互关联34。
- 触觉作为多感官感知（Touch as multisensory perception）：触觉被认为是最早进化的感官之一，由多种模态组成。“特征绑定方法” 认为不同触觉模态会先绑定成单一模态，再与其他感官信号结合形成统一感知；“模态作为常规类别方法” 则认为各模态相互独立，触摸是多感官感知的范例。这两种方法从不同角度解释了触觉感知的形成机制56。
- 人工感知（Artificial perception）：由于神经形态硬件中不存在实际的特征绑定，“修改后的模态作为常规类别理论” 更适合解释人工表征的形成。人工感知的特征是分离的，无法像人类一样基于语义一致性形成完整的物体表征7。
- 表征与体验的差异（The dissimilarity of representations and experiences）：神经形态触觉传感器获取的信息与所代表的物体毫无相似之处，人类虽能绑定不同感官特征，但有机表征与实际体验也不同。同时，神经形态硬件处理数据是并行而非同时进行，缺乏特征绑定，难以实现符号化的世界认知8。
- 哲学僵尸（Philosophical zombies）：哲学僵尸是探讨意识本质的概念工具，引发了关于人工智能系统能否在无 conscious experience 的情况下展现与人类相同功能的思考。目前许多人工智能系统虽缺乏意识体验，但在功能上与人类行为相似，不过在模拟人类高阶认知能力和常识理解方面仍面临挑战9。
综合来看，研究人员通过结合哲学理论与神经形态硬件研究，深入探讨了人类与机器感知的差异。研究表明，体验和表征存在差异，模拟表征无法获得与实际体验相同的信息。目前解决这一问题有两种方向，一是进一步发展智能机器并实现特征绑定结构，二是构建类似哲学僵尸的系统。神经形态硬件在模拟人类感知方面有潜力，但在感知质量、主观体验模拟等方面还有很长的路要走。这一研究为未来智能系统的发展指明了方向，推动着人工智能向更接近人类智能的目标迈进 。
