注：粮食作物指稻谷、小麦、玉米、豆类和薯类；谷物指稻谷、小麦和玉米。

①注意力不集中是常有之事。如何提高注意力，尽可能长时间保持专注呢？

②耶鲁大学心理学系布朗教授研究发现，人类的注意力非常有限，因而大脑通常过滤掉我们看到的模糊而无关紧要的东西，留下清晰鲜艳的目标。在很多情况下，人们需要具备长时间注意细节的能力。

③布朗教授一直致力于通过为人们提供快速精准的反馈意见来提高他们的专注力，他的团队以往经常采用功能性核磁共振成像技术，通过检验血液流进脑细胞的磁场变化实现脑功能成像，给出精确的结构与功能的关系。神经元在大脑中的活跃与繁衍都依赖氧气，而氧气要借由神经细胞附近的微血管，通过红血球中的血红素运送。因此，当脑神经活化时，附近的血流会增加，补充消耗掉的氧气。由于带氧血红素与去氧血红素之间的磁导率不同，含氧血与缺氧血的变化使磁场产生扰动，从而能被检测出来。通过重复进行某种思考、动作或经历，可以用统计方法判断哪些脑区在这个过程中有信号的变化，从而找出是哪些脑区在执行这些思考、动作或经历。

④需要指出的是，功能性核磁共振成像也有_______：因为数据分析可能长达数月之久，所以为病人提供反馈的时间较为漫长。对于专注行为这样短时间内极易变化的活动，作用可以说是_______的。而布朗教授这次利用的实时脑成像技术可以在1到2秒内对扫描大脑所获取的数据进行分析，几乎同步反映人脑的活跃状况，这样人们就可以利用反馈信息及时调整行为，达到时刻警惕的状态。

⑤为了测试注意力，布朗教授团队设计了一个巧妙的实验：他们为参与者提供了一组由人脸和场景图合成的画面，人脸和场景分别做了50%程度的透明化处理。参与者需要在2分钟内持续观察不同人脸与场景的合成图，并辨认出其中的场景是室内还是室外——室内场景需要参与者作出回应，室外场景则不需要任何回应。这项任务要求参与者把注意力集中在场景画面上。然而，实验中根本就没有室外场景的画面，参与者被不断地给出只有室内场景的画面，久而久之，注意力就会发生变化。

⑥那么，研究者是如何知晓参与者注意力的变化呢？通过对参与者的大脑进行实时脑成像扫描，以毫米为单位绘制出一系列的大脑图像，根据统计数据的模型，显示出参与者关注场景和人脸时大脑活动的区别。最关键的是，根据分析结果及时向参与者提供反馈，让他们知道自己的注意力是否集中在正确的目标上。

⑦在实验中，参与者如何得到注意力变化的反馈呢？布朗教授团队采用的是“惩罚-奖赏”反馈机制。最开始，图像中场景和人脸各自占比50%，当观察到参与者的注意力不够集中在场景上时，研究者就启用“惩罚”机制，降低场景的占比，使之更难以辨认，迫使参与者集中注意力去辨认场景；相反，如果大脑的注意力集中在场景上，研究者就启用“奖赏”机制，让场景越来越清晰，用这种方式对他们进行反馈。

⑧在整个过程中，参与者注意力的变化呈现波动趋势。一开始他们可能会被人脸分散注意力，表现并不是很好，于是受到惩罚，场景的图片渐渐模糊，迫使他们越来越集中精力，场景随之慢慢变得清晰；意识到自己被“奖励”后，他们的注意力又会渐渐被人脸吸引。依此反复，他们的大脑在控制他们所能看到的画面。

⑨在反馈测试过程中，很多人被观察到注意力越来越集中，维持长时间注意力的能力也变得更强。有观点认为他们在测试中当然会表现更好，因为他们知道自己在参加测试。但事实上，在日常生活中这些人的注意力也得到了显著的提高。

交通基础设施建设常被国内外学者用来解释城乡收入差距问题，而关于交通基础设施建设对城乡收入差距的影响方向则倍受关注。以京津城际高速铁路的开通为标志，中国交通基础设施建设正在迅速变化。那么，高铁开通将会对城乡收入差距产生怎样的影响？

高铁开通对城乡收入差距的影响机理主要表现为：对于部分需要兼顾父母与子女照料的高技能劳动力而言，其在选择劳动区位时往往会产生父母与子女因高房价不能同自己一起进入发达地区的顾虑，___________________。在交通效率不高的时代，部分高技能劳动力由于无法解决家庭照料和异地就业之间的矛盾而放弃在发达地区的异地就业行为。但是，高铁的出现将缓解这一矛盾，相对于传统的交通运输方式，高铁最大的特点就是缩短了区域之间的时间距离。这一“时空压缩”效应意味着高技能劳动力可以通过随时来往于发达地区与欠发达地区之间兼顾家庭照料与异地就业。

对于低技能劳动力而言，由于高铁的高价特征，其与高技能劳动力对高铁的需求弹性有所差异。对于收入水平相对较低的低技能劳动力而言，其在出行时选择高铁出行的概率要远低于收入较高的高技能劳动力。低技能劳动力与高技能劳动力对高铁的需求弹性差异使得越来越多的高技能劳动力流向发达地区。

人力资本在发达地区的集聚不仅促进了发达地区产业升级，也加速了传统产业从发达地区向欠发达地区转移。欠发达地区在承接了由部分发达地区转移的传统产业后，对低技能劳动力的用工需求大幅增加。这为低技能劳动力提供了部分就业机会，低技能劳动力由农业部门转移至工业部门将提高欠发达地区低技能劳动力的整体收入水平，缩小城乡收入差距。

此外，高技能劳动力与低技能劳动力存在一定的技能互补性。当高技能劳动力受到高铁开通影响加速向发达地区集聚时，低技能劳动力相对受到高铁开通的影响较小。这会使得发达地区出现低技能劳动力供给相对短缺的情况。低技能劳动力的短缺也将相对提升低技能劳动力工资水平，有利于缩小城乡收入差距。

AlphaGo（阿尔法围棋程序）总体上由两个神经网络构成，以下把它们简单称为“两个大脑”。这只是一个比喻，在对弈时，这两个大脑是这样协同工作的：第一个大脑的简单模式会判断出在当前局面下有哪些走法值得考虑。第一个大脑的复杂模式通过蒙特卡洛树来展开各种走法，即所谓的“算棋”，以判断每种走法的优劣。在这个计算过程中，第二个大脑会协助第一个大脑通过判断局面来砍掉大量不值得深入考虑的分岔树，从而大大提高计算效率。与此同时，第二个大脑通过下一步棋导致的新局面的优劣也能给出关于下一步棋的建议。最后，两个大脑的建议被平均加权，做出最终的决定。

其实，这两个大脑的工作方式确实和人类很相似，一个__________细部，一个__________全局。但AlphaGo最终结合两者的方式相当简单粗暴：让两者各自评估一下每种可能的优劣，然后取一个平均数，这可绝不是人类的思维方式。

对人类来说，这两种思考问题方式的结合要复杂得多——不仅仅在围棋中是这样。人们并不总是同时对事态做出宏观和微观的判断，而是有时情绪、心理和潜意识的应激反应。这当然是人类不完美之处，但也是人类行为丰富性的源泉。

为什么要让人工智能去下围棋？有很多理由。但在我看来最重要的一个，是能够让我们更深入地理解智能的本质。

神经网络和机器学习在过去十年里跃进式的发展，确实让人工智能做到许多之前只有人脑才能做到的事，但这并不意味着人工智能的思维方式接近了人类。而且吊诡的是，人工智能在计算能力上的巨大进步，反而掩盖了它在学习人类思维方式上的短板。和国际象棋中的深蓝系统相比，AlphaGo已经和人类接近了许多，深蓝仍然依赖于人类外部定义的价值函数，所以本质上只是个高效计算器。但AlphaGo的价值判断是自我习得的，这就有了人的影子，而且AlphaGo的进步依赖于海量的自我对局数目，这当然是它的长处，但也恰好说明它并未真正掌握人类的学习能力。一个人类棋手一生至多下几千局棋，就能掌握AlphaGo在几百万局棋中所训练出的判断力，这足以证明，人类学习过程中还有某种本质是暂时无法用当前的神经网络程序来刻画的。

这当然不是说AlphaGo应该试图去复制一个人类棋手的大脑，但是AlphaGo的意义也不应该仅仅反映在它最终的棋力上。它是如何成长的？它的不同参数设置如何影响它的综合能力？如果有其他水平相当的人工智能和它反复对弈，它能否从对方身上“学到”和自我对弈不同的能力？对这些问题的研究和回答，恐怕比单纯观察它是否有朝一日能够超越人类重要得多。