# 杰夫·霍金斯：智能的千脑理论 > 神经科学家介绍千脑理论，解释大脑皮层如何用大量参考系模型构建对世界的理解，并指向新的机器智能路径。 - 原标题：#208 – Jeff Hawkins: The Thousand Brains Theory of Intelligence - 期数：第 208 期 - 发布日期：2021-08-08 - 嘉宾 / 主题：杰夫·霍金斯：千脑理论 - 网页版：https://lexfridman-cn.pages.dev/ep/jeff-hawkins-2/ - 官方页面：https://lexfridman.com/jeff-hawkins-2/ - 精读字数：约 10687 字（阅读约 24 分钟） > 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 杰夫·霍金斯（Jeff Hawkins）说过一句话，放在今天这个深度学习狂飙突进的时代，听起来像是挑衅：**研究大脑，是通往机器智能最快的路**。通往智能的捷径在这里，不在扩大模型的规模上。 多数人不会这么想。普遍的直觉是，神经科学还在收集数据，等它搞明白再说，先把模型堆大、数据喂饱，能跑出结果的就是好方法。霍金斯不这么看。他在 Lex Fridman 的播客里把话说得很直接：如果不理解大脑的工作原理，机器智能能做到的事情是有上限的。 这句话的分量，得放在他的身份背景里才能掂量出来。霍金斯算得上这场争论的当事人，并非只会批评的旁观者。他 2002 年创办了红杉理论神经科学中心（Redwood Center for Theoretical Neuroscience），2005 年创办了 Numenta。2004 年他写了《论智能》（On Intelligence），此后近二十年，他和团队一直在做的事情就一件：把人脑新皮层逆向工程出来。 他承认自己的理论缺少大规模实验证据，承认这条路走得慢。但他同样坚持另一件事：只靠扩大规模，现有的神经网络不会通向智能。 ## 一块餐巾纸，和它上面重复了无数遍的电路 要理解霍金斯在说什么，得先看看人脑的结构。 人脑大致可以分成两半：旧的部件，新的部件。旧的部分包括脊髓、脑干、小脑、基底核等一堆小结构，负责呼吸、心率、走路、奔跑，以及所有情绪中心。你感到愤怒、饥饿、性冲动，都发生在这些旧部件里。 新的部分叫新皮层（neocortex）。它之所以叫新，是因为哺乳动物之前的生物根本没有这玩意儿。只有哺乳动物才有新皮层，而在人类和灵长类身上，它大得惊人，占整个脑体积的 **70% 到 75%**。 我们认为是高级认知的一切，都和新皮层有关：看见、听见、触摸，还有语言、数学、工程、科学。这些能力和新皮层的相对大小直接相关。 新皮层有一个特点：它极其均匀。霍金斯喜欢用一个比喻：把它摊开，差不多一张餐巾纸那么大，厚度约 2.5 毫米。你在这 2.5 毫米里随便挑一个位置切下去，看到的都是极其精细的电路结构，而且处处长得几乎一样。跨物种也一样，老鼠的新皮层和人的新皮层，看上去没有本质区别。 旧脑区不是这样。旧脑区是一堆各干各的小零件：这块管心率，那块管某个反射，那那块又管另一件事。它们各自演化了亿万年，各有各的功能。 然后哺乳动物出现了，带来了一个新东西，它变大靠的是把同一套东西一遍又一遍地复制。 > 所有证据都指向一点：新皮层各处遵循同一个原理。（杰夫·霍金斯） 这个观点最早由弗农·蒙卡斯尔（Vernon Mountcastle）在 1978 年提出，论证清晰而漂亮。他的推理是：如果从新皮层切下一块，凭什么它是视觉区而不是听觉区？答案很简单，因为它连着眼睛而不是耳朵。 这真的可以照字面理解。有一个真实的实验：把视神经接到新皮层的另一个区域，那个区域就会变成视觉区。还有更常见的证据：一个天生失明的人，他的视觉新皮层因为先天缺陷收不到眼睛的信号，那块区域不会闲着，它会去接手别的任务。 支撑这一切的，是一套高度复杂的电路，远非一堆通用神经元。这套电路撑起了所有功能。霍金斯把它叫作通用皮层算法（common cortical algorithm）。有些科学家很难相信这是真的，但在这一点上，证据是压倒性的。 于是问题就收敛了：**如果搞清楚了这一小块电路在做什么，你就理解了语言、数学、视觉、听觉背后共同的机制**。整个智能问题，只剩这一个电路。 ## 大脑真正在做的事：给世界建模型 霍金斯早期的理论叫层级时间记忆（Hierarchical Temporal Memory，HTM），2004 年在《论智能》里首次提出，之后又迭代过几代。他后来自己说，HTM 这个词现在不太够用了，因为它抓不住他们后来知道的东西，但它没错，只是不够精确。 HTM 强调三件事，这三件事在当时都被主流理论忽略了。 第一件是时间。神经科学界很多年都忽视了时间在大脑中的作用。大脑处理的信息随时间不断变化。我现在说话，你正常速度听，耳朵里的信号每 10 毫秒左右就变一次。你看世界，眼睛每秒移动三到五次，输入完全在变。你摸一个咖啡杯，手指一移动，输入就在变。 而传统视觉理论是怎么做的？把一张图放在你面前，闪一下，问你这是什么。今天的卷积神经网络也是这么干的：给一张图，分类。但真实的视觉根本不是这样，视觉是基于时间的、到处乱窜的模式。触觉、听觉同理。 > 如果你不处理基于时间的模式，你既不会理解大脑，也不会造出智能机器。（杰夫·霍金斯） 第二件是记忆，或者更准确说，是模型。大脑真正在做的事情，是学习世界的模型，光处理输入远远不够。记忆这个词指的就是这个模型。新皮层的任务，是把经历以某种形式存下来，形成对世界的模型，这样我们才能四处走动、拿起东西、做事情、认路。 第三件是层级。新皮层虽然是一张均匀的细胞薄片，但不同区域之间会互相投射，粗略地构成了层级结构。 这三件事，霍金斯至今仍然全部相信。他只是不再用 HTM 这个词，因为他知道了更多。 ## 一个神经元有几千个突触，这件事有多重要 说到人工神经网络和生物神经网络的区别，霍金斯的团队在 2016 年发过一篇论文，标题很直白：《为什么神经元有数千个突触》。 真实的神经元很复杂。先从突触说起。一个真实神经元上，可以有 5 千到 3 万个突触。靠近胞体的那一小部分，大约几百个，和人工神经元里建模的那部分类似，它们能影响细胞，能让细胞兴奋放电。 剩下 95% 的突触做不到这一点。它们离胞体太远，激活其中一个，对胞体几乎没有影响。哪怕你同时激活一堆，只要它们分散着，一样没用。 但如果你在树突上很小的一个范围内，大约 40 微米，同时激活 10 到 20 个突触，就会产生所谓的树突脉冲（dendritic spike）。这个脉冲沿着树突传下去，可以到达胞体。 问题是，它到达胞体之后，只是把电压抬高一点点，**从来不足以让细胞放电**。然后电压又降回去了。 那这有什么用？ 霍金斯团队提出的解释是：那 95% 的突触在识别几十到几百种不同的模式，它们起到的是预测的作用。换句话说，**一个神经元本身就是一个预测引擎**。 当那些靠近胞体的输入足够多，神经元会放电。但在此之前，它可以通过远端突触识别到的模式，提前进入待命状态。当它真的放电时，会比原本早那么一点点。 早一点点有什么用？大脑里所有兴奋性神经元都被抑制性神经元包围，这些篮状细胞速度极快。如果我的放电比旁边那位早一点点，我就能抑制住周围一圈邻居。结果是什么样的？ 结果是一个和你的预测相匹配的表示。表示变得更稀疏，活跃的神经元更少，但更具体。 > 大脑里的真实神经元是基于时间的预测引擎。人工的所谓点神经元里，完全没有这个概念。（杰夫·霍金斯） 他还补了一层：真实神经元之间的突触非常不可靠，精度连一位数字都达不到。真实神经元不像人工网络那样精确地调整权重，它的运作方式基本上是二元的，形成新突触，或者不形成，然后检测同一时刻某 10 到 20 个突触是否同时活跃。 这套机制建立在稀疏模式之上。霍金斯认为，如果不把这些吸收进去，你不可能造出真正的大脑或机器智能，因为时间信息很大一部分就来自这里。 ## 稀疏表示为什么让人工网络更难被欺骗 稀疏表示是什么？在一万个人工神经元里，大脑同时只有大约 **2%** 是活跃的。30% 不会有，50% 也不会有，就是 2%。这个比例在任何感觉输入、任何脑区都一样。不同的是哪些神经元活跃。 所以它是个群体编码（population code）。信息藏在哪 200 个细胞同时放电里，单个细胞承担不了多少。 2020 年底到 2021 年初，Numenta 的团队做了一件很实际的事：把稀疏性引入卷积神经网络。这一步可以看作是霍金斯所说的“从大脑理论到机器学习”的第一个小台阶。 成果之一，是让对抗样本问题大幅缓解。给任何深度学习网络一张图片，人眼看着明明是猴子，网络却说是飞机，这是当下深度学习的热门难题。DARPA 为此专门办了竞赛。而在网络中强制稀疏表示之后，很多这类问题就消失了。 为什么稀疏会带来鲁棒性？直觉上大家会觉得反了，参与运算的神经元越少，表示不应该越脆弱吗？ 霍金斯的解释是这样的：分类的本质，是在一个超高维空间里用边界把 A 和 B 分开。如果边界附近的点很多，就不鲁棒，稍微挪一下就越界了。而在一万个细胞里挑 200 个活跃，这个组合的数量极其庞大，任意两组 200 个细胞的表示，重叠都只有寥寥几个。要欺骗其中一个表示，让它看起来像另一个，你没法只动一两个细胞，得动上百个。这就是鲁棒性的来源。 > 200 个活跃细胞其实很多了，稀疏不等于少。关键是这些表示之间天然离得很远。（杰夫·霍金斯） 这只是第一步。下一步他们打算引入千脑理论里的一些东西：许多简单模型互相投票。投票本身不新鲜，混合模型已经存在很久，但大脑投票的方式不同，表示不确定性的方式也不同。他们的目标，是让系统学得更快，尤其是在多模态场景下更稳。 ## “苦涩的教训”和企业家困境 Lex Fridman 提到了 Rich Sutton 那篇著名的博客《苦涩的教训》（The Bitter Lesson）。核心观点是：过去七十年 AI 的教训是，所有那些精巧的技巧短期有用，长期赢的永远是简单通用、靠算力增长的方法。 霍金斯的回应并不激烈，但很坚定。把现有系统做得更大，得到的只是更大的同类系统。今天的卷积神经网络和很多年前的相比，其实没本质区别，只是更大、训练更多、标注数据更多。他不认为只靠放大规模，能长出他知道大脑能做的那些事情。 他承认 Sutton 的描述在解释过去是对的，作为短期处方可能也对。但那不是通向智能的路。 这里有个他反复提到的词：**企业家困境**。你有一个长期愿景，你知道它一定会实现，问题是你怎么走到那儿而不把自己耗死。理想的情况是找到中间台阶，一步步挪过去，而不是推倒重来。 Numenta 现在就处在这个困境里。他们从稀疏表示切入，做出了初步成果，但接下来要解决的问题，比一个 0.1% 的基准提升难得多。 他也没回避现实：机器学习社区有一套自己的基准测试，大家在上面比拼。为了在基准上竞争，你得有巨大的数据集和算力，而 Numenta 没有。他说得更直白：这些基准测的东西不是智能。它们对发展特定的数学模型非常有用，但长期看，对创造智能没用。 > 机器学习界现在进入了一个阶段，觉得你怎么想不重要，只要在这个基准上提高 0.1%，那就是全部。这是个问题。（杰夫·霍金斯） 他甚至提到，MIT 花十亿美元办的计算学院、斯坦福的人本 AI 中心，他都有点失望。因为这些项目很容易滑向“人类如何与智能机器互动”，那是另一个方向的问题。他想问的是：智能的本质是什么。他原话是，我想要的是不会对你微笑、不会给你掖被子的机器。 ## 千脑理论：从一只咖啡杯开始 这是霍金斯团队近几年最重要的工作，从 2017 到 2019 年的一系列论文发展而来。 一切的起点，是他手里拿着一只咖啡杯。 他的食指贴在杯壁上，然后准备移动到杯口，去感受杯沿。就在这时，他问了自己一个非常简单的问题：大脑在手指碰到之前，就知道会感觉到什么。这个预测是怎么做出来的？ 答案牵出一整套结构。要预测，大脑必须知道三件事：它正在摸的是一只咖啡杯（有杯子的模型）；手指当前在杯子上的什么位置；以及手指移动之后，会落在杯子上的哪个位置。 这里面，最关键的是第二条。真正关键的是手指相对于杯子的坐标，杯子相对于身体的位置、朝向，都无关紧要。没有它，就无法预测下一个位置。 这意味着，新皮层有一套锚定在杯子上的参照系（reference frame）。 再往下推一步：我皮肤的任何一处都可能碰到这只杯子，所以皮肤的每一处都在做预测，每一处都有一套参照系在支撑预测。于是，整个新皮层，一切都被存储在参照系里，被参照系索引。你可以把它们想成 XYZ 坐标系，但它们不是那种东西，神经机制上我们已经知道不少细节，但核心就是，**大脑用参照系思考**。 过去人们怎么理解新皮层？把它当成一个从感觉数据里提取特征、再从特征里提取特征的系统，跟今天的深度网络差不多。霍金斯说，真实情况完全相反。大脑是把每一个输入、每一件事都分配到参照系里，同一时刻有成千上万个参照系在新皮层里活跃。 这件事一旦想通，原先的谜团成片地解开。 由此引出一个具体结论：新皮层每一平方毫米，全脑大约 15 万块这样的小块，各自接收一部分输入，各自有参照系。每一小块都能学完整的物体模型。为什么？因为如果你只在杯子的一处摸了一下，确实学不到杯子是什么，但如果你沿着杯子移动手指，摸过不同区域，你就能把这只杯子的三维地图一点点填满。通过时间，一块只看到世界一小部分的皮层柱，也能建出完整的物体模型。 摸杯子的时候，手部感觉皮层里对应不同皮肤区域的那些柱，每一块都在建杯子的模型。看杯子的时候，视网膜的不同部位在看杯子的不同部分，成千上万个杯子的模型同时被唤起。它们互相投票，一起确定到底发生了什么。 > 这就是为什么我们叫它千脑理论。杯子的模型有几千个，不止一个。（杰夫·霍金斯） ## “传感器融合”是个伪问题 Lex 问了个好问题：这么多模型，你怎么知道哪个猜得最准？ 霍金斯说，神经科学里有个经典难题叫传感器融合（sensor fusion）。图像从眼睛进入，投射到新皮层，然后散得到处都是，扭曲变形，早就不像一张图了。什么时候它们又合到一起？或者说，我一边看杯子一边摸杯子，视觉和触觉怎么合并？ 这个问题的前提就错了。那个“合并到某处形成单一模型”的假设是错的。 真实发生的是投票。有杯子的听觉模型、视觉模型、触觉模型，视觉系统里有些更关注黑白、有些更关注颜色，不重要。成千上万个杯子的模型，各自投票。 他把新皮层的柱想象成一根根小面条状的单元，2.5 毫米高、1 毫米宽，各猜各的。有时间移动的话，猜得准；如果只能透过一根吸管看世界，比如只能动用一列柱，那猜得就很粗糙，是一个概率性的猜测。 每根面条把自己的猜测送到顶部。大脑里这套机制以可能性集合的形式运作，霍金斯管它叫并集。一列说，我觉得可能是咖啡杯、易拉罐或者水瓶；另一列说，我觉得可能是咖啡杯、电话或者相机。所有列都在说自己觉得可能是什么。 皮层某些层里的特定细胞类型，会发出跨脑的长程投射，投票就发生在那里。机制是一个简单的联想记忆。如果存在唯一最优答案，它们会很快收敛到同一个答案上，全体投票，确定是咖啡杯。到那一刻，所有列都知道自己面对的是咖啡杯，都按咖啡杯行事。哪怕我只是看到了世界的一小块。 > 这些模型最终不会合并成一个，它们投票，然后票数结晶。（杰夫·霍金斯） ## 概念也存在参照系里 咖啡杯是物理对象。数学、语言、抽象概念，也这样吗？ 霍金斯的证据是：新皮层里负责语言、高级思维、数学的区域，和负责视觉、听觉、触觉的区域，长得几乎一样，顶多有些细微差别。如果蒙卡斯尔是对的，如果所有区域遵循同一原理，那么做语言、数学、物理的那些区域，一定也在用参照系。 这听起来有点奇怪，但有一个古老的技巧可以佐证：记忆宫殿，也叫位置记忆法（method of loci）。想记住一串毫无关联的词，你把它们放到一个你非常熟悉的空间里，比如自己家。这个词放在玄关，那个词放在走廊，另一个放在卧室。要回忆时，你在脑子里走一遍房子。 这个方法出奇地有效。霍金斯说，它透露了两件事：大脑偏好把东西存在参照系里；回忆和思考的本质，是在参照系里移动。 物理上可以移动，比如手指沿着杯子走。心理上也可以移动，比如想象自己在摸杯子，或者走过自己的房子。 更硬的证据来自 fMRI 实验。研究者让人躺在扫描仪里想各种鸟，有大有小、有长脖子长腿的。从扫描数据里能看出，关于鸟的知识是按参照系排列的，而且用到了网格细胞（grid cell）类似的模式。也就是说，即使在想抽象的东西，大脑实际用的还是空间参照系，用的还是同一套神经机制。这套机制原本在旧脑的内嗅皮层（entorhinal cortex）里，负责导航，现在被新皮层借用了。 数学也一样。证明一个猜想时，你先有一些已知为真的出发点，想走到终点，中间需要经过一些中间结果。霍金斯的猜想是：这些方程、这些点，被分配到一个数学参照系里；数学操作，比如乘法、除法、或者某种变换，就是在参照系里移动。你实际上是在一个数学空间里寻找从一处到另一处的路径。找得到，说明你的地图不错，操作选对了。 > 我们思考难题时，很大一部分工作是为这个问题设计正确的参照系，把信息组织好，想清楚在这个空间里用什么动作能走到终点。（杰夫·霍金斯） 每个概念都有它自己的参照系。咖啡杯有杯壁、圆柱、把手，各有各的参照系，又都挂在“这只杯子”这个主参照系下。杯子上的 Numenta 标志是另一个存在于别处的东西，有它自己的参照系，现在被贴到杯子上。怎么把参照系挂到参照系上，神经元怎么做到，他们在 2020 年 12 月的论文里给了初步的答案。 ## 大脑里的参照系，没有原点 这里有个技术细节值得说清楚，因为它和日常理解的坐标系很不一样。 我们熟悉的参照系，笛卡尔坐标有原点，经纬度有本初子午线，印刷地图有行列编号。大脑里的参照系不是这样。这一点在内嗅皮层的研究里已经确立，属于既有神经科学结论，不是猜测。 大脑的参照系**没有原点**。它更像这样：你有一个点，给定一个动作，它告诉你下一个点在哪；再给一个动作，再下一个点在哪。用这套东西，你可以算出怎么从一点走到另一点。从家走到公司，从杯壁走到杯口，从公理走到猜想。 维度呢？内嗅皮层最早是在老鼠身上研究的，看起来是二维的，老鼠在一个盒子里或迷宫里，用二维参照系知道自己在哪。但蝙蝠也是哺乳动物，它在三维空间飞，它怎么知道自己在哪？这是当前活跃的研究领域。霍金斯团队里两个人，加上 MIT 的 Elif Fett，在播客录制前一周刚放出论文，说明网格细胞可以表示任意 n 维空间，机制上没有内在限制。二维切片可以切开任何高维空间，一维模型也可以有。 所以三维的杯子地图没问题。鸟、数学这些概念，可能是三维以上。谁知道呢。 还有个他觉得棘手的问题：光知道位置不够，还要知道朝向。手指贴在杯壁上，可以旋转，位置不变，但感受变了。旧脑里有所谓的头方向细胞（head direction cells），管老鼠面朝哪边。手指相当于一只三维的老鼠，有三维位置和三维朝向。位置和朝向怎么结合，是个难题。他说自己在这上面有进展。 至于上下文，房间、地域、时代，这些额外信息怎么接入，他归到“注意力问题”这个大类下。这部分在录音里刚开始展开。 ## 意识、死亡，以及他不想花时间的问题 Lex 把话题引向意识。霍金斯的态度相当轻描淡写：他觉得这个问题没那么有意思。 他把意识拆成两块。第一块是自我意识，这个很容易解释。新皮层既建模外部世界，也建模自己的身体，还有记忆，能记住自己做过什么。所以你能回答“今天早上吃百吉饼的时候你有意识吗”。如果我把你大脑的突触全部回退到那个早上的状态，你大概会说没这回事，因为记忆里没有。自我意识就是身体在世界上移动轨迹的记忆，加上调取这段记忆的能力。任何系统只要能做到这个，它就会说自己有意识。 第二块更难，就是感受质（qualia）：为什么红色看起来是红的？为什么疼感觉像疼？为什么看和听感觉不一样，明明都是神经元在放电。 他推荐了一本书，Alva Noë 的《Why Red Doesn't Sound Like a Bell》。他的思路是：颜色在世界上并不存在，存在的是光的频率。频率本身没有颜色。视网膜上不同细胞对频率的响应不同，进入大脑的只是一堆以不同频率放电的轴突。所谓颜色，是这套机制和外界频率之间的关联。 那为什么它会显得有颜色？他倾向于从预测和参照系的角度理解：模型用这种方式表达有好处，可以方便地归类和预测。他举了幻肢现象：手臂没了，人还能感觉到它，甚至疼，把手“放到背后”，疼就跑到背后。手臂存在，本身就是大脑里的一个模型，它可能对，也可能不对，但有一个和世界对应的模型，对预测很有用。 > 我觉得自己不需要解决这个问题，就能造出智能机器。完全不需要。（杰夫·霍金斯） 关于“如果机器有意识，关掉它就是犯罪”这个说法，他完全不认同。他打了个比方：我每天晚上都关掉自己，我去睡觉，这是犯罪吗？早上再插上电，我又回来了。人不恐惧死亡吗？他给了两个理由：一是基因编程让人怕死，二是基因编程让人为认识的人死去而悲伤。陌生人死去，我们不会有感觉。除此之外，没什么可担心的。 Lex 提到贝克尔（Ernest Becker）的《拒斥死亡》，说人其实活在一个不承认死亡的幻觉里。霍金斯说那是别人的模型，不是他的。他每天晚上上床，就像一次小小的死亡。如果没醒过来，对他而言无所谓，只有在他知道会发生的情况下才会困扰，而那也主要是担心妻子。 他年轻时列过一张大问题清单：为什么存在万物？为什么物理定律是这样？生命是必然的吗？智能是必然的吗？他停在这里，因为他判断，**造出真正智能的系统，会是回答前三个问题最快的路径**。这就是他做这一切的最终动机。 ## 他不担心存在性威胁，担心的是别的东西 关于 AI 风险，霍金斯的态度和很多人不同。他不认为这类威胁够得上存在性级别。 他把话说得很不客气：那些谈存在性威胁的人，听起来都很空洞。他们不知道智能是什么，如果知道，就不会那么说。他们算不上这个领域的专家。 他认为真正的威胁在于别处。当下的 AI 已经有需要担心的事：隐私、假信息。智能武器是需要认真对待的问题。但这些不是存在性威胁，是我们一直面对、以后也要继续面对的那类威胁。 被问到“超级智能把一切都变成回形针”的担忧时，他反问：这个问题我们早就有了，它叫细菌。细菌想把一切都变成细菌，它们不断变异，躲避我们的防御，历史上杀死过大量人口。如果担心某种会无限复制的东西，我们已经有了。他更担心实验室里有人造出无法控制的超级病毒或细菌，那才更接近存在性威胁。而在上面加一个智能体，反而让威胁变小了，因为它限制了它能做什么、能去哪。 还有一个他反复强调的观点：**智能落在新皮层上，和整个大脑无关**。目标是造新皮层，别去造人，别造有情绪的系统，别造想繁殖的系统。为什么要造那种东西？想要会繁殖的，去造细菌、造电脑病毒，那些是坏事，别做，管起来。智能系统为什么要关心自己活不活？为什么要关心有没有吃的？它不关心。它只是在思考数学，或者在火星上搞建设。这是我们可以做的选择：别造像人的东西，别造复制的东西，别造有情绪的东西，只做新皮层。 Lex 追问：从零到人的智能谱系上，能不能造出比人强几个数量级的东西？霍金斯说“翻倍”这种说法本身是错的，要把智能拆成不同维度。能造快一百万倍的吗？能。存储大得多？能。接不同传感器？能。分布式的？能。但更聪明吗？那取决于你训练它做什么。超级物理学家、超级数学家，可以。至于我们能不能理解它，他的回答是：这件事已经发生了。绝大多数人已经理解不了其他人类专家掌握的大部分知识，但我们有沟通方式，爱因斯坦用我能懂的类比说话。真正难的东西，一旦被搞明白，往往没那么难。 ## 把知识送出地球 话题最后落到一个更大的问题上。宇宙里还有别的智能生命吗？霍金斯说几乎可以肯定有，过去有，未来也有。但能不能长存，他不知道。技术物种到现在也就两百来年，我们没有任何可靠的数据点。他担心大过滤器。 问人类有什么特别的。他说得很实在：我们在体能上毫无亮点，不会飞，游得不快，跑得不快，不强壮。唯一特别的是大脑。我们是这个星球上唯一建立起超越感官所能触及的世界模型的物种。只有我们知道月球背面、别的星系、原子里发生的事。猫不会，狗不会，猴子也不会。 > 我们的基因并不比细菌的基因更有意思。真正独特和宝贵的，是我们关于世界的知识。该保存的是知识。（杰夫·霍金斯） 所以他谈“为人类做国家层面的规划”：我们该想想，作为一个物种不在了之后要留下什么。这件事迟早会发生。保存知识最好的方式，是让它和能理解这些知识的智能机器一起走下去。这些机器不必留在地球，可以是知识的容器，把它带出地球，带得比人类更远。 那它们就不是人类了，怎么办？他的回答是：谁在乎？人类是什么？五十年前的人和今天的人已经不一样。基因没有意义，知识才是稀有的东西。 ## 新皮层是一次质的跳跃 进化史上，新皮层的出现是不是一次大跳跃？霍金斯说，是，而且是质变，和其他所有进化步骤都不同。 他的论证很有意思。人类能做的很多事情，看不出明显的生存优势。音乐有什么生存优势？数学呢？你可以硬找理由，但大多数进化史上的东西都有直接、即时的生存优势。 他讲了一个故事，真假不重要，但很有启发。生命在地球上不断累积复杂度，脑也是这样，旧的部分、更旧的部分层层叠加。新皮层刚出现时，有清楚的生存优势，视觉更好、听觉更好、触觉更好。 然后演化做了一件事：它把一套很古老的机制借了过来。这套机制原本用于在空间中导航、知道自己在哪里，就是内嗅皮层里的网格细胞和位置细胞。演化把它精简、抽象化，做成了一个可以用于构建其他地图的版本。杯子地图、手机地图、数学地图，概念，几乎就是概念本身。 于是大脑从专用硬件变成了通用硬件，可以应用到任何问题上。然后它逃出了生存的引力轨道，开始做那些和生存没有明显关系的事：发现宇宙的模型。知道多元宇宙，对活下去有什么帮助？没有。但我们享受这个。 > 我们已经在某种意义上逃离了进化压力的引力。这似乎只在人类身上大规模发生。（杰夫·霍金斯） ## 几点可以立刻用起来的建议 霍金斯这套理论读完不能马上照做，但其中有不少东西可以迁移到日常工作和研究里。 - 学新概念时，主动给它造一个空间。用记忆宫殿、用草图、把抽象关系摆成位置关系。霍金斯反复说的那件事是，大脑本来就在用参照系思考，你顺着它的方式做，阻力会小很多。 - 做研究或做项目时，先把“约束清单”列出来。他的方法论是把每一份实证数据当成一个约束，理论上正确的方案必须同时满足所有这些约束。约束越多，一开始越难，但一旦满足，可信度就极高。这套方法不限于神经科学。 - 训练模型时考虑稀疏性。如果你在做计算机视觉或分类任务，把稀疏性加进去，同时作用于激活和连接，往往能显著提升鲁棒性，降低被对抗样本欺骗的风险。这是目前最有实证支持的一条。 - 评估别人给你的“基准”时，问一句它在测什么。霍金斯的批评是，很多热门基准测的不是智能。你在自己领域里也要问：这个指标提升 0.1%，对真正要解决的问题意味着什么？ - 警惕把智能和情绪、繁殖、自我保全捆在一起的设计。如果你在造系统，别默认它需要这些。很多风险来自这些附加物，不来自智能本身。 - 想学通一件事，试试关掉视觉。霍金斯半夜摸黑上厕所，是在测试自己的位置感。这种日常的自我观察成本很低，收益是把理论变成体感。 最后一条可能是霍金斯本人最看重的：他四十多年做的事情，从读克里克 1979 年那篇文章开始，一直没有偏离。找到那个你愿意反复想、洗澡也想、骑车也想、半夜醒来也想的问题，比任何一个具体方法都重要。