今天上线的新机器智能，实际上是教授在 2004 年写的书，这是一本去年的新书。但是其关于智能、理解大脑和人工智能未来的理论，是一脉相承的，因为这些年在理论领域的进展也不大。Hawkins 教授的团队认为，人的大脑运行可以用类似地图的结构来模拟，但不是一个模型，而是数十万个已知的、几乎穷尽一切的数学模型。凭着这个假设，教授尝试回答人类如何感知世界、为什么有自我意识以及高级思想从何而来 等重大问题。这也是我关注的领域，这个领域尚有很多未知，希望年轻有为的大脑继续探索。

《千脑智能》和《新机器智能》两本书是大师级学者杰夫・霍金斯教授深入浅出地探究人脑工作原理以及机器如何实现脑认知的著作。对于脑的推理能力和机器是否可能存在意识，这两本书都进行了深入的解读，对于未来的人类和机器世界的共存方式进行了有意思的思考。2003 年，霍金斯应邀在 TED 上进行演讲。他提出了大脑智能的第一性原理：由新皮质中成百上千根皮质柱所构建的世界模型。当时，深度学习尚未登上舞台中央，而脑科学还挣扎在对单个神经元的记录中，于是，他的猜想再次被人们忽略。直至今日，他的大脑智能的第一性原理，才又被重新重视了起来。

看一本顶看 100 本，强烈推荐！

每日一书：《千脑智能》。霍金斯提出了一种有趣的大脑工作原理，不是现在流行的基于深度学习算法的那种多层次结构人工智能神经网络，而是认为每一个新皮质上的独立个体都可以构成完整的感受体，这就是所谓的千脑智能。

智能机器需要一种世界模型，以及这种模型带来的行为灵活性，但它们不需要拥有类似人类的生存和繁衍本能。事实上，设计一台具有人类情感的机器比设计一台具有智能的机器要困难得多，因为旧脑由许多器官组成（如杏仁核和下丘脑），每个器官都有各自的结构和功能。为了构建一个拥有人类情感的机器，我们就必须重建旧脑中的各个部分。大脑新皮质虽然比旧脑大得多，但它由许多相对较小的元素 —— 皮质柱组成。知道如何构建皮质柱后，再将大量的皮质柱放入机器中使其变得更智能就相对容易了。设计智能机器可以从三个部分着手：具身（embodiment）、旧脑部分、大脑新皮质。每个组件都有很大的自由度，因此将会产生许多类型的智能机器。

第一部分：千脑智能理论 —— 对大脑的全新理解第一部分数月前看的，凭印象简单写下我对千脑智能理论的理解。千脑智能理论和传统新皮质理论有很多不同，比如功能划分、参考系概念、层次结构等；这里笔记重点回顾前者。千脑智能理论认为，人在（广义的）运动中对事物建模，对同一事物会构造多重模型，它们依靠各自的参考系，分布式地存储在成千上万的大脑新皮质的皮质柱中。大脑根据这些模型进行预测投票，并通过 “运动” 获得反馈确认（或进行新的建模）。以识别咖啡杯为例。假设某人的大脑中对一个黑色陶瓷咖啡杯的形状、材质、颜色等都已有模型，他的大脑中还对成千上百的其他物体有着模型。当他闭着眼睛去触摸咖啡杯时，他大脑中成千上万的皮质柱就会活跃起来，对手将碰到的事物以树突脉冲的形式进行预测，处于待激活状态，不同活跃模型的潜在的答案可能是陶瓷咖啡杯、玻璃水杯、钢笔、键盘等；当他的手指在咖啡杯上不断移动时，会反馈给大脑事物的形状、材质感觉等信息，相对正确预测的皮质柱会被激活，并通过投票达成共识 —— 这是陶瓷咖啡杯。但他不知道是白色那个，还是黑色那个，所以睁开眼睛，用与视觉相关的模型加以预测、投票、确认 —— 哦，是黑色陶瓷咖啡杯。或者 —— 咦？竟然是黄色的，不是我原来的那两个。第二部分：人工智能的未来霍金斯认为当前基于人工神经网络和深度学习的模型无法带来通用人工智能，它们可能带来很不错的结果，但算不上真正的智能，不具备知识表征能力。真正的智能应该有着和人类似的智能，需要有持续学习、通过 “运动” 学习、多重模型、通作参考系存储知识的特征。就持续学习这一特征而言，当前的人工智能并不具备该特征，它们需要事先大量训练而一旦完成部署就无法再学习；再如通过参考系存储知识，当前的人工智能也不具备该特征。霍金斯认为，要实现真正的机器智能需要建立机器智能的具身、旧脑部分、大脑新皮质。具身为了让机器智能通过 “运动” 学习，可能是机器人、机械手臂、虚拟人，其包含各类传感器；旧脑是为了实现一些无需智能控制的功能，比如无人机的自动驾驶控制、机器智能的动机部分；硅基实现的大脑新皮质，可能要比人的大脑新皮质有很多优势，比如信息传递速度、容量、神经元连接灵活性、可复制性。人们对 AGI 的担心主要在两个方面：智能爆炸和目标失调。霍金斯认为没有必要担心。首先，针对智能爆炸问题，霍金斯认为即便机器智能在学习上有很多优势，但实际学习的速度并不能产生极大的提升，因为学习本身依赖很多外部的条件，比如天文观测、实验验证等。其次，针对目标失调，霍金斯指出智能无法自行产生目的（人依赖旧脑），目标失调的假设建立在机器智能不会接受新的命令以及它们能获取达成目标的所有资源的基础上，而这两个基础是不现实的。霍金斯发表了自己对意识的看法。他认为意识依赖于人们形成动作和思维的记忆。模仿人脑建立的机器智能因为有着和人类似的记忆机制，自然也会有意识，但人不必因此陷入道德困境而不去关闭机器 —— 一方面关闭机器就像让其睡眠，打开就像醒过来；另一方面，机器智能虽然有意识，但不会有恐惧、欲望这样的情绪，这是旧脑的产物。霍金斯提及他感觉另一位教授解释意识的方向可能是对的，即就像大脑对其他事物的建模一样，意识来源于大脑对注意力的建模。第三部分：人类智能的未来霍金斯认为人类智能存在的风险主要在于两点：- 人类的大脑新皮质受旧脑的影响和支配，会因为短期追求做出对人类长期生存而言非理性的选择 - 人类大脑容易被错误信念（模型）所 “感染”，人类创造的全球性技术可能被拥有错误信念的人破坏或滥用对于脑机融合的两条路线，霍金斯的观点是：- 大脑上传：技术上很困难，几乎不可能，哲学上也有困境 - 脑机结合：技术上能有限地实现，可解决具体问题最后一部分还讨论了关于人类知识保存、避免人类灭绝等相关话题，霍金斯整体秉持的观念是知识大于基因。

个人认为，这本《千脑智能》和《新机器智能》是理解人类智能和人工智能的必读书目。

这本书比较适合开阔视野和开脑洞，作者探讨了关于智能的各种猜想，以及自己对它的理解。作者提到，大脑当中有一个世界模型，大脑中有成千上万个皮质柱，不同的皮质柱负责不同的功能，有的负责视觉，有的负责听觉，而不同皮质柱相关联，就会产生交叉智能，比如语言。我们通常所做出的决策，是很多皮质柱投票得到的结果。对于大脑中的世界模型而言，最重要的是，其中的参考系，我们对世界各种物体的认知，都会有一个相对的参考系。在大脑进行思考时，不同的参考系构建方式，也会决定最后思考的高度和质量。本书中提到的千脑智能的理论，指的是任何特定物体的知识，都分布在成千上万个互补模型中。就像一个城市中，有错综复杂的管道，管道中的水源，不是由一个人来负责管理的，而是由不同的人进行组合管理。书中提到，保存我们的智能，可以通过复制信息的方式，也可以通过移民外星球。提到这一点，让我想到了马斯克的整体的商业规划，特斯拉公司、以及 solar city，部分也是为了移民火星后，能够利用机器人和自动驾驶进行建筑构建的想法。对于一个公司，可以从更高的维度去设计，每个公司作为总的计划中的一部分。而个人在工作中，也要有这样更终局的目标和想法，这样在工作中的每一件事情，意义感和收获感也会更强。

参考系是我们认知世界的重要原则和路径，而人脑也确实在用类似的机制形成对外部世界的判断，要成为专家，就是要基于足量的事实和分析，搭建自己的参考系。能够从脑科学的角度了解我们自身是如何建立分析系统，是我们当代人的幸运。另外，心理学家很多时候是在根据观察和统计在猜，在推断人类的心智、情感和认知模型是什么，于是不同的人会给出不同的猜测、提供不同的模型，而脑科学家则是深入研究人类大脑的结构组成和功能，从物质基础上逐步推进对人类自身的认识。

作者给我们讲了，最新脑科学前沿动向，让我们普通人也能了解一下。大脑的运行积制，网格模型，预测模型，不停学习，还提岀了未来可能岀现的，真正人工智慧，及发展方向，

人工智能可以比人脑快 1 千倍，但是学习能力绝对不会比人脑快很多

我们与其问我们从哪里来，我们是谁，这样的哲学问题，不如好好看一下这本书。书里揭示了人的大脑很重要的工作原理，我们如何认知、如何行动、如何决策等等。这本书好的地方还在于它不是简单告知结论，而是引领读者还原当初一步步推导思考困惑以及最终发现和实验的过程，非常推荐所有人都看一下，对心理学、哲学都有很重要的启发。

难得的需要读第二遍的一本好书👍🏻👍🏻👍🏻

准备二刷三刷

人工智能借鉴人脑的解剖结构和工作机制研发新型智能机器是一条前景光明又引人入胜的道路

1. 新脑的模型是简单的，但却获得了前所未有的智能深度学习借鉴了这种结构。虽然我们不能完全理解这种结构，但 GPT 的成功更加确信 6 层网络就可以有通用智能 2. 新脑，旧脑和身体的关系也令人印象深刻类比计算机体系结构，更加让人拍案叫绝

了解智能，大脑的原理，大脑如何运行，思考，相互配合

非常不错的大脑科普书，不仅介绍了最前沿的脑科学，也回答了很多对人工智能相关领域尖锐的问题，作者毫无回避，并尽可能畅想人类未来生存和延续的根本性命题。

大脑的特点和判断智能的标准：多重模型、持续学习、通过运动学习、使用参考系存储知识。多重模型：大脑学习的是世界的模型。“模型” 这个词意味着我们了解的所有知识不是以一堆事实的形式储存起来的，而是以一种能够体现世界和它所包含的一切这种结构组织起来的。例如，要知道什么是自行车，我们并不会记住关于自行车的一系列事实。相反，我们的大脑创建了一个自行车模型，其中包括自行车不同的部分，这些部分是如何排列的，以及不同的部分是如何移动和配合工作的。为了认出某样东西，我们需要了解它的外观和触感；为了实现目标，我们需要了解世界上的事物在与我们互动时的典型表现。持续学习：世界在不断变化。因此，为了反映不断变化的世界，世界模型必须持续学习。大多数现有的人工智能系统并没有做到这一点。经过了漫长的训练过程后，这些人工智能系统就会完成部署了。这也是它们不灵活的原因之一。灵活性要求这些系统不断适应变化的环境和新的知识。通过运动学习：实现智能需要学习一个世界模型。我们无法同时感知世界上的一切事物，所以需要通过运动来学习。如果不挨个走遍所有房间，我们就无法学习一个关于房子的模型，如果不与手机上的新应用程序互动，我们就无法学会使用它。这里的运动不一定是指身体上的。通过运动学习的原理也适用于数学等概念，以及网络等虚拟空间。使用参考系存储知识：为了实现智能，需要学习世界模型。模型必须包含物体的形状、物体在与人互动过程中的变化，以及物体彼此之间的相对位置。需要好的参考系来表征这类信息，参考系是知识的 “骨架”，也决定了起点。就像人类最终不是通过模仿鸟类，而是通过理解空气动力学而发明了飞行器一样，在我们改进机器和深度学习的同时，需要首先了解大脑是如何工作的。大脑使用类似地图的结构来建立一个世界的模型 —— 不仅仅是一个模型，而是成千上万个我们所知道的一切的模型，也就是 “千脑智能” 理论。

人工智能研究者制造智能机器时有两条路可以走。第一条路正是该领域目前的研究方向，那就是让计算机在某些具体任务上超过人类，如下围棋、检测医学图像中的癌细胞。我们希望，如果能够让计算机在执行一些困难任务时的表现超过人类，那么我们最终就会发现如何让计算机在所有任务中都比人类强。通过这种方式来实现人工智能，系统的工作原理以及计算机是否灵活就无关紧要了。唯一重要的是，这样的人工智能计算机在执行特定任务时比其他人工智能计算机更强，并最终超越最强的人类。如果最强的计算机围棋棋手在世界上仅仅位列第六名，那么它就不会登上媒体头条，它甚至可能会被视为失败者。但是，击败世界上顶尖的人类棋手就会被视为一个重要的进步。第二条路是重点关注灵活性。通过这种方式，人工智能就不必具备比人类更强的性能。我们的目标变成了创造可以做各种事情并且可以将从某个任务中学到的东西应用于另一个任务的机器。沿着这条路径成功制造的机器可能具有 5 岁孩子的能力。我们希望，如果我们先了解了如何构建灵活的人工智能系统，就可以在此基础上最终制造出与人类能力相当或超越人类的系统。