# 傑夫·霍金斯：智慧的千腦理論 > 神經科學家介紹千腦理論，解釋大腦皮層如何用大量參考系模型構建對世界的理解，並指向新的機器智慧路徑。 - 原標題：#208 – Jeff Hawkins: The Thousand Brains Theory of Intelligence - 期數：第 208 期 - 釋出日期：2021-08-08 - 嘉賓 / 主題：傑夫·霍金斯：千腦理論 - 網頁版：https://lex.qiaomu.ai/tw/ep/jeff-hawkins-2/ - 官方頁面：https://lexfridman.com/jeff-hawkins-2/ - 精讀字數：約 10687 字（閱讀約 24 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 傑夫·霍金斯（Jeff Hawkins）說過一句話，放在今天這個深度學習狂飆突進的時代，聽起來像是挑釁：**研究大腦，是通往機器智慧最快的路**。通往智慧的捷徑在這裡，不在擴大模型的規模上。 多數人不會這麼想。普遍的直覺是，神經科學還在收集資料，等它搞明白再說，先把模型堆大、資料餵飽，能跑出結果的就是好方法。霍金斯不這麼看。他在 Lex Fridman 的播客裡把話說得很直接：如果不理解大腦的工作原理，機器智慧能做到的事情是有上限的。 這句話的分量，得放在他的身份背景裡才能掂量出來。霍金斯算得上這場爭論的當事人，並非只會批評的旁觀者。他 2002 年創辦了紅杉理論神經科學中心（Redwood Center for Theoretical Neuroscience），2005 年創辦了 Numenta。2004 年他寫了《論智慧》（On Intelligence），此後近二十年，他和團隊一直在做的事情就一件：把人腦新皮層逆向工程出來。 他承認自己的理論缺少大規模實驗證據，承認這條路走得慢。但他同樣堅持另一件事：只靠擴大規模，現有的神經網路不會通向智慧。 ## 一塊餐巾紙，和它上面重複了無數遍的電路 要理解霍金斯在說什麼，得先看看人腦的結構。 人腦大致可以分成兩半：舊的部件，新的部件。舊的部分包括脊髓、腦幹、小腦、基底核等一堆小結構，負責呼吸、心率、走路、奔跑，以及所有情緒中心。你感到憤怒、飢餓、性衝動，都發生在這些舊部件裡。 新的部分叫新皮層（neocortex）。它之所以叫新，是因為哺乳動物之前的生物根本沒有這玩意兒。只有哺乳動物才有新皮層，而在人類和靈長類身上，它大得驚人，佔整個腦體積的 **70% 到 75%**。 我們認為是高階認知的一切，都和新皮層有關：看見、聽見、觸控，還有語言、數學、工程、科學。這些能力和新皮層的相對大小直接相關。 新皮層有一個特點：它極其均勻。霍金斯喜歡用一個比喻：把它攤開，差不多一張餐巾紙那麼大，厚度約 2.5 毫米。你在這 2.5 毫米里隨便挑一個位置切下去，看到的都是極其精細的電路結構，而且處處長得幾乎一樣。跨物種也一樣，老鼠的新皮層和人的新皮層，看上去沒有本質區別。 舊腦區不是這樣。舊腦區是一堆各幹各的小零件：這塊管心率，那塊管某個反射，那那塊又管另一件事。它們各自演化了億萬年，各有各的功能。 然後哺乳動物出現了，帶來了一個新東西，它變大靠的是把同一套東西一遍又一遍地複製。 > 所有證據都指向一點：新皮層各處遵循同一個原理。（傑夫·霍金斯） 這個觀點最早由弗農·蒙卡斯爾（Vernon Mountcastle）在 1978 年提出，論證清晰而漂亮。他的推理是：如果從新皮層切下一塊，憑什麼它是視覺區而不是聽覺區？答案很簡單，因為它連著眼睛而不是耳朵。 這真的可以照字面理解。有一個真實的實驗：把視神經接到新皮層的另一個區域，那個區域就會變成視覺區。還有更常見的證據：一個天生失明的人，他的視覺新皮層因為先天缺陷收不到眼睛的訊號，那塊區域不會閒著，它會去接手別的任務。 支撐這一切的，是一套高度複雜的電路，遠非一堆通用神經元。這套電路撐起了所有功能。霍金斯把它叫作通用皮層演算法（common cortical algorithm）。有些科學家很難相信這是真的，但在這一點上，證據是壓倒性的。 於是問題就收斂了：**如果搞清楚了這一小塊電路在做什麼，你就理解了語言、數學、視覺、聽覺背後共同的機制**。整個智慧問題，只剩這一個電路。 ## 大腦真正在做的事：給世界建模型 霍金斯早期的理論叫層級時間記憶（Hierarchical Temporal Memory，HTM），2004 年在《論智慧》裡首次提出，之後又迭代過幾代。他後來自己說，HTM 這個詞現在不太夠用了，因為它抓不住他們後來知道的東西，但它沒錯，只是不夠精確。 HTM 強調三件事，這三件事在當時都被主流理論忽略了。 第一件是時間。神經科學界很多年都忽視了時間在大腦中的作用。大腦處理的資訊隨時間不斷變化。我現在說話，你正常速度聽，耳朵裡的訊號每 10 毫秒左右就變一次。你看世界，眼睛每秒移動三到五次，輸入完全在變。你摸一個咖啡杯，手指一移動，輸入就在變。 而傳統視覺理論是怎麼做的？把一張圖放在你面前，閃一下，問你這是什麼。今天的卷積神經網路也是這麼幹的：給一張圖，分類。但真實的視覺根本不是這樣，視覺是基於時間的、到處亂竄的模式。觸覺、聽覺同理。 > 如果你不處理基於時間的模式，你既不會理解大腦，也不會造出智慧機器。（傑夫·霍金斯） 第二件是記憶，或者更準確說，是模型。大腦真正在做的事情，是學習世界的模型，光處理輸入遠遠不夠。記憶這個詞指的就是這個模型。新皮層的任務，是把經歷以某種形式存下來，形成對世界的模型，這樣我們才能四處走動、拿起東西、做事情、認路。 第三件是層級。新皮層雖然是一張均勻的細胞薄片，但不同區域之間會互相投射，粗略地構成了層級結構。 這三件事，霍金斯至今仍然全部相信。他只是不再用 HTM 這個詞，因為他知道了更多。 ## 一個神經元有幾千個突觸，這件事有多重要 說到人工神經網路和生物神經網路的區別，霍金斯的團隊在 2016 年發過一篇論文，標題很直白：《為什麼神經元有數千個突觸》。 真實的神經元很複雜。先從突觸說起。一個真實神經元上，可以有 5 千到 3 萬個突觸。靠近胞體的那一小部分，大約幾百個，和人工神經元裡建模的那部分類似，它們能影響細胞，能讓細胞興奮放電。 剩下 95% 的突觸做不到這一點。它們離胞體太遠，啟用其中一個，對胞體幾乎沒有影響。哪怕你同時啟用一堆，只要它們分散著，一樣沒用。 但如果你在樹突上很小的一個範圍內，大約 40 微米，同時啟用 10 到 20 個突觸，就會產生所謂的樹突脈衝（dendritic spike）。這個脈衝沿著樹突傳下去，可以到達胞體。 問題是，它到達胞體之後，只是把電壓抬高一點點，**從來不足以讓細胞放電**。然後電壓又降回去了。 那這有什麼用？ 霍金斯團隊提出的解釋是：那 95% 的突觸在識別幾十到幾百種不同的模式，它們起到的是預測的作用。換句話說，**一個神經元本身就是一個預測引擎**。 當那些靠近胞體的輸入足夠多，神經元會放電。但在此之前，它可以透過遠端突觸識別到的模式，提前進入待命狀態。當它真的放電時，會比原本早那麼一點點。 早一點點有什麼用？大腦裡所有興奮性神經元都被抑制性神經元包圍，這些籃狀細胞速度極快。如果我的放電比旁邊那位早一點點，我就能抑制住周圍一圈鄰居。結果是什麼樣的？ 結果是一個和你的預測相匹配的表示。表示變得更稀疏，活躍的神經元更少，但更具體。 > 大腦裡的真實神經元是基於時間的預測引擎。人工的所謂點神經元裡，完全沒有這個概念。（傑夫·霍金斯） 他還補了一層：真實神經元之間的突觸非常不可靠，精度連一位數字都達不到。真實神經元不像人工網路那樣精確地調整權重，它的運作方式基本上是二元的，形成新突觸，或者不形成，然後檢測同一時刻某 10 到 20 個突觸是否同時活躍。 這套機制建立在稀疏模式之上。霍金斯認為，如果不把這些吸收進去，你不可能造出真正的大腦或機器智慧，因為時間資訊很大一部分就來自這裡。 ## 稀疏表示為什麼讓人工網路更難被欺騙 稀疏表示是什麼？在一萬個人工神經元裡，大腦同時只有大約 **2%** 是活躍的。30% 不會有，50% 也不會有，就是 2%。這個比例在任何感覺輸入、任何腦區都一樣。不同的是哪些神經元活躍。 所以它是個群體編碼（population code）。資訊藏在哪 200 個細胞同時放電裡，單個細胞承擔不了多少。 2020 年底到 2021 年初，Numenta 的團隊做了一件很實際的事：把稀疏性引入卷積神經網路。這一步可以看作是霍金斯所說的“從大腦理論到機器學習”的第一個小臺階。 成果之一，是讓對抗樣本問題大幅緩解。給任何深度學習網路一張圖片，人眼看著明明是猴子，網路卻說是飛機，這是當下深度學習的熱門難題。DARPA 為此專門辦了競賽。而在網路中強制稀疏表示之後，很多這類問題就消失了。 為什麼稀疏會帶來魯棒性？直覺上大家會覺得反了，參與運算的神經元越少，表示不應該越脆弱嗎？ 霍金斯的解釋是這樣的：分類的本質，是在一個超高維空間裡用邊界把 A 和 B 分開。如果邊界附近的點很多，就不魯棒，稍微挪一下就越界了。而在一萬個細胞裡挑 200 個活躍，這個組合的數量極其龐大，任意兩組 200 個細胞的表示，重疊都只有寥寥幾個。要欺騙其中一個表示，讓它看起來像另一個，你沒法只動一兩個細胞，得動上百個。這就是魯棒性的來源。 > 200 個活躍細胞其實很多了，稀疏不等於少。關鍵是這些表示之間天然離得很遠。（傑夫·霍金斯） 這只是第一步。下一步他們打算引入千腦理論裡的一些東西：許多簡單模型互相投票。投票本身不新鮮，混合模型已經存在很久，但大腦投票的方式不同，表示不確定性的方式也不同。他們的目標，是讓系統學得更快，尤其是在多模態場景下更穩。 ## “苦澀的教訓”和企業家困境 Lex Fridman 提到了 Rich Sutton 那篇著名的部落格《苦澀的教訓》（The Bitter Lesson）。核心觀點是：過去七十年 AI 的教訓是，所有那些精巧的技巧短期有用，長期贏的永遠是簡單通用、靠算力增長的方法。 霍金斯的回應並不激烈，但很堅定。把現有系統做得更大，得到的只是更大的同類系統。今天的卷積神經網路和很多年前的相比，其實沒本質區別，只是更大、訓練更多、標註資料更多。他不認為只靠放大規模，能長出他知道大腦能做的那些事情。 他承認 Sutton 的描述在解釋過去是對的，作為短期處方可能也對。但那不是通向智慧的路。 這裡有個他反覆提到的詞：**企業家困境**。你有一個長期願景，你知道它一定會實現，問題是你怎麼走到那兒而不把自己耗死。理想的情況是找到中間臺階，一步步挪過去，而不是推倒重來。 Numenta 現在就處在這個困境裡。他們從稀疏表示切入，做出了初步成果，但接下來要解決的問題，比一個 0.1% 的基準提升難得多。 他也沒回避現實：機器學習社群有一套自己的基準測試，大家在上面比拼。為了在基準上競爭，你得有巨大的資料集和算力，而 Numenta 沒有。他說得更直白：這些基準測的東西不是智慧。它們對發展特定的數學模型非常有用，但長期看，對創造智慧沒用。 > 機器學習界現在進入了一個階段，覺得你怎麼想不重要，只要在這個基準上提高 0.1%，那就是全部。這是個問題。（傑夫·霍金斯） 他甚至提到，MIT 花十億美元辦的計算學院、斯坦福的人本 AI 中心，他都有點失望。因為這些專案很容易滑向“人類如何與智慧機器互動”，那是另一個方向的問題。他想問的是：智慧的本質是什麼。他原話是，我想要的是不會對你微笑、不會給你掖被子的機器。 ## 千腦理論：從一隻咖啡杯開始 這是霍金斯團隊近幾年最重要的工作，從 2017 到 2019 年的一系列論文發展而來。 一切的起點，是他手裡拿著一隻咖啡杯。 他的食指貼在杯壁上，然後準備移動到杯口，去感受杯沿。就在這時，他問了自己一個非常簡單的問題：大腦在手指碰到之前，就知道會感覺到什麼。這個預測是怎麼做出來的？ 答案牽出一整套結構。要預測，大腦必須知道三件事：它正在摸的是一隻咖啡杯（有杯子的模型）；手指當前在杯子上的什麼位置；以及手指移動之後，會落在杯子上的哪個位置。 這裡面，最關鍵的是第二條。真正關鍵的是手指相對於杯子的座標，杯子相對於身體的位置、朝向，都無關緊要。沒有它，就無法預測下一個位置。 這意味著，新皮層有一套錨定在杯子上的參照系（reference frame）。 再往下推一步：我皮膚的任何一處都可能碰到這隻杯子，所以皮膚的每一處都在做預測，每一處都有一套參照系在支撐預測。於是，整個新皮層，一切都被儲存在參照系裡，被參照系索引。你可以把它們想成 XYZ 座標系，但它們不是那種東西，神經機制上我們已經知道不少細節，但核心就是，**大腦用參照系思考**。 過去人們怎麼理解新皮層？把它當成一個從感覺資料裡提取特徵、再從特徵裡提取特徵的系統，跟今天的深度網路差不多。霍金斯說，真實情況完全相反。大腦是把每一個輸入、每一件事都分配到參照系裡，同一時刻有成千上萬個參照系在新皮層裡活躍。 這件事一旦想通，原先的謎團成片地解開。 由此引出一個具體結論：新皮層每一平方毫米，全腦大約 15 萬塊這樣的小塊，各自接收一部分輸入，各自有參照系。每一小塊都能學完整的物體模型。為什麼？因為如果你只在杯子的一處摸了一下，確實學不到杯子是什麼，但如果你沿著杯子移動手指，摸過不同區域，你就能把這隻杯子的三維地圖一點點填滿。透過時間，一塊只看到世界一小部分的皮層柱，也能建出完整的物體模型。 摸杯子的時候，手部感覺皮層裡對應不同皮膚區域的那些柱，每一塊都在建杯子的模型。看杯子的時候，視網膜的不同部位在看杯子的不同部分，成千上萬個杯子的模型同時被喚起。它們互相投票，一起確定到底發生了什麼。 > 這就是為什麼我們叫它千腦理論。杯子的模型有幾千個，不止一個。（傑夫·霍金斯） ## “感測器融合”是個偽問題 Lex 問了個好問題：這麼多模型，你怎麼知道哪個猜得最準？ 霍金斯說，神經科學裡有個經典難題叫感測器融合（sensor fusion）。影象從眼睛進入，投射到新皮層，然後散得到處都是，扭曲變形，早就不像一張圖了。什麼時候它們又合到一起？或者說，我一邊看杯子一邊摸杯子，視覺和觸覺怎麼合併？ 這個問題的前提就錯了。那個“合併到某處形成單一模型”的假設是錯的。 真實發生的是投票。有杯子的聽覺模型、視覺模型、觸覺模型，視覺系統裡有些更關注黑白、有些更關注顏色，不重要。成千上萬個杯子的模型，各自投票。 他把新皮層的柱想象成一根根小麵條狀的單元，2.5 毫米高、1 毫米寬，各猜各的。有時間移動的話，猜得準；如果只能透過一根吸管看世界，比如只能動用一列柱，那猜得就很粗糙，是一個機率性的猜測。 每根麵條把自己的猜測送到頂部。大腦裡這套機制以可能性集合的形式運作，霍金斯管它叫並集。一列說，我覺得可能是咖啡杯、易拉罐或者水瓶；另一列說，我覺得可能是咖啡杯、電話或者相機。所有列都在說自己覺得可能是什麼。 皮層某些層裡的特定細胞型別，會發出跨腦的長程投射，投票就發生在那裡。機制是一個簡單的聯想記憶。如果存在唯一最優答案，它們會很快收斂到同一個答案上，全體投票，確定是咖啡杯。到那一刻，所有列都知道自己面對的是咖啡杯，都按咖啡杯行事。哪怕我只是看到了世界的一小塊。 > 這些模型最終不會合併成一個，它們投票，然後票數結晶。（傑夫·霍金斯） ## 概念也存在參照系裡 咖啡杯是物理物件。數學、語言、抽象概念，也這樣嗎？ 霍金斯的證據是：新皮層裡負責語言、高階思維、數學的區域，和負責視覺、聽覺、觸覺的區域，長得幾乎一樣，頂多有些細微差別。如果蒙卡斯爾是對的，如果所有區域遵循同一原理，那麼做語言、數學、物理的那些區域，一定也在用參照系。 這聽起來有點奇怪，但有一個古老的技巧可以佐證：記憶宮殿，也叫位置記憶法（method of loci）。想記住一串毫無關聯的詞，你把它們放到一個你非常熟悉的空間裡，比如自己家。這個詞放在玄關，那個詞放在走廊，另一個放在臥室。要回憶時，你在腦子裡走一遍房子。 這個方法出奇地有效。霍金斯說，它透露了兩件事：大腦偏好把東西存在參照系裡；回憶和思考的本質，是在參照系裡移動。 物理上可以移動，比如手指沿著杯子走。心理上也可以移動，比如想象自己在摸杯子，或者走過自己的房子。 更硬的證據來自 fMRI 實驗。研究者讓人躺在掃描器裡想各種鳥，有大有小、有長脖子長腿的。從掃描資料裡能看出，關於鳥的知識是按參照系排列的，而且用到了網格細胞（grid cell）類似的模式。也就是說，即使在想抽象的東西，大腦實際用的還是空間參照系，用的還是同一套神經機制。這套機制原本在舊腦的內嗅皮層（entorhinal cortex）裡，負責導航，現在被新皮層借用了。 數學也一樣。證明一個猜想時，你先有一些已知為真的出發點，想走到終點，中間需要經過一些中間結果。霍金斯的猜想是：這些方程、這些點，被分配到一個數學參照系裡；數學操作，比如乘法、除法、或者某種變換，就是在參照系裡移動。你實際上是在一個數學空間裡尋找從一處到另一處的路徑。找得到，說明你的地圖不錯，操作選對了。 > 我們思考難題時，很大一部分工作是為這個問題設計正確的參照系，把資訊組織好，想清楚在這個空間裡用什麼動作能走到終點。（傑夫·霍金斯） 每個概念都有它自己的參照系。咖啡杯有杯壁、圓柱、把手，各有各的參照系，又都掛在“這隻杯子”這個主參照系下。杯子上的 Numenta 標誌是另一個存在於別處的東西，有它自己的參照系，現在被貼到杯子上。怎麼把參照系掛到參照系上，神經元怎麼做到，他們在 2020 年 12 月的論文裡給了初步的答案。 ## 大腦裡的參照系，沒有原點 這裡有個技術細節值得說清楚，因為它和日常理解的座標系很不一樣。 我們熟悉的參照系，笛卡爾座標有原點，經緯度有本初子午線，印刷地圖有行列編號。大腦裡的參照系不是這樣。這一點在內嗅皮層的研究裡已經確立，屬於既有神經科學結論，不是猜測。 大腦的參照系**沒有原點**。它更像這樣：你有一個點，給定一個動作，它告訴你下一個點在哪；再給一個動作，再下一個點在哪。用這套東西，你可以算出怎麼從一點走到另一點。從家走到公司，從杯壁走到杯口，從公理走到猜想。 維度呢？內嗅皮層最早是在老鼠身上研究的，看起來是二維的，老鼠在一個盒子裡或迷宮裡，用二維參照系知道自己在哪。但蝙蝠也是哺乳動物，它在三維空間飛，它怎麼知道自己在哪？這是當前活躍的研究領域。霍金斯團隊裡兩個人，加上 MIT 的 Elif Fett，在播客錄製前一週剛放出論文，說明網格細胞可以表示任意 n 維空間，機制上沒有內在限制。二維切片可以切開任何高維空間，一維模型也可以有。 所以三維的杯子地圖沒問題。鳥、數學這些概念，可能是三維以上。誰知道呢。 還有個他覺得棘手的問題：光知道位置不夠，還要知道朝向。手指貼在杯壁上，可以旋轉，位置不變，但感受變了。舊腦裡有所謂的頭方向細胞（head direction cells），管老鼠面朝哪邊。手指相當於一隻三維的老鼠，有三維位置和三維朝向。位置和朝向怎麼結合，是個難題。他說自己在這上面有進展。 至於上下文，房間、地域、時代，這些額外資訊怎麼接入，他歸到“注意力問題”這個大類下。這部分在錄音裡剛開始展開。 ## 意識、死亡，以及他不想花時間的問題 Lex 把話題引向意識。霍金斯的態度相當輕描淡寫：他覺得這個問題沒那麼有意思。 他把意識拆成兩塊。第一塊是自我意識，這個很容易解釋。新皮層既建模外部世界，也建模自己的身體，還有記憶，能記住自己做過什麼。所以你能回答“今天早上吃百吉餅的時候你有意識嗎”。如果我把你大腦的突觸全部回退到那個早上的狀態，你大概會說沒這回事，因為記憶裡沒有。自我意識就是身體在世界上移動軌跡的記憶，加上調取這段記憶的能力。任何系統只要能做到這個，它就會說自己有意識。 第二塊更難，就是感受質（qualia）：為什麼紅色看起來是紅的？為什麼疼感覺像疼？為什麼看和聽感覺不一樣，明明都是神經元在放電。 他推薦了一本書，Alva Noë 的《Why Red Doesn't Sound Like a Bell》。他的思路是：顏色在世界上並不存在，存在的是光的頻率。頻率本身沒有顏色。視網膜上不同細胞對頻率的響應不同，進入大腦的只是一堆以不同頻率放電的軸突。所謂顏色，是這套機制和外界頻率之間的關聯。 那為什麼它會顯得有顏色？他傾向於從預測和參照系的角度理解：模型用這種方式表達有好處，可以方便地歸類和預測。他舉了幻肢現象：手臂沒了，人還能感覺到它，甚至疼，把手“放到背後”，疼就跑到背後。手臂存在，本身就是大腦裡的一個模型，它可能對，也可能不對，但有一個和世界對應的模型，對預測很有用。 > 我覺得自己不需要解決這個問題，就能造出智慧機器。完全不需要。（傑夫·霍金斯） 關於“如果機器有意識，關掉它就是犯罪”這個說法，他完全不認同。他打了個比方：我每天晚上都關掉自己，我去睡覺，這是犯罪嗎？早上再插上電，我又回來了。人不恐懼死亡嗎？他給了兩個理由：一是基因程式設計讓人怕死，二是基因程式設計讓人為認識的人死去而悲傷。陌生人死去，我們不會有感覺。除此之外，沒什麼可擔心的。 Lex 提到貝克爾（Ernest Becker）的《拒斥死亡》，說人其實活在一個不承認死亡的幻覺裡。霍金斯說那是別人的模型，不是他的。他每天晚上上床，就像一次小小的死亡。如果沒醒過來，對他而言無所謂，只有在他知道會發生的情況下才會困擾，而那也主要是擔心妻子。 他年輕時列過一張大問題清單：為什麼存在萬物？為什麼物理定律是這樣？生命是必然的嗎？智慧是必然的嗎？他停在這裡，因為他判斷，**造出真正智慧的系統，會是回答前三個問題最快的路徑**。這就是他做這一切的最終動機。 ## 他不擔心存在性威脅，擔心的是別的東西 關於 AI 風險，霍金斯的態度和很多人不同。他不認為這類威脅夠得上存在性級別。 他把話說得很不客氣：那些談存在性威脅的人，聽起來都很空洞。他們不知道智慧是什麼，如果知道，就不會那麼說。他們算不上這個領域的專家。 他認為真正的威脅在於別處。當下的 AI 已經有需要擔心的事：隱私、假資訊。智慧武器是需要認真對待的問題。但這些不是存在性威脅，是我們一直面對、以後也要繼續面對的那類威脅。 被問到“超級智慧把一切都變成回形針”的擔憂時，他反問：這個問題我們早就有了，它叫細菌。細菌想把一切都變成細菌，它們不斷變異，躲避我們的防禦，歷史上殺死過大量人口。如果擔心某種會無限複製的東西，我們已經有了。他更擔心實驗室裡有人造出無法控制的超級病毒或細菌，那才更接近存在性威脅。而在上面加一個智慧體，反而讓威脅變小了，因為它限制了它能做什麼、能去哪。 還有一個他反覆強調的觀點：**智慧落在新皮層上，和整個大腦無關**。目標是造新皮層，別去造人，別造有情緒的系統，別造想繁殖的系統。為什麼要造那種東西？想要會繁殖的，去造細菌、造電腦病毒，那些是壞事，別做，管起來。智慧系統為什麼要關心自己活不活？為什麼要關心有沒有吃的？它不關心。它只是在思考數學，或者在火星上搞建設。這是我們可以做的選擇：別造像人的東西，別造複製的東西，別造有情緒的東西，只做新皮層。 Lex 追問：從零到人的智慧譜系上，能不能造出比人強幾個數量級的東西？霍金斯說“翻倍”這種說法本身是錯的，要把智慧拆成不同維度。能造快一百萬倍的嗎？能。儲存大得多？能。接不同感測器？能。分散式的？能。但更聰明嗎？那取決於你訓練它做什麼。超級物理學家、超級數學家，可以。至於我們能不能理解它，他的回答是：這件事已經發生了。絕大多數人已經理解不了其他人類專家掌握的大部分知識，但我們有溝通方式，愛因斯坦用我能懂的類比說話。真正難的東西，一旦被搞明白，往往沒那麼難。 ## 把知識送出地球 話題最後落到一個更大的問題上。宇宙裡還有別的智慧生命嗎？霍金斯說幾乎可以肯定有，過去有，未來也有。但能不能長存，他不知道。技術物種到現在也就兩百來年，我們沒有任何可靠的資料點。他擔心大過濾器。 問人類有什麼特別的。他說得很實在：我們在體能上毫無亮點，不會飛，遊得不快，跑得不快，不強壯。唯一特別的是大腦。我們是這個星球上唯一建立起超越感官所能觸及的世界模型的物種。只有我們知道月球背面、別的星系、原子裡發生的事。貓不會，狗不會，猴子也不會。 > 我們的基因並不比細菌的基因更有意思。真正獨特和寶貴的，是我們關於世界的知識。該儲存的是知識。（傑夫·霍金斯） 所以他談“為人類做國家層面的規劃”：我們該想想，作為一個物種不在了之後要留下什麼。這件事遲早會發生。儲存知識最好的方式，是讓它和能理解這些知識的智慧機器一起走下去。這些機器不必留在地球，可以是知識的容器，把它帶出地球，帶得比人類更遠。 那它們就不是人類了，怎麼辦？他的回答是：誰在乎？人類是什麼？五十年前的人和今天的人已經不一樣。基因沒有意義，知識才是稀有的東西。 ## 新皮層是一次質的跳躍 進化史上，新皮層的出現是不是一次大跳躍？霍金斯說，是，而且是質變，和其他所有進化步驟都不同。 他的論證很有意思。人類能做的很多事情，看不出明顯的生存優勢。音樂有什麼生存優勢？數學呢？你可以硬找理由，但大多數進化史上的東西都有直接、即時的生存優勢。 他講了一個故事，真假不重要，但很有啟發。生命在地球上不斷累積複雜度，腦也是這樣，舊的部分、更舊的部分層層疊加。新皮層剛出現時，有清楚的生存優勢，視覺更好、聽覺更好、觸覺更好。 然後演化做了一件事：它把一套很古老的機制借了過來。這套機制原本用於在空間中導航、知道自己在哪裡，就是內嗅皮層裡的網格細胞和位置細胞。演化把它精簡、抽象化，做成了一個可以用於構建其他地圖的版本。杯子地圖、手機地圖、數學地圖，概念，幾乎就是概念本身。 於是大腦從專用硬體變成了通用硬體，可以應用到任何問題上。然後它逃出了生存的引力軌道，開始做那些和生存沒有明顯關係的事：發現宇宙的模型。知道多元宇宙，對活下去有什麼幫助？沒有。但我們享受這個。 > 我們已經在某種意義上逃離了進化壓力的引力。這似乎只在人類身上大規模發生。（傑夫·霍金斯） ## 幾點可以立刻用起來的建議 霍金斯這套理論讀完不能馬上照做，但其中有不少東西可以遷移到日常工作和研究裡。 - 學新概念時，主動給它造一個空間。用記憶宮殿、用草圖、把抽象關係擺成位置關係。霍金斯反覆說的那件事是，大腦本來就在用參照系思考，你順著它的方式做，阻力會小很多。 - 做研究或做專案時，先把“約束清單”列出來。他的方法論是把每一份實證資料當成一個約束，理論上正確的方案必須同時滿足所有這些約束。約束越多，一開始越難，但一旦滿足，可信度就極高。這套方法不限於神經科學。 - 訓練模型時考慮稀疏性。如果你在做計算機視覺或分類任務，把稀疏性加進去，同時作用於啟用和連線，往往能顯著提升魯棒性，降低被對抗樣本欺騙的風險。這是目前最有實證支援的一條。 - 評估別人給你的“基準”時，問一句它在測什麼。霍金斯的批評是，很多熱門基準測的不是智慧。你在自己領域裡也要問：這個指標提升 0.1%，對真正要解決的問題意味著什麼？ - 警惕把智慧和情緒、繁殖、自我保全捆在一起的設計。如果你在造系統，別預設它需要這些。很多風險來自這些附加物，不來自智慧本身。 - 想學通一件事，試試關掉視覺。霍金斯半夜摸黑上廁所，是在測試自己的位置感。這種日常的自我觀察成本很低，收益是把理論變成體感。 最後一條可能是霍金斯本人最看重的：他四十多年做的事情，從讀克里克 1979 年那篇文章開始，一直沒有偏離。找到那個你願意反覆想、洗澡也想、騎車也想、半夜醒來也想的問題，比任何一個具體方法都重要。