记者 | 卢鸫翔（ludx@csdn.net）

　　本文为《程序员》原创文章，未经允许不得转载，更多精彩文章请

　　“虽然没人确切知道恐龙是怎么灭绝的，与之相关的理论却很多——关于大脑则完全相反。”作为工程师，Jeff Hawkins创立了两家便携式计算机公司，Palm和Handspring，开发了风靡一时的PalmPilot和Treo智能电话。然而作为科学家，理解大脑运作方式、原理，并按同样原理制造智能机器才是他一生的追求。日前，Jeff Hawkins接受了《程序员》采访。

　　蜿蜒求索

　　1979年，从康奈尔大学工程学院毕业的Jeff Hawkins选择在Intel开启他的计算机行业生涯，然而三个月后，他就发现自己入错了行——那年9月出版的《科学美国人》是大脑研究专刊，专题最后一篇文章中，Francis Crick（DNA结构发现人之一）写道，“尽管人们积累了大量有关大脑研究的详尽数据，但其工作原理仍是难解之谜。神经科学只是一堆没有任何理论的数据，最明显的是缺乏概念框架”。Crick甚至没用“理论”这个词，他说，我们根本不知道怎么去想，因为连基本框架都没有——Crick的话像号角，唤醒了Hawkins长久以来研究大脑，制造智能机器的梦想。

　　Hawkins那些认为“大脑无法理解自身”的说法除了似有禅意，实则毫无用处，“人们常怀有根深蒂固但错误的假设，正是这种偏见阻止我们探寻答案。翻开科学史，你就会发现，哥白尼的天体运行说，达尔文的进化论和魏格纳的大陆漂移学说都跟大脑理论有诸多相似，都曾有许多无法解析的数据，而一旦拥有理论框架，一切就都变得有意义了。”

　　图1 大多数科学理论与数据相互印证，而神经科学拥有海量数据却无框架和理论可用

　　然而将这一计划付诸实施尚需时日。在Intel展开研究自然是最便捷的渠道，Hawkins致信当时的公司主席Gordon Moore，建议成立研究小组，专攻大脑工作原理：“该工作可从一个人，即本人开始，随后进一步拓展。本人有信心承担该工作。相信有一天它会给我们带来无限商机。”不过随后的讨论中，公司并未支持他的想法，因为没人相信在可预见的未来能研究出大脑的工作原理。

　　此路不通，只得另辟蹊径。他首先向当时的人工智能研究“航母”MIT人工智能研究院发出申请：

　　“我想设计和制作智能机器，但我的想法是先研究大脑怎么运作。”

　　“你不需要这样做，我们只需要为计算机编程。”

　　“不，应该先研究大脑。 ”

　　“你错了。”

　　“不，你们错了。”

　　他们直截了当地告诉Hawkins，要认识智力和建造机器，没必要研究真正的大脑，“他们认为研究大脑会限制思维，对大脑如何工作毫无兴趣。采取‘只求结果，不问手段’的方式开展研究，甚至有人还为自己跳开了生物学这一阶段而沾沾自喜。”MIT拒绝了他的申请。

　　Hawkins无所适从，但仍一心渴望研究大脑，他参加了人体生理学函授课程——因为函授学校不会拒绝任何人。他努力学习，准备考试，几年后被UC Berkeley接收为生物物理学研究生。欣喜若狂之余，意味着原本打算买房生子的计划搁浅，他需要甘心变成一个不能挣钱养家的人。

　　他原以为这次可以终于可以研究大脑理论了，但学校告诉他，他选择的研究方向，得不到经费。Hawkins很沮丧，只能回到原点——他熟悉的计算机行业。“我计划干4年，挣点钱，组织自己的家庭，那时自己可能会成熟点，神经系统科学可能也会成熟点。结果比4年长多了，已经大概16年，但我终于做到了。”Hawkins在这段时间创立了Palm Computing（也许值得一提的是，Palm商标目前归中国公司TCL所有）和Handspring，推出了一系列风靡一时的掌上手写电脑。

　　Palm使用的手写识别系统Graffiti灵感来自Hawkins曾学习的一种与大脑有关的数学——1987年夏天，一家名为Nestor的公司展示了一种能识别手写文字的神经网络，要价100万美元，“他们在神经网络规则上大作文章，将它吹嘘成一项重大突破，但我觉得手写识别问题可以通过另一种更简单、传统的方法解决。两天后，我设计出一种速度更快，体积更小，使用更灵活的手写识别器。”

　　生物神经网络

　　终于“挣到点钱”的Hawkins将自己的研究方向全面转向神经科学，2002年他建立了非盈利的科学研究机构Redwood Center for Theoretical Neuroscience，2005年建立了Numenta继续他的研究。此前一年，他出版了《On Intelligence》，向大众介绍大脑和智能理论。书中他提出了“记忆-预测”框架（Memory-prediction framework）——大脑的新皮质、海马体和丘脑联合匹配感官输入，存储记忆模式，并将这个过程如何用于预测。进而根据这一生物学框架发展出了HTM（Hierarchical Temporal Memory）机器学习模型。Hawkins将其称为“生物神经网络”（Biological Neural Network），与之对应的，他将Deep Learning为代表的神经网络称为“简单神经网络”（Simple Neural Network）。

　　图2 Graffiti手势

　　“大脑以稀疏分布表示（sparse distributed representations，SDR）表征信息，我相信未来所有智能机器都将基于SDR。而现有机器学习技术却无法将SDR加入其中，因为SDR是构建其他一切的基础。生物神经也远比‘简单神经网络’复杂得多。而作为生物神经网络的一种，HTM已能从数据流中学习结构，做出预测和发现异常，还能从未标记的数据中连续学习。”Hawkins这样解释“生物神经网络”的独特之处，他还觉得目前人工智能对认知功能被分割了——分为语音，视觉，自然语言等领域，而人脑是具有综合性的认知系统。目前的图像识别需要上千万张照片的收集归类，才能让机器“认出”猫，但人脑善于捕捉和认知流动的信息，也不需要大数据的支持。

　　表1 生物神经网络与其他技术区别

　　Hawkins认为，大多数神经网络和人工智能都有个共同缺陷——只注重行为。研究者们都认为智能存在于行为中——执行一个输入后，由另一个程序或神经网络产生行为。电脑程序和神经网络最重要的属性，就是能否进行正确的、令人满意的输出，将智能等同于行为。

转载请注明出处。