而Hawkins则说：“智能并不是动作，也不是某种聪明的行为。行为只是智能的一种表现，绝不是智能的主要特征。‘思考’就是有力的证明：当你躺在黑暗中思考时，你就是智能的。如果忽略了头脑中的活动而只关心行为，将对理解智能和发明智能机器造成障碍。”

　　他认为“只求结果，不问手段”的功能主义解释会将人工智能研究者引入歧途，虽然人工智能的倡导者经常用会举出工程学上的解决方法与自然之道截然不同的例子——飞行器并非模仿鸟类扇动翅膀，轮子比猎豹更快。但他认为智能是大脑内部的特征，因此必须通过研究大脑内部来探究，“神经回路中一定潜藏着巨大的能量等待我们去发觉，而这种能量将超过任何现金的计算机”。

　　《程序员》：你目前专注哪些研究，终极目标是什么？

　　Hawkins：我的终极兴趣是尽可能了解宇宙，理解大脑原理是其中的一部分。我相信，建立与大脑原理相同的智能机器将帮助我们发现宇宙的奥秘。

　　目前我完全专注于大脑新皮层的逆向工程。在Numenta，我们试图理解大脑是如何对周围世界建模的，即人类智慧的本质是什么。了解大脑如何工作是最有趣的科学问题之一。了解大脑新皮层的原理也将帮助我们创造智能机器，这将对全人类大有裨益。

　　我们从两方面来解决大脑新皮层逆向工程的问题。一方面从理论出发，我们推断出大脑必须执行的一个或多个要求。另一方面来自经验，我们学习有关脑组织的解剖学和生理学全部知识。然后，我们试图来解决这两组约束。解决方案必须足够详细，这样才能用软件构造，并且进行生物测试。举个例子，我们知道大脑可以学习模式的序列，基于序列预测下一次事件。于是，我们仔细分析神经元的解剖结构和连接模式，探究它们是如何从序列中学习并作出预测的。我们用理论和实验预测证实了自己的理论。实际的过程比我说的复杂多了，但是基本原理就是这样。

　　《程序员》：Richard Hamming曾说：“若你对所做之事了如指掌，就不该做科学；而若相反，则不该做工程。” 你将自己视为工程师还是科学家？对于快速进入不同领域，你有哪些诀窍？

　　Hawkins：我职业生涯的早期阶段，主要身份是工程师，现在我主要的身份是科学家。但是每个方向的技能都有帮助。比如，在Numenta，我们需要测试自己的理论来探究不同的脑回路的功能。尽管可用软件实现，但是快速实现仿真并验证预期效果需要大量的工程技术支持。

图3 Numenta目前拥有15位员工，大多数人有神经科学和机器学习背景

　　当需要快速切入一个新领域时，我会一边精读相关资料，一边请教领域内的专家。不要害怕问问题，不管问题多么基础，要刨根问底。我非常享受这个过程。

　　《程序员》：那么作为科学家，如何在科研和商业间找到平衡？

　　Hawkins：的确，很难同时兼顾科研目标和商业发展。我们的当务之急是完成科研使命，目前在脑科学领域取得了很好的进展，不想分散注意力影响科研。从商业的角度来看，我们已将知识产权授权给了其他人。今后，也许会往商业化方向投入更多资源，但科研优先级仍旧是第一位。

　　《程序员》：哪些书对你影响最大，为什么？

　　Hawkins：我喜欢阅读那些克服障碍去完成伟大事情的故事。最近读的几本这类书包括David McCullough的《莱特兄弟》，Jennet Conant写的《燕尾服的公园：华尔街的大亨和改变二战的秘密科学宫》，Ron Chernow的《亚历山大?汉密尔顿》。任何努力的成功都在于克服永无止境的一系列障碍。我觉得学习别人面对挑战和坚持的方式颇受鼓舞。

　　《程序员》：Roy Amara说，“我们倾向于高估科技的短期影响力，而又低估其长期影响力。”在你看来，对于AI的前景，人们是否过于乐观？

　　Hawkins：我很喜欢这句话，无论是在我从事移动计算，还是做AI研究，一直铭记于心。我担心人们夸大了人工智能的发展速度。纵使现在的AI技术看上去很强大，但距离真正创建智能机器还有许多事情要做。在智能机器真正腾飞前，可能还会经历一个失望的低谷。

　　《程序员》：《On Intelligence》已出版十年，你有哪些新发现，如果有机会重写，会有何不同？

　　Hawkins：在智能领域，有些事情我想去改变，但更多的是想添砖加瓦。自从这本书问世以来，我们理解了概念背后的神经机制，更重要的是，我们发现了几个重要的新原理。

　　我正在考虑写一本关于大脑和人工智能的新书。我想谈谈很多关于智能机器的误解。另外，我还想说明为什么真正的智能机器是人类长期生存所必需的。

　　《程序员》：当今的硬件架构是否是实现智能机器的最好选择？还存在哪些限制？

　　Hawkins：目前的计算机体系结构和半导体器件不是真正智能机的理想选择。智能机器需要大量的分布式内存，但幸运的是智能系统能够容忍许多故障。而学习主要是，通过重新连线（re-wiring）来实现的。实现这些特性的最佳方法仍在争论中。

　　《程序员》：在你看来，对人脑机制理解的缺乏是我们开发智能机器的最大限制之一，在这个存在许多假设和未知的前沿领域进行研究，怎样判断自己研究的方向和做出的各种选择是否正确？

　　Hawkins：面临的挑战主要来自确定大脑的哪部分是信息处理必不可少的，哪部分又是生物生存依赖的。确定这一点的方法是首先发展一个全面的脑功能理论。这是一个反复更迭的过程，但在缺乏理论的情况下不可能完成。

　　《程序员》：HTM完备了吗，难点在哪儿？

　　Hawkins：HTM离完成还有很远！我们知道还有一系列的内容必须加入HTM理论，正在逐个解决这些问题。现在正在研究的大问题是如何使用行为来学习。移动身体、手和眼睛是学习的最重要机制。很少有人工智能系统尝试这种方法。去年，在这方面我们有一个重大发现，现在正在测试阶段。

　　《程序员》：除了生物神经网络，要制造智能系统，还需要哪些技术？

　　Hawkins：每个真正的智能系统需要某种形式的体现。这包括一组传感器和移动这些传感器的手段。传感器可以与我们在生物学中看到的任何东西都不同，这个化身可以是虚拟的，比如在万维网上“移动”。传感器的形式在基础理论之外可以有千变万化的形式。

　　《程序员》：生物神经网络与ANNs/Deep Learning最大的不同是什么？

转载请注明出处。