大脑和智能理论的探索

　　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。