人脑祛魅

Hawkings坚信人脑的基本原理是简单的，是可以通过一个简洁优雅的理论框架来解释清楚的。一旦我们找到了框架的真相，我们就可以创造出媲美人脑的智能机器。

然而，在真相揭露之前，人类可能会被大量无关紧要的细节所困扰。人类在细节领域长期耕耘，会发现更多的（无关）细节，这让人类越来越困扰。 Hawkings认为脑科学界长期以来缺少一个高屋建瓴的统一理论框。传统学者们认为人脑是如此复杂，主张我们应该分区域，分功能逐步理解：视觉，听觉，运动，逻辑，语言，等等。这种观点推动了fMRI技术的广泛应用。但作者认为这种研究思路是有问题的。他认为neocortex以一个统一的简单的算法来处理各种不同的信号：无论是语言，视听，触觉，等等。人脑cortex确实在不同功能区域结构略有不同，不是因为这些区域各自又不同的算法，而是这些区域的传感输入信号不同。这些信号会被同一个“算法”处理，但是不同的输入信号会导致不同的神经元连接。

大脑并不需要一个“中文”算法来处理中文，“英文”算法来处理英文，“数学”算法来做数学运算。所有这些脑功能最后都归结于一个统一的而又简单的算法。正是这个算法的简单性，导致了它适用于各种信号处理，导致了人类大脑具有很强的可塑性。

Hawkings在书中提出一个实验性的理论框架来解释“智能”。简单说来就是“记忆--预测”框架。(memory-prediction)。 作者认为，智能的表征不在于“智能行为”(intelligent behavior), 而在于能够做预测。作者不赞同图灵实验对智能的鉴定，因为图灵实验是基于行为的。

人如何做预测？作者认为通过记忆！可是记忆是基于过去经验事实的，那么如何预测当下，预测未来？ 作者认为我们的记忆具有序列性：我们的所有记忆其实都是一个序列。我们的所有记忆就是序列的序列。正因为我们记住了一个序列，所以我们看到序列中的一段，可以对下一段做预测。记忆--预测模型的另一重要基础是我们记住的是事物的不变量(invariane representation)。我们很少去记忆某一只狗长什么样，我们有一个关于狗的总体记忆模型。要做到不变量，hierarchy 就很重要：在hierarchy中，上层的代表稳定的，抽象的，概括的，下层的代表不稳定的，具体的，个别的。上层和下层之间有feedback loop。

其实这个模型和所谓的深度学习模型非常类似。例如，在图像识别的deep learning模型中，底层的模型是像素模型，向上是线条(edge)模型，再向上是parts, 再向上是一个事物的整体。有趣的是，作者在书中对于三层神经网络很不看好，他所在的时代多层神经网络还没有成功实现。Hinton等人的成功其实也就是此书出版后一两年的事。

作者觉得自己这个模型简洁而强大，概括起来就是spatial, temporal, hierarchical, associative, sequential, invariance，feedback loop, symmetric.

进而，作者开始解释“创造性”无非就是类比预测（analogy prediction)。 把已有的模式以出人意料的方式移植到新的领域。作者还试图解释想象力，幻觉，意识等意识活动。

最后，作者觉得大脑其实很简单，相信我们有能力制造出媲美人脑甚至超越人脑的智能机器。里面有关于智能汽车的讨论，十年以后来看，八九不离十。