新機器智能：邊緣計算重塑AIoT產業生態

本書大量篇幅介紹人腦“智能”的神經生物學機制，嘗試用“邏輯化”的語言對這種複雜工作機制進行描述（即“記憶-預測”模型），同時說明爲什麼這樣的機制可以被利用開發更智能的機器，以及此類“智能機器”廣闊的應用前景等等。如果你想更“邏輯化”的理解我們頭腦智能的運作機制，如果你想了解目前“神經網絡”等機器學習算法的思想源頭，本書都是一部佳作。 但有必要說明的是：書中並沒有提及人的智能哪些方面很難被機器所取代，人之所以爲人區別於機器智能的本質是什麼。作者甚至認爲“創造力”也並非人的天賦，而可以被簡單定義爲“通過類比進行預測”的能力，作者大概認爲人的智能沒有什麼不能被機器學習的。談到人工智能對人類的威脅和危險時，作者又樂觀的認爲無需過度擔心，認爲人終將有能力處理這些問題。但我想說的是，如果作者認爲人有能力處理機器智能發展的威脅，這一點本身不就是機器智能無法取代的人類智能的特別之處嗎？但對這個關鍵問題，作者未能予以說明。另外，作者認爲人類的智能活動都是人腦某些器官功能性的結果，這一點已經有很多其他科學家給出了反對意見，比如《尋找斯賓諾莎》中提到，人的智能來源於我們身心一體的“動態平衡”。我想這些都算是本書和其思想體系的“侷限性”吧。

所有進入大腦的信息都是以一系列的模式構成的，就像河流一樣流動，而不是一幅畫。新皮質的所有區域都有一個共同的功能，使用一種通用的算法。大腦不會“計算”問題的答案，它只是從記憶中檢索答案。爲了做出具體的預測，大腦必需將不變結構的知識與最新的細節相結合。我們感知到的東西是感覺和大腦的記憶所產生的預測的結合體。人類的大腦之所以比其他動物的大腦更聰明，是因爲它可以對更抽象的模式和更長的時間模式序列做出預測。智能的根本是預測而非行爲。新皮質有一個聰明的學習算法，可以找到並記錄任何存在的層次結構。當結構缺失時，我們反而會變得困惑。大腦會記住世界的本質，而不只是表象。當高層的某個區域認爲他可以理解這個意外事件後，它會生成一個新的預測。而每個區域都收到了和數據匹配的序列，即頓悟。你知道的越多，你能夠記住的也就越少。創造力可以簡單的定義爲通過類比進行預測。當它使用不同尋常的類比做出不同尋常的預測時，即創新。創造力是你一生中經歷或瞭解的所有事物的模式混合和匹配。人類最深沉的想法不受現實世界的驅動，他們純粹是由模型創造的。新皮質沒有能力模擬大腦本身，因爲大腦中沒有感官。因此，我們可以理解爲什麼我們的思想似乎獨立於身體，爲什麼我們感覺有獨立的思想或靈魂。出色的讓人們認識自我的一本書。

雖然是去年出版，但《新機器智能》真的不能算是一本“新書”——原著出版於2005年，至今已經過去快二十年了。也因此，有不少人認爲書中的觀點已經陳舊過時。這種“批評”主要針對的是作者在書中，對人工智能產生自我意識這一觀點的旗幟鮮明的否定態度。類似的“批評”或者更直白地說是“鄙薄”，是各種涉及人腦、智能、神經科學等書籍中，相當常見的一種讀者點評。自從語言類大模型成爲業內熱點以來，這種鄙薄都快成新的行業政治正確了。當下如果有人還在懷疑AI究竟能否真的“理解”了那些看起來很驚豔的輸出，那簡直就是在逆歷史潮流而動。但是如果真的細讀這本近二十年前的作品，這種好像已經確定無疑的“進步”，對比書中那些“陳舊”的觀點，就顯得格外淺薄和可笑了。 書中作者真正反覆強調的，其實是他提出的“記憶—預測模型”假設。而其論證推測的根基——新皮質的工作機理，則與後來發展出來的大模型機器學習有着非常內在的一致性。這裏推薦《AI3.0》和《腦與意識》，可以分別從神經網絡和機器學習的算法演進，以及大腦與感知器官信號處理模式，這兩個不同緯度，印證本書作者所提假設的合理性。 但是，相比於技術層面的構想和假設，作者順帶提出的，對於機器智能能否產生意識、是否能夠如人一般“理解”、是否可能具備人類的情感認知等問題的判斷，雖然非常簡短，但卻嚴謹自洽，如果要想提出質疑和反證，恐怕不是僅憑一些套話式的空談，就可以立論的。 在AI大興，吸引無數輿論眼球和熱錢投入的今天。基於語言大模型的各種應用，實際已經成爲一些新型產業的基本生產力工具。典型的例子，就是以AI生圖和文本生成，快速製造基於社交類媒體的同質化內容。這類以前只能依靠低端IT民工，製作垃圾內容來洗流量的典型低端產業，幾乎一夜之間通過AI內容生成獲得了對內容的主導權。雖然目前同質化依然是無法逾越的鴻溝，但其面對的受衆也從來不是對內容有足夠挑剔敏感度的人羣。反倒是之前輿論中販賣焦慮的AI替代論，在這個完全新生的AI民工羣體面前，不但被狠狠打了臉，而且連同類的文字輸出，也在極短時間內轉向了AI投餵下的個性化內容模型訓練。由此增加的新型人才和崗位需求，凡是對這個半灰色產業有接觸的人，都不可能視而不見。 可以預見，不遠的未來，這類利用語言大模型工具更新甚至創新的職業輻射範圍，肯定會越來越多，越來越深入各行各業。而被越來越廣泛應用的AI工具，也會快速祛魅，褪去資本和投機者強加的各種扭曲光環，還原出新質生產力工具的本來面目。這時回首再看二十年前作者在本書中所做論述和預言，纔會意識到，前瞻性研究和腳踏實地的思考，是遠比資本投機的喧囂，對產業和社會更具價值的輸出。

核心洞見：大腦不是計算機 這本書最顛覆認知的前提是：大腦不是"計算"答案，而是從記憶中檢索答案。霍金斯認爲，當今主流的"計算機應該像大腦一樣工作"其實搞反了方向——機器智能的正確路徑，不是讓計算機學會"計算"，而是讓機器理解大腦本身。 🧠 記憶-預測模型：智能的本質 霍金斯提出的記憶-預測模型，是全書最核心的理論框架。他的核心論點是： "人類關於世界的所有知識都是基於模式的模型。大腦是模式的機器。" 預測是這套理論的關鍵。人類每時每刻都在用儲存的記憶，對看到的、感覺到的、聽到的一切進行預測。智力測試本質上就是一個預測性測試——從幼兒園到大學，測量的都是你預測未來的能力。 ⚡ 有趣的對比：人類 vs 人工智能 書中有幾處讓人印象深刻的比較： 人類每天失去數以千計的神經元，但心智能力的衰減卻極其緩慢——這說明大腦存儲的知識是分佈式的、冗餘的，不是單點故障。 計算機對什麼是重要的沒有與生俱來的感知，因此必須探索更多的選擇——而人類天然知道什麼是重要的，這讓我們的學習和推理更高效。 雖然大腦與並行計算機都是並行運行的，但這是它們唯一的共同點——兩者的架構邏輯截然不同。 💡 人類智慧的獨特之處 霍金斯認爲，人類與其他哺乳動物的關鍵區別在於： "人類的大腦可以學習更復雜的世界模型並做出更復雜的預測。與其他哺乳動物相比，人類看到了更深層次的類比與更多的結構。" 這解釋了爲什麼我們能進行抽象思考、跨領域類比，而不僅僅是條件反射式的反應。 📌 科學方法論：假設與檢驗 書中特別強調了人類認識世界的方式： "人類通過假設和測試的過程推進自身對世界的認識。" 這不僅是科學方法的核心，也是人類智力的動態特徵——我們不是被動接收信息，而是主動提出假設、驗證預測、迭代理解。

推薦學習人工智能的人都看看這本書，雖然是20年前的書了，但作者對人工智能的本質的解釋還是非常的有啓發性的，隱約覺得現在大模型的實現可能或多或少的受到這本書中洞見的啓發。說不定從閱讀這本書受到啓發，我們還可能創造出transformer以外的更先進的模型架構。當然我們不需要完全認同這本書對AI本質的解釋，重要的是從中獲得啓發。

首先感謝微信讀書上架。 這本書寫的過於龐雜了，對於行業外圍者很難看下去。我是從千腦智能中寫了長評後轉了過來的。這本書第三章和第八章是精華。還有就是有關他自己歷程的敘述。 jeff 自己所在的國家和那個時期有高度的活躍自由，可以讓他從小看他自己喜歡看的比如魔法不必理會什麼分數，然後中間一路各種反抗權威觀點還可以堅持己見，中間各種跳躍跨行家庭也支持， 最終現在也在幹契合他本科時期最初可以的點燃自己的方向，研究大腦。楊振寧先生曾經說過 90 分以上的人其實適合去美國。我想在中國的天才從小被分數，要聽老師話，要遵循傳統，你是哪行的就要幹哪個不要跨界給搞死了，要和大多數人一樣，最近又多了一個要記得搞錢。我覺得很少有人可能闖過這幾個社會和文化關。 所以，他和馬斯克可能是最後一代偉大創業家。中美兩國的年輕人本身就被這種智能文明深度異化了 ，不可能再有這種人格上高度韌性眼神裏高度熱血的求知者和創業者。 再次建議各位移步千腦智能那本書。

人工智能領域的核心信條是：大腦只是另一種形式的計算機。 這本書主要探討了大腦學習世界的一個模型，並通過這個模型來預測未來，書中稱之爲“記憶-預測模型”（或者說“不變的表徵”）。作者所寫的模型的工作原理的所有內容，都取決於一個非常基本的前提，即世界是有結構的，因此是可以預測的。置身於變化萬千的世界裏，人類的意識維繫在這個相對穩定的“模型”上，存在於我們的大腦。這個大腦內的模型就像一座城市，各個區域分工合作，各個層級各司其職，神經元聯接就像是城市的道路，信息流在其中高速通行，無數的“新皮質”將詳細的、高度具體的輸入轉化爲一種不變的表徵（內在世界模型）。這個“不變的表徵”即是指以從信息流中抽象出來再被儲存在記憶中的“本質”，有序搭建的腦內“世界模型”。在平時，大腦皮層會根據這個“模型”來比較每一項新輸入信息中抽象出來的“本質”，以此預測事情發展，再根據信息反饋不斷修正、完善或者鞏固這個“不變的表徵”，產出思想，創造價值，形成自我。 大腦新皮質建立了身體的模型，建立了世界的模型，但它不能建立大腦本身的模型，因爲大腦中沒有感官。我們的思想位於大腦中，與身體和世界上其他物質在物理上是分開的。心智獨立於身體，但不獨立於大腦。我們可以理解爲什麼我們的思想似乎獨立於身體，爲什麼感覺我們有獨立的思想或靈魂。人是真的，樹是真的，我的貓是真實的，我們發現自己所處的社交場合是真實的。但是我們對世界的理解和對它的反應是基於來自我們內部模型的預測。因此任何時刻，我們只能感知世界的一部分。但專家和天才的大腦能夠“看到”結構的結構、模式的模式，而這些是其他人做不到的。這是因爲一些人的大腦在接收處理全面大量的專業信息之後，抽繹出事物的內部邏輯，進行重新整合，構建的系統模型越來越貼合客觀世界的元規律，這是從具體到抽象，從越多到越少。因此如果一個人知道的越多，他能夠記住的也就越少。 我們生活中所接受到的一切信息，都無時無刻在參與塑造我們大腦內部的“世界模型”。童年經歷、親情、友誼、娛樂、社交、閱讀、實踐……文化也能塑造一個人的世界模型，從一定意義上來說甚至是徹底的。例如，研究表明，亞洲人和西方人對空間和物體的感知不同。亞洲人更多地關注物體之間的空間，而西方人更多地關注物體本身。這種差異轉化爲不同的美學偏好和解決問題的方式。顯然，以絕對或普遍適用的標準來看，這些不同的世界模型不可能都是正確的，即使它們對個人來說似乎是正確的。 “記憶-預測模型”的類比預測還意味着創造力，它是如此普遍，但我們通常並不會注意到。創造力是我們一生中經歷或瞭解的所有事物的模式混合和匹配，是信息分子在大腦中高速碰撞的“化學反應”，是捉忽不定的靈感。因爲靈感是事物在大腦中的聯繫和組織，所以如果遇到暫時無法解決的問題，我們可以暫時把它放在一邊，先做點別的，然後重新開始，重新組織問題。如果這樣做的次數足夠多，遲早會有靈感。你可能會認識到，推廣科學理念類似於推銷商業理念，或者實現政治改革就像養育孩子。如果你是詩人，你高興地想到一個新的比喻。如果你是科學家或工程師，你就會針對長期存在的問題找到新的解決方法。在科技領域，幾乎沒有人能發明任何全新的東西，人們採取的辦法是將現有的想法融入新的框架。 大腦是一種能夠構建模型並做出創造性預測的器官，它的模型和預測非常巧妙，但巧妙並不意味着正確，它既可能似是而非，也可能有效。人類大腦總在尋找模式並進行類比。如果找不到正確的相關性，大腦就會很樂意接受錯誤的相關性。僞科學、偏執和不寬容往往植根於錯誤的類比。因此爲了預測的準確性，要輸入更全面的信息和進行更深度的思考。而且只有當記憶-預測模型在更高的抽象層次上運行時，當它使用不尋常的類比做出不尋常的預測時，我們纔是在創新。 北京智源人工智能研究院黃鐵軍院長提出“腦科學是自然科學的終極疆域”，研究腦科學，就是研究人類自己，以大腦本身去研究大腦。進化論指出，如果將分層記憶系統附加到我們的感官上，記憶就會爲世界建立模型並預測未來。所謂智能，是通過分層記憶的預測能力來衡量的，而不是通過類似於人類的行爲來衡量的。我們從自然造物身上尋找靈感，並沿着同樣的路線製造智能機器。這就是製造智能機器的祕訣：從一組感官開始，從世界中提取模式。

邊緣計算通過將算力下沉至靠近數據產生的地方，能有效解決企業級AI模型在雲端部署時面臨的延遲高、帶寬貴、隱私風險大等問題。 邊緣計算與AI智能體的結合將重構工業發展模式，推動工業系統從被動響應走向主動進化。 邊緣計算提供實時算力與本地化決策能力，AI智能體提供自主分析與規劃能力，二者結合讓工業系統從等問題發生再處理，變成提前預測、主動優化、持續迭代。 未來，邊緣計算將在AIoT產業中佔據重要地位，50%的關鍵企業應用將在邊緣運行，全球邊緣計算支出將以兩位數的複合年增長率穩健增長。 AIoT 是 Artificial Intelligence of Things 的縮寫，中文通常譯爲人工智能物聯網。 你的新皮質並未真正或直接感知這個世界。新皮質唯一知道的是進入輸入軸突的模式流。你對世界的感知是由這些模式創造的，包括你的自我意識。 新皮質記憶有4個特性與計算機記憶有着本質不同：新皮質自動存儲模式序列；新皮質可以自動聯想到模式；新皮質以固定的形式存儲模式；新皮質以層次結構的方式存儲模式。 在皮質區，自下而上的分類以及自上而下的序列在不停地交互，在你的一生中不停變換。這就是學習的本質。 如果反覆研究一組特定的物體，那麼新皮質會重新在低層區域形成這些物體的記憶表徵。這將解放頂部區域去學習更加微妙而複雜的關係。根據本理論，這就是成爲專家的必經之路。 製造人類與製造智能機器是兩回事。智能機器不需要有性衝動、飢餓感、脈搏、肌肉、情緒或類似人的身體。 真正的智能機器應該像大腦一樣，能夠自動學習、自動聯想，並且能夠處理各種未知的情況。 新皮質是大腦實現智能的關鍵區域，它的工作原理是理解智能本質的重要線索。 從光線進入你的眼睛，到你按下按鈕，涉及的神經元鏈條中只有不到100個神經元。試圖解決同樣問題的數字計算機將需要數十億步。 …… 大腦的工作原理是利用大量記憶構建世界模型，並使用該模型對未來事件進行連續預測，預測能力纔是智能的核心。 整個新皮質結構本質是一個記憶系統，神經元本身就構成了記憶，大腦不是通過“計算”而是從記憶中檢索答案。 第三個時期人類獨有的，始於語言出現和新皮質擴增，人類可在有生之年學習並通過語言傳遞信息。

一、大腦的核心機制：記憶-預測模型 1. 新皮質的通用算法 • 核心功能：大腦新皮質通過分層結構（約300億神經元）執行統一的“皮質算法”，其核心是學習模式序列並預測未來。所有感覺輸入（視覺、聽覺、觸覺）均被轉化爲時空模式，由新皮質以相同方式處理。 • 關鍵證據： ◦ 盲人能用視覺區處理觸覺信息（可塑性）； ◦ 聽覺與視覺皮質結構相似，僅輸入源不同； ◦ 掃視（每秒3次眼球運動）證明視覺本質是時間流，非靜態圖像。 2. 學習的本質：模式存儲與序列預測 • 不變表徵：大腦存儲的不是原始感官數據，而是提取輸入中的穩定關係（如“狗”的概念而非具體某隻狗的形象）。 • 層級預測：低層皮質處理快速變化的細節（如音符），高層處理抽象序列（如旋律）。預測誤差會向上傳遞，驅動學習（如發現門把手異常）。 • 運動與感知統一：行爲指令（如走路）與感官預測（如腳落地觸感）同步展開，形成閉環。 二、智能的根源：預測與類比 1. 預測即理解 • 大腦通過比對輸入與記憶中的模式序列（如聽到半句歌詞補全下半句）實現“理解”。 • 反行爲主義：圖靈測試的侷限在於，真正的智能取決於內部模型（如“中文屋”無理解因缺乏記憶-預測機制）。 2. 創造力與類比 • 創造力本質是跨領域模式類比（如將數學結構映射到物理問題）。 • 專家通過反覆練習將模式記憶“下沉”到低層皮質，解放高層處理複雜關係。 三、作者對意識的觀點 1. 意識作爲新皮質活動 • 自我意識：源於新皮質對身體的建模及預測，但無法模擬自身（故產生“靈魂獨立於肉體”的錯覺）。 • 感受質（Qualia）：可能源於舊腦（如情緒系統）與新皮質的交互，或輸入模式的結構差異（如聽覺vs視覺的獨特時空特徵）。 2. 現實是內部模型的投射 • 大腦通過一致的模式流構建“現實感”，但無法直接感知絕對世界（如橡膠手實驗證明感知可被操控）。 • 文化差異（如東西方空間認知）顯示世界模型的可塑性。 四、智能機器的啓示 1. 類腦AI設計原則 • 需具備：層級記憶結構、時間序列學習能力、多模態預測（如將觸覺與視覺關聯）。 • 優勢：速度（百萬倍於人腦）、自定義感官（如直接感知多維數據）、知識可複製性。 2. 風險與倫理 • 智能機器無舊腦驅動力（如慾望），但需防範錯誤類比（如偏見被固化）。 結論：智能的本質是通過記憶預測未來，意識是這一過程的副產品。未來AI需模仿新皮質的層次化預測機制，而非僅追求行爲仿真。

作者提出"智能的本質是預測而非模仿"的革命性理論，以"記憶-預測模型"爲核心框架，通過神經解剖學實證（如新皮質六層結構）、技術反推法（從自動駕駛系統失敗案例逆向推導）及跨學科思辨（物理學熵增定律與認知科學結合），系統論證了三大核心命題： 1) 智能定義革新：真正的智能在於通過世界模型預測未來，而非簡單復現人類行爲；2) 腦科學啓示：新皮質中150億神經元通過分層預測機制構建認知體系。3) 技術路徑重構：傳統AI依賴海量數據與算力的暴力破解，終將被類腦預測架構取代。