人類大腦新皮層這三個基本屬性——通過重新連接進行學習(learning by rewiring)、稀疏表示(sparse representations)和化身學習(embodiment)——將是未來20年人工智慧向大腦學習的三個最重要的方向。
作者 | JEFF HAWKINS
翻譯 | AI科技大本營（rgznai100）
參與 | Shawn， 鴿子
人工智慧（如深度神經網路）真是火得一塌糊塗， 那只打敗人類棋手的阿爾法狗好一副得意洋洋。
可是， 你說你這麼強大， 會自己走路嗎？會自己使用鉛筆嗎？會自己保持平衡嗎？會哭會笑嗎？
這些對人類來說， 簡單得不能再簡單的任務， 對人工智慧來說， 簡直就是一座難爬的喜馬拉雅雪山。
不過， 路是要走的， 雪山也是要翻的。
其中一個解決之道就是， 理解人類智慧的原理， 並按照這些原理來開發新的真正的智慧。
最近， 位於加州紅木城（Redwood City）的前沿科技公司 Numenta就宣稱， 其最新發現了人腦新皮層的三個特徵， 而這三個特徵， 正是現在的人工智慧所缺失的。 Numenta表示，
未來人工智慧將要學習到的大腦新皮層的三個特徵到底是什麼？他們將對整個人工智慧帶來怎樣大的變化？
為了解答這兩個問題， 我們需要首先從生物學入手， 先解答——什麼新皮層。
什麼是新皮層？
人類大腦與爬行動物的大腦類似。 人和爬行動物都長有能控制反射性為的脊椎；能控制呼吸和心率等自動行為的腦幹；能控制情感和基本行為的中腦。 但是人類， 有著所有爬行動物所沒有的一個構造：新皮層。
新皮層是一種深度摺疊的薄片狀結構， 厚度約為2毫米， 如果平展開來， 和一塊大號餐巾紙一樣大。 在人類大腦中，
新皮層使我們變得如此聰明。
出生時， 新皮層幾乎一無所知， 它通過經驗來學習。 我們學到的任何事物——駕駛汽車、操作咖啡機以及我們每天接觸的成千上萬種其他事件——都儲存在新皮層中。
它學習這些物件， 學習它們在這個世界的位置以及它們的行為。
除了學習， 新皮層還生成運動指令。
因此當你做飯或編寫軟體時， 實際上就是新皮層在控制這些行為。
語言也是由新皮層生成並負責理解。
和所有大腦系統和神經系統一樣， 新皮層由神經元細胞構成。 為了理解大腦的工作原理， 就必須從神經元入手。
新皮層大約有300億個神經元。 典型的神經元有一個尾巴狀的軸突和幾個樹狀延伸狀的樹突。 如果你將神經元看作為一種信號系統，
樹突的分支上附有5000至10000個突觸， 每個突觸與成千上萬的其他神經元上的突觸相聯結。 因此， 大腦中有超過100萬億的突觸連接。
你對周圍環境的感知——認出某位朋友的臉、聆聽一首樂曲、手拿一塊肥皂——就是眼睛、耳朵和其他感覺器官將收到的信號傳遞給新皮層並啟動神經元群的結果。
當神經元啟動時， 一個電化學刺突（electrochemical spike）就會穿過神經元軸突到達突觸， 再由突觸傳遞給其他神經元。
如果某個接收神經元收到足夠多的電化學刺突， 它可能會啟動自己作為回應並啟動其他神經元。
在新皮層的300億個神經元中， 1%或2%的神經元在任何給定暫態都處於啟動狀態，
你在移動和與周圍環境接觸的同時， 啟動神經元組合也在發生變化。 你對世界的感知以及你對自身意識體驗的理解都由不斷變化的活性神經元模式決定的。
新皮層主要通過形成新的突觸來儲存這些模式。
這種儲存使你能認出以前遇過的人和地方， 並回想起關於它們的記憶。
例如， 當你想到你朋友的臉時， 新皮層中就會產生某種神經元啟動形態， 這種模式與你真正看到那位朋友的臉時新皮層中所產生的模式類似。
值得注意的是， 新皮層既複雜又簡單。 說它複雜是因為它被分為幾十個區域， 每個區域負責不同的認知功能。 每個區域內有多層神經元以及數十種神經元類型， 而且神經元與神經元之間的連接方式錯綜複雜。
說它簡單則是因為每個區域中的具體情況幾乎完全相同。
經過進化，大腦形成了一種演算法，這種演算法可以應用於新皮層進行的所有活動。這種通用演算法的存在著實令人激動，因為如果我們能搞懂這種演算法，那麼我們就能理解智慧意義的核心，並將理解到的原理應用到未來的機器中。
但是這不就是人工智慧已經在做的事嗎？
大部分人工智慧是不是都構建在類似於大腦神經系統的“神經網路”上？
不儘然。
雖然今天的人工智慧技術的確參考了神經學，但是它們使用的是一種過於簡化的模型，這種模型省略了真實神經元的關鍵特性，它們連接的方式並不能反映大腦負責構造的真實情況。
今天的人工智慧可能善於標記圖像或者識別語音，但是卻無法推理、計畫和創新，這些差異就是這種窘境的癥結所在。
Numenta最近的研究在理解新皮層的工作原理上，新發現了三個重要特徵：重新連接進行學習(learning by rewiring)、稀疏表示(sparse representations)和化身學習(embodiment)，這三個屬性是當前人工智慧研究所缺失的，確實未來必不可少的三個方向。
現在，讓我們來學習這三個重要特徵到底是什麼。
人工智慧將向大腦學習什麼？
➤通過重新連接進行學習
大腦有一些非凡的學習屬性：
第一，我們能快速學習。只需掃幾眼或者用手指觸摸幾下，我們通常就能學到新的東西。
第二，累積學習。我們在學習新的東西時，可以不用重新訓練整個大腦或者遺忘以前學到的知識。
第三，不斷學習。當我們移動、計畫和行動時，我們從未停止思考。
快速、累積和不斷學習是使智慧系統適應變化環境的必要因素。神經元負責學習，而真實神經元的複雜性正是使它成為強大學習機器的原因。
近幾年，神經科學家得出了幾個關於樹突的驚人發現。其中一個發現是樹突的每條分支都作為一組模式識別器。一條附有15至20個活性突觸分支就足以識別一大群神經元的活動模式。這樣算來，一個神經元能識別成百上千的特殊模式。
其中某些被識別出的模式會使神經元啟動，但是其他模式則改變神經元細胞的內部狀態並充當對未來活動的預測。
神經科學家過去曾認為：只改變現有突觸的有效性，就會引發學習，因此當遞質抵達突觸時，它要麼很可能要麼不太可能使細胞放電。
但是我們現在知道了，大多數學習是由細胞間生成新突觸——通過“重新連接”大腦引發的。
單個神經元中，每天多達40%的舊突觸都會被新突觸替代。
新的突觸產生新的神經元連接模式，從而形成新記憶。
因為樹突的分支大都是獨立地，當神經元學習識別某個樹突上的新模式時，該模式不會與神經元在其他樹突上學到的模式相衝突。
這就是解釋了為什麼我們在學習新的東西時舊記憶不會受到干擾，也不需要重新訓練大腦。但是，今天的神經網路不具備這些屬性。
智慧型機器雖然不需要仿造生物資料線的所有複雜屬性，但是由樹突實現的能力和通過重新連接進行學習這個屬性至關重要。未來的人工智慧系統必須用到這些能力。
➤稀疏表示：大腦和電腦表示資訊的方式截然不同。
在電腦的記憶中，所有的1和0的組合都是可能有效的，因此如果你作出一丁點改變，表示出的意思通常就完全不同。同樣，將單詞“fire”中的“i”改為“a”，就會得到意義完全不相干的“fare”。因此，這樣的表示方法是不可靠的。
而大腦使用的則是“稀疏分配標記法”（或簡稱為SDR）。之所以稱為稀疏是因為：在任一給定時間點上，完全活躍的神經元相對較少。
在你移動和思考的同時，神經元的活躍狀態也時刻在發生改變，但是活躍神經元的比例始終很小。
如果我們將單個神經元看作為一個數位，那麼大腦使用成千上萬的數位來表示一條消息（比電腦使用的8至64數位多得多），但是只有一小部分的數位在任何時候都是1；剩下的數位都為0。
假設你想使用SDR表示“貓”這個概念。你可能使用10000個神經元，其中只有100個是活躍的。每個活躍神經元代表貓的一方面屬性，例如“寵物”或者“多毛”或者“長有爪子”。
如果幾個神經元失活，或者另外幾個神經元被啟動，那麼新的SDR將仍然能很好地表示“貓”這個概念，因為大部分活躍神經元仍是相同的。
因此，SDR很可靠。
當我們構建矽谷版本的大腦時，它們本身會容忍錯誤。
我想闡述SDR的兩個屬性。
屬性1：重疊屬性，這個屬性使SDR容易看出兩個物件在含義上有什麼樣的相似或不同。
假設你用一個SDR代表“貓”，用另外一個SDR代表“鳥”。這兩個SDR都有表示“寵物”和“長有爪子的”相同活躍神經元，但是它們並不都有表示“多毛”的神經元。
這個例子雖然有簡化，但是重疊屬性很重要，因為這個屬性使SDR能立刻使大腦明白這兩個物件有什麼相似和有什麼不同。
這個屬性為大腦帶來了歸納能力，電腦缺少的就是這種能力。
屬性2：結合屬性，這個屬性使大腦能同時表示多個想法。
假設我在灌木叢中看到一隻動物，但是我只看了一眼，因此我不能確定我看到的是什麼動物。它可能是貓，也可能是狗或者猴子。
因為SDR是稀疏的，一群神經元可以同時全部啟動三個SDR，也不會混淆，因為SDR不會干擾另一SDR。
神經元不斷形成SDR結合體的能力使它們非常善於處理不確定性。
SDR的這些屬性對於大腦中的理解、思考和計畫活動非常重要。不應用SDR，我們就無法造出智慧型機器。
➤可適應周圍環境變化的整合感知機制
每當我們移動視線、四肢或者身體時，感官輸入的資訊就會發生改變。這種不斷變化的輸入是大腦認識周圍世界的主要機制。
假設我給你看一個你以前從未看過的物體，為了便於討論，假設這個物體是釘書機，你會如何認識這個新物體？
你可能圍繞釘書機走動，並從不同角度觀察它。
你可能將這個釘書機拿起來，用手指觸摸，用手翻來翻去。
你可能會推拉釘書機，想弄清它是怎麼工作的。
通過這個互動程式，你學習了這個釘書機的形狀、觸感、外觀和工作方式。你作出動作，觀察輸入如何改變，再作另一個動作，觀察輸入如何改變，一直重複這個程式。
通過行動來學習是大腦進行學習的主要方法。這將成為所有真正智慧的系統的核心特性。
這並不是說智慧型機器需要一個物理身體，只是意味著智慧型機器可以通過移動來改變它感受到的資訊。
例如，通過跟蹤連結和打開檔，虛擬人工智慧機器可以在網路中“移動”。
它可以通過虛擬行為來學習虛擬世界的結構，類似於我們在穿過大樓時認識大樓的結構。
這也是Numenta在去年得出了一個重要發現。
在新皮層中，感官輸入的處理過程發生在區域的一個層級結構中。當感官輸入從這個層級結構的一層傳遞到另一層時，大腦會將更加複雜的特性提取出來，直到它能夠識別出某個物件。
深度學習網路使用的也是這種層級結構，但是它們識別一張圖像通常需要進行100層處理，而新皮層只使用四層就能得出相同的結論。深度學習網路還需要數百萬個訓練模式，而新皮層只借助幾個動作和感覺就能完成對新物件的學習。
大腦的某些工作方式與典型的人工神經網路完全不同，但是它是怎麼工作的？
Hermann von Helmholtz是十九世紀的一位德國科學家，他最先給出了一個答案。他認識到，雖然我們的眼睛每秒運動三至四次，但是我們的視覺感知是穩定的。他推斷，大腦一定在計算眼睛運動的次數；否則我們就會感到世界正在劇烈地上躥下跳。
同樣，當你觸摸什麼東西時，如果你的大腦只處理觸覺輸入，而不知道你的手指在怎樣運動，我們就會感到困惑。這個運動與變化的觸覺進行結合的原理被稱為“感覺運動整合”（sensorimotor integration）。
感覺運動整合發生在大腦中的那個部位？是怎麼發生的？這基本上還是個謎。
我們的發現是感覺運動整合發生在新皮層的每個區域內。它並不是一個分離的步驟，而是感覺處理不可或缺的一部分。感覺運動整合是新皮層“智慧演算法”的關鍵部分。
Numenta有一個用來解釋神經元如何完成這個步驟的理論和模型，通過模型可以清晰地展示每個新皮層區域內的複雜活動。
這項發現對機器智慧有哪些意義？
假設你可能在電腦上發現兩種類型的檔。一類是影像檔，保存有照相機拍攝的圖片；另一類檔保存有Autodesk之類的程式生成的電腦輔助設計檔。
影像檔代表二維視覺特徵。CAD檔代表一組特徵，但是每個特徵都被分配在三維空間的某個位置。
CAD檔是完整物體的虛擬模型，而不是從一個角度觀察到物體。借助CAD檔，你可以預測在任何方向觀察某個物體會看到怎樣的形狀，並確定該圖如何與其他三維圖相互作用。觀察影像檔是不能做到這些的。
而新皮層也是這麼學習的。每當你的身體移動時，新皮層接收當前的運動指令，將其轉化為物件參考中的某一位置，再利用感覺輸入將這些位置結合起來，以學習這個世界的三維模型。
感覺運動整合是大腦功能的一個核心原則，是智慧演算法的一部分。智慧型機器未來也會按照這種方式工作。
新皮層這三個基本屬性——通過重新連接進行學習(learning by rewiring)、稀疏表示(sparse representations)和化身學習(embodiment)——將是機器智慧的基石。
未來的機器可能會忽視生物學的許多屬性，但不能忽視這三個。
當然，也有人會對此反駁：人工智慧未必要學習人的大腦。
在人工智慧發展的早期階段，評論家們批判常用“飛機不會扇動機翼”這個口頭禪批判模仿人類大腦這個想法。
事實上，懷特兄弟（Wilbur和Orville Wright）曾經仔細研究過鳥類。
為了讓飛機起飛，他們研究了鳥類翅膀的形狀，並在風洞中測試他們的飛機。
為了獲得推到力，他們選擇了一個非鳥類的解決方案：螺旋槳和發動機。
為了控制飛機，他們觀察到鳥類通過扭動翅膀來傾斜飛行，在轉彎時使用尾巴維持高度。他們借鑒了鳥類的方法。
今天的飛機仍然在使用這種方法，但是我們只能扭動機翼的尾側。簡而言之，懷特兄弟研究了鳥類，選擇了哪些鳥類飛行元素對人類飛機至關重要，哪些無關緊要。這就是我們的人工智慧做法一樣。
未來，我們真的真的太需要這種真正強大的智慧型機器了。
例如，如果我們要在別的星球上定居，我們需要機器穿越宇宙空間、在沒有空氣的星球上建造家園、開採資源和。
例如，未來設計出能在分子級別上感知和行動的智慧型機器。這些機器思考蛋白質折疊和基因表達的方式和我們思考電腦和釘書機的方式相同。它們思考和行動的速度會比人類快一百萬倍。
相信，在未來20年內，這三個特徵將成為機器學習的新的方向。等人工智慧學習完，就真的無敵了。
原文地址
http://spectrum.ieee.org/computing/software/what-intelligent-machines-need-to-learn-from-the-neocortex
而且神經元與神經元之間的連接方式錯綜複雜。說它簡單則是因為每個區域中的具體情況幾乎完全相同。
經過進化，大腦形成了一種演算法，這種演算法可以應用於新皮層進行的所有活動。這種通用演算法的存在著實令人激動，因為如果我們能搞懂這種演算法，那麼我們就能理解智慧意義的核心，並將理解到的原理應用到未來的機器中。
但是這不就是人工智慧已經在做的事嗎？
大部分人工智慧是不是都構建在類似於大腦神經系統的“神經網路”上？
不儘然。
雖然今天的人工智慧技術的確參考了神經學，但是它們使用的是一種過於簡化的模型，這種模型省略了真實神經元的關鍵特性，它們連接的方式並不能反映大腦負責構造的真實情況。
今天的人工智慧可能善於標記圖像或者識別語音，但是卻無法推理、計畫和創新，這些差異就是這種窘境的癥結所在。
Numenta最近的研究在理解新皮層的工作原理上，新發現了三個重要特徵：重新連接進行學習(learning by rewiring)、稀疏表示(sparse representations)和化身學習(embodiment)，這三個屬性是當前人工智慧研究所缺失的，確實未來必不可少的三個方向。
現在，讓我們來學習這三個重要特徵到底是什麼。
人工智慧將向大腦學習什麼？
➤通過重新連接進行學習
大腦有一些非凡的學習屬性：
第一，我們能快速學習。只需掃幾眼或者用手指觸摸幾下，我們通常就能學到新的東西。
第二，累積學習。我們在學習新的東西時，可以不用重新訓練整個大腦或者遺忘以前學到的知識。
第三，不斷學習。當我們移動、計畫和行動時，我們從未停止思考。
快速、累積和不斷學習是使智慧系統適應變化環境的必要因素。神經元負責學習，而真實神經元的複雜性正是使它成為強大學習機器的原因。
近幾年，神經科學家得出了幾個關於樹突的驚人發現。其中一個發現是樹突的每條分支都作為一組模式識別器。一條附有15至20個活性突觸分支就足以識別一大群神經元的活動模式。這樣算來，一個神經元能識別成百上千的特殊模式。
其中某些被識別出的模式會使神經元啟動，但是其他模式則改變神經元細胞的內部狀態並充當對未來活動的預測。
神經科學家過去曾認為：只改變現有突觸的有效性，就會引發學習，因此當遞質抵達突觸時，它要麼很可能要麼不太可能使細胞放電。
但是我們現在知道了，大多數學習是由細胞間生成新突觸——通過“重新連接”大腦引發的。
單個神經元中，每天多達40%的舊突觸都會被新突觸替代。
新的突觸產生新的神經元連接模式，從而形成新記憶。
因為樹突的分支大都是獨立地，當神經元學習識別某個樹突上的新模式時，該模式不會與神經元在其他樹突上學到的模式相衝突。
這就是解釋了為什麼我們在學習新的東西時舊記憶不會受到干擾，也不需要重新訓練大腦。但是，今天的神經網路不具備這些屬性。
智慧型機器雖然不需要仿造生物資料線的所有複雜屬性，但是由樹突實現的能力和通過重新連接進行學習這個屬性至關重要。未來的人工智慧系統必須用到這些能力。
➤稀疏表示：大腦和電腦表示資訊的方式截然不同。
在電腦的記憶中，所有的1和0的組合都是可能有效的，因此如果你作出一丁點改變，表示出的意思通常就完全不同。同樣，將單詞“fire”中的“i”改為“a”，就會得到意義完全不相干的“fare”。因此，這樣的表示方法是不可靠的。
而大腦使用的則是“稀疏分配標記法”（或簡稱為SDR）。之所以稱為稀疏是因為：在任一給定時間點上，完全活躍的神經元相對較少。
在你移動和思考的同時，神經元的活躍狀態也時刻在發生改變，但是活躍神經元的比例始終很小。
如果我們將單個神經元看作為一個數位，那麼大腦使用成千上萬的數位來表示一條消息（比電腦使用的8至64數位多得多），但是只有一小部分的數位在任何時候都是1；剩下的數位都為0。
假設你想使用SDR表示“貓”這個概念。你可能使用10000個神經元，其中只有100個是活躍的。每個活躍神經元代表貓的一方面屬性，例如“寵物”或者“多毛”或者“長有爪子”。
如果幾個神經元失活，或者另外幾個神經元被啟動，那麼新的SDR將仍然能很好地表示“貓”這個概念，因為大部分活躍神經元仍是相同的。
因此，SDR很可靠。
當我們構建矽谷版本的大腦時，它們本身會容忍錯誤。
我想闡述SDR的兩個屬性。
屬性1：重疊屬性，這個屬性使SDR容易看出兩個物件在含義上有什麼樣的相似或不同。
假設你用一個SDR代表“貓”，用另外一個SDR代表“鳥”。這兩個SDR都有表示“寵物”和“長有爪子的”相同活躍神經元，但是它們並不都有表示“多毛”的神經元。
這個例子雖然有簡化，但是重疊屬性很重要，因為這個屬性使SDR能立刻使大腦明白這兩個物件有什麼相似和有什麼不同。
這個屬性為大腦帶來了歸納能力，電腦缺少的就是這種能力。
屬性2：結合屬性，這個屬性使大腦能同時表示多個想法。
假設我在灌木叢中看到一隻動物，但是我只看了一眼，因此我不能確定我看到的是什麼動物。它可能是貓，也可能是狗或者猴子。
因為SDR是稀疏的，一群神經元可以同時全部啟動三個SDR，也不會混淆，因為SDR不會干擾另一SDR。
神經元不斷形成SDR結合體的能力使它們非常善於處理不確定性。
SDR的這些屬性對於大腦中的理解、思考和計畫活動非常重要。不應用SDR，我們就無法造出智慧型機器。
➤可適應周圍環境變化的整合感知機制
每當我們移動視線、四肢或者身體時，感官輸入的資訊就會發生改變。這種不斷變化的輸入是大腦認識周圍世界的主要機制。
假設我給你看一個你以前從未看過的物體，為了便於討論，假設這個物體是釘書機，你會如何認識這個新物體？
你可能圍繞釘書機走動，並從不同角度觀察它。
你可能將這個釘書機拿起來，用手指觸摸，用手翻來翻去。
你可能會推拉釘書機，想弄清它是怎麼工作的。
通過這個互動程式，你學習了這個釘書機的形狀、觸感、外觀和工作方式。你作出動作，觀察輸入如何改變，再作另一個動作，觀察輸入如何改變，一直重複這個程式。
通過行動來學習是大腦進行學習的主要方法。這將成為所有真正智慧的系統的核心特性。
這並不是說智慧型機器需要一個物理身體，只是意味著智慧型機器可以通過移動來改變它感受到的資訊。
例如，通過跟蹤連結和打開檔，虛擬人工智慧機器可以在網路中“移動”。
它可以通過虛擬行為來學習虛擬世界的結構，類似於我們在穿過大樓時認識大樓的結構。
這也是Numenta在去年得出了一個重要發現。
在新皮層中，感官輸入的處理過程發生在區域的一個層級結構中。當感官輸入從這個層級結構的一層傳遞到另一層時，大腦會將更加複雜的特性提取出來，直到它能夠識別出某個物件。
深度學習網路使用的也是這種層級結構，但是它們識別一張圖像通常需要進行100層處理，而新皮層只使用四層就能得出相同的結論。深度學習網路還需要數百萬個訓練模式，而新皮層只借助幾個動作和感覺就能完成對新物件的學習。
大腦的某些工作方式與典型的人工神經網路完全不同，但是它是怎麼工作的？
Hermann von Helmholtz是十九世紀的一位德國科學家，他最先給出了一個答案。他認識到，雖然我們的眼睛每秒運動三至四次，但是我們的視覺感知是穩定的。他推斷，大腦一定在計算眼睛運動的次數；否則我們就會感到世界正在劇烈地上躥下跳。
同樣，當你觸摸什麼東西時，如果你的大腦只處理觸覺輸入，而不知道你的手指在怎樣運動，我們就會感到困惑。這個運動與變化的觸覺進行結合的原理被稱為“感覺運動整合”（sensorimotor integration）。
感覺運動整合發生在大腦中的那個部位？是怎麼發生的？這基本上還是個謎。
我們的發現是感覺運動整合發生在新皮層的每個區域內。它並不是一個分離的步驟，而是感覺處理不可或缺的一部分。感覺運動整合是新皮層“智慧演算法”的關鍵部分。
Numenta有一個用來解釋神經元如何完成這個步驟的理論和模型，通過模型可以清晰地展示每個新皮層區域內的複雜活動。
這項發現對機器智慧有哪些意義？
假設你可能在電腦上發現兩種類型的檔。一類是影像檔，保存有照相機拍攝的圖片；另一類檔保存有Autodesk之類的程式生成的電腦輔助設計檔。
影像檔代表二維視覺特徵。CAD檔代表一組特徵，但是每個特徵都被分配在三維空間的某個位置。
CAD檔是完整物體的虛擬模型，而不是從一個角度觀察到物體。借助CAD檔，你可以預測在任何方向觀察某個物體會看到怎樣的形狀，並確定該圖如何與其他三維圖相互作用。觀察影像檔是不能做到這些的。
而新皮層也是這麼學習的。每當你的身體移動時，新皮層接收當前的運動指令，將其轉化為物件參考中的某一位置，再利用感覺輸入將這些位置結合起來，以學習這個世界的三維模型。
感覺運動整合是大腦功能的一個核心原則，是智慧演算法的一部分。智慧型機器未來也會按照這種方式工作。
新皮層這三個基本屬性——通過重新連接進行學習(learning by rewiring)、稀疏表示(sparse representations)和化身學習(embodiment)——將是機器智慧的基石。
未來的機器可能會忽視生物學的許多屬性，但不能忽視這三個。
當然，也有人會對此反駁：人工智慧未必要學習人的大腦。
在人工智慧發展的早期階段，評論家們批判常用“飛機不會扇動機翼”這個口頭禪批判模仿人類大腦這個想法。
事實上，懷特兄弟（Wilbur和Orville Wright）曾經仔細研究過鳥類。
為了讓飛機起飛，他們研究了鳥類翅膀的形狀，並在風洞中測試他們的飛機。
為了獲得推到力，他們選擇了一個非鳥類的解決方案：螺旋槳和發動機。
為了控制飛機，他們觀察到鳥類通過扭動翅膀來傾斜飛行，在轉彎時使用尾巴維持高度。他們借鑒了鳥類的方法。
今天的飛機仍然在使用這種方法，但是我們只能扭動機翼的尾側。簡而言之，懷特兄弟研究了鳥類，選擇了哪些鳥類飛行元素對人類飛機至關重要，哪些無關緊要。這就是我們的人工智慧做法一樣。
未來，我們真的真的太需要這種真正強大的智慧型機器了。
例如，如果我們要在別的星球上定居，我們需要機器穿越宇宙空間、在沒有空氣的星球上建造家園、開採資源和。
例如，未來設計出能在分子級別上感知和行動的智慧型機器。這些機器思考蛋白質折疊和基因表達的方式和我們思考電腦和釘書機的方式相同。它們思考和行動的速度會比人類快一百萬倍。
相信，在未來20年內，這三個特徵將成為機器學習的新的方向。等人工智慧學習完，就真的無敵了。
原文地址
http://spectrum.ieee.org/computing/software/what-intelligent-machines-need-to-learn-from-the-neocortex