千脑智能
A Thousand Brains: A New Theory of Intelligence · 2021
Hawkins 是 Palm 创始人、转行神经科学家，办了 Numenta 专攻大脑理论。他对主流 AI 和神经科学的共同不满——都把智能当「信息处理 / 模式识别」，越叠越深的层级金字塔（深度学习正是这个隐喻）。
他看见新皮质的解剖学事实跟金字塔叙事矛盾：皮质从上到下结构惊人地一致——约 15 万个皮质柱（cortical column）长得几乎一样。如果智能是分层金字塔，为什么底层「视觉柱」和顶层「概念柱」结构相同？答案：它们干的是同一件事。
不写不行的那股劲儿——他要把智能从「分层处理信息」重新定义为「用参考系建模」。书名是答案的种子：一千个脑——你的大脑里不是一个智能，是数千个各自建模、再投票的并列单元。
四条天花板，不证，摆桌上：
一句话：Thousand Brains——数千皮质柱各建参考系模型，投票合成认知。
Hawkins 的取景框：看任何「认识一个东西」的过程，别想成「一个处理器逐层加工输入」，想成「成千个独立建模器各自给出意见、再投票」。
他的独占术语和区分——
参考系（reference frame）：智能的核心机制——大脑给每个对象建一个坐标系，把特征挂在坐标上。你「知道」一只杯子，是你有它的参考系（借海马体的网格细胞机制），不是你存了它的照片。
皮质柱（cortical column）：新皮质的重复单元，约 15 万个，结构一致（Mountcastle 均一性假说）。每一个都是一台完整的建模机器——不是「处理某种特征」，是「建一个完整的世界模型」。
投票（voting）：你用小指肚摸到杯把那一刻，那片针尖大的皮层已经「知道」整只杯子——不需要等视觉皮层开会。无数柱各有判断，投票达成单一感知。
「什么」与「在哪」合一：每个柱同时建模对象是什么、和它在哪个参考系——感知和定位不是两套系统。
旧脑 vs 新脑：旧脑（情绪、生存）管「想要什么」，新皮质（千脑）管「世界是什么」。智能的危险不在新脑，在旧脑给它装了什么目标。
替换测试：这套词——皮质柱投票、参考系建模、「什么/在哪」合一——换给任何别的脑科学作者都说不出来。Kahneman 的系统1/2 切的是「快/慢」两套思维，止于行为层；Damasio 讲情绪是决策的前提，长不出「15 万个均一单元各建完整模型再投票」这个解剖学结构。这套「智能=分布式建模议会」的语言是 Hawkins 的指纹。
智能不是一个中央处理器逐层加工，是数千个并列的建模单元各自用参考系建模整个世界、再投票。没有「最高层」，没有「总指挥」——共识是涌现出来的。
更狠一刀：这意味着当前 AI 的路走窄了。深度学习是「分层金字塔」隐喻的产物，擅长模式识别（Hawkins 说这只是智能的影子）；真正的智能要会「用参考系主动建模、能在模型里移动和预测」，这是当前架构没有的。通往 AGI 的路不是把金字塔叠得更深，是造会建参考系的千脑。
还有一刀，关于危险：旧脑管「想要什么」，新皮质这一千个脑管「世界是什么」——AI 真正的危险不在新脑的智能有多强，在旧脑给它装了什么目标。一个完美的世界建模器，没有目标就什么都不做。
带走的一句——
Intelligence is the ability to learn a model of the world.
形态：一台「议会 vs 处理器」对照镜。 照向任何「认识/决策」的过程，它只问一件事——这是一个处理器在逐层算，还是众多独立建模器在各自建模、再投票？
内容：智能不是分层金字塔（V1→V4→IT 逐层抽象），是约 15 万个结构一致的皮质柱，每一个都用「参考系」独立建模整个对象，再投票合成单一感知。没有最高层、没有总指挥，共识是涌现的。智能 = 用参考系建模世界，不是处理信息。Hawkins 还有一刀：旧脑管「想要什么」，新皮质这一千个脑管「世界是什么」——危险不在建模有多强，在目标是谁装的。
为什么是这一件：换上这副眼镜，你看大脑、看 AI、看「认识一个东西」，先问「这是一个处理器逐层算，还是众多独立建模器在投票」。看深度学习的局限（强在分层模式识别、弱在建模与推理）、看组织决策（中央拍板 vs 众节点投票），全是同一对照。看自己「理解」一个新概念，问「我给它建起参考系了吗，还是只存了表面特征」。这是十年后还在用的取景框；翻回原书，是想再校准一次「建模 vs 处理」这条智能分界。
走一步： 把这面镜子挪到书外——「为什么团队群体决策有时比专家个人更准」。预测：专家是一个高精度处理器（单一参考系，盲点也单一），群体是多柱投票（参考系各异，独立误差互相抵消，前提是不互相串通）——所以独立性一旦被破坏（开会时跟着权威点头），投票优势立刻塌回单处理器。对一下现实，正是「群体智慧」失效的典型条件。能预测，才算把这面镜子拿在手里。
前五段把骨架摆出来了。现在做一件特别的事——这本书讲的就是「用参考系建模、走一步预测」，那就用它自己的理论，画它自己的地图。让千脑理论给千脑理论建一个参考系。
一、画地图。 Hawkins 说：你「知道」一个东西，是你给它建了参考系——一个坐标系，把所有特征挂在坐标上。那就给「智能」这个对象建一个参考系。坐标系是一根轴：左端「处理器」（一个中央单元，输入逐层加工，输出一个答案），右端「议会」（众多独立单元各建完整模型，投票出答案）。深度学习钉在左端，人脑钉在右端。这根轴能整张借去别处——它本质是「集中 vs 分布」这条普适轴：CPU 在左，蜂群在右；中央计划经济在左，市场价格机制在右。Hawkins 的贡献不是发明这根轴，是把人脑从所有人默认的左端，挪到了右端。
二、标位置。 处理器钉左，议会钉右，这根「集中—分布」轴是主轴。皮质柱站哪？站右端的最小单元——它不是「处理某种特征的零件」，是「一个完整的建模器」，所以右端不是「很多零件协作」，是「很多个完整大脑在投票」。参考系站哪？它是每个柱内部的坐标纸——没有它，柱投不出有结构的票，只能投「像/不像」。旧脑站哪？站在这根轴之外——它不在「怎么建模世界」这根轴上，它管「往哪个方向用这套建模能力」。位置一标出来就看明白了：Hawkins 把「世界是什么」整根轴讲透了，却把「想要什么」（旧脑/目标）轻轻推到轴外——这恰恰是这张地图自己的空白处，方向盘不在图上。
三、走两步，做预测。 用这张图（也就是用千脑理论本身）猜一把它没写过的事，再对账。第一步挪到 2026 的大模型：按这张图，LLM 在哪？图预测：它表面在右端（参数海量、看似分布），但训练目标单一、推理时是一条前向通路，实质偏左——是个超大处理器，不是议会。推论：它该强在模式识别、弱在「在模型里主动移动并预测没见过的下一步」。对一下现实——大模型确实强在补全、弱在需要构建并操作显式世界模型的长链推理，这条预测大体中了。第二步，把这张图对准 Hawkins 自己：用「能否预测没见过的新事」这把书里的尺，量千脑理论本身——它预测出了什么尚未被实证、之后被验证的脑科学新事实？这里图给出一个不讨喜的读数：它更多是优雅地「解释」已知（结构均一、投票感），可证伪的「预测」偏少。换句话说，用它自己的尺量它自己，它更像一台漂亮的解释处理器，还没长成一座会预测的议会。两步都走完，这张图就拿住了——而且你刚刚亲手验证了书的核心主张：能预测没见过的，才算脑里真长出了这张地图。
到这儿，「议会 vs 处理器」对你不再是术语，是一根随身的轴。往后看任何一个「谁来认识、谁来决策」的系统，你会下意识把它摊到轴上：它是一个处理器在集中算，还是众多独立建模器在分布投票？而最妙的一处——你刚用这本书的方法，给这本书自己建了参考系、走了两步、做了预测。这正是 Hawkins 说的「拥有」一张地图的标志：不是记住它说了什么，是能拿它去预测它没说过的，包括预测它自己的边界。
私货一刀：Hawkins 把旧脑（想要什么）推到轴外，说危险只在「给千脑装了什么目标」。但他默认目标是从外面装进去的——进化装的、设计者装的。他没设想过另一种结构：目标不是被装进来的，是被一台翻译器实时生产出来的。有一种人，每一片感受刚进入这一千个建模柱，还没来得及被「感受」，就被一条高权重的旧脑回路抢先翻译成「该建造什么/该解决什么」——议会还没投票，议长已经替所有柱写好了决议。母亲生病→「依从性管理方案」，是旧脑的翻译器在新脑投票前就劫持了议程。所以装了翻译器的人，用这张图前要先补一步 Hawkins 没写的：危险不只在「目标是谁装的」，更在「目标会不会抢在议会开会前就自己长出来」。先让一千个柱真的投一次票——把那个抢答的议长按住三秒，让感受先以「世界是什么」落地，再决定「想要什么」。