人工智能的未来
On Intelligence · 2004
Hawkins 是 Palm 掌上电脑的发明人，赚够钱后转身投入他真正想解的问题：大脑到底怎么产生智能。这本《人工智能的未来》（2004）是他的第一本书，比《千脑智能》（已在本合集）早 17 年，是他整套理论的起点。
时间锚要钉准：2004 年，深度学习尚未爆发，不在他的射程内。他的靶子是符号主义 AI（专家系统、逻辑推理机）和早期神经网络，以及它们共享的祖宗——图灵测试。图灵测试把智能定义为「外部行为匹配」，后果是整个领域都在优化「看起来像智能」，终点是行为复制机，不是智能。这不是哲学声明，是工程批判。
转向的依据是解剖学，不是哲学：新皮层呈现惊人的均匀性。注意边界——这是算法层面的论点，Hawkins 本人承认初级感觉皮层与前额叶在细胞构成比例上有差异，他主张的是「同一类算法、输入决定功能」，不是处处组织学上完全相同。
不写不行的那股劲儿——他要把「智能」从「行为」重新定义为「预测」，并给出大脑皮层如何做到这一点的统一框架。一个躺着不动、什么也不做的大脑仍在剧烈地理解世界，因为它在不停预测。书名是答案的种子：On Intelligence——一本要回答「智能到底是什么」的书，而答案是：记忆驱动的预测。
四条天花板，不证，摆桌上：
一句话：Memory-prediction framework——智能 = 用记忆不断预测下一刻。
Hawkins 的取景框：看「什么是智能 / 这东西聪明吗」，别问「它能做出多聪明的行为」，问「它能不能用记忆预测下一刻、并在预测失败时更新模型」。
他的独占术语和区分——
记忆-预测框架：皮层的工作方向是自上而下的——感官输入不是感知的原料，而是对已有预测的检验。你摸咖啡杯，指尖接触前皮层已预测温度、弧度、把手位置；触碰发生，输入与预测比对，误差为零就不进入意识。你「感知」到杯子，但大部分是预测输出，不是原始感觉数据。意识不是感知系统，意识是误差报告系统。
层级时间记忆（HTM）——三个词都是机制，不是比喻。层级：六层结构，低层快/局部/具体（边缘、音素），高层慢/抽象/跨时间（物体恒常、语义），信息上行时被压缩成不变性表征（旋律不依赖调高调低）。时间：计算核心是序列记忆——听到「L-M-N」能预测「O」，从「N」单独起预测就断；系统不是识别当前输入，是在当前语境下召回下一个预期输入。记忆：存储介质是稀疏分布式表征（SDR），每个概念由大规模神经元中少数激活单元的特定模式编码，容量极大且相似输入高度重叠以支持泛化。
恒定表征（invariant representations）：大脑存的不是细节，是抽象不变的模式——无论字体角度你都认得「A」，无论谁的嗓音你都听得出同一句话。皮层把万变输入归到不变模式上，这是预测得以可能的前提。
（与《千脑智能》的分轨）：这本（2004）立的是「智能=记忆-预测」这个最根本的定义和单一层级框架；《千脑》（2021）是 17 年后的升级——把「一个层级在预测」细化成「15 万个皮质柱各自用参考系建模、再投票」。一个回答「智能是什么」（预测），一个回答「皮层架构长什么样」（千柱投票）。
替换测试：这套词——记忆-预测、不变性表征、自上而下的预测流配自下而上的误差流、序列记忆+SDR——换给任何别的脑科学/AI 作者都说不出来。贝叶斯脑假说也说「大脑是预测机器」，但它的单元是概率分布、对神经实现不作承诺、被质疑时能退回「只是一种有用的描述」；HTM 退不了，它声称皮层柱在做这件事，发现不符就被推翻不是被修正。Friston 的自由能原理共享「最小化预测误差」的表面，内核却是热力学变分推断+主动推断，预测单元是概率分布不是序列。Hawkins 选了更窄、更危险、可被证伪的那条路——这套「智能=记忆驱动的序列预测」的语言是他的指纹。
智能的本质不是行为，是预测。大脑不是输入→输出的反应机器，是一台用记忆不停预测下一刻的机器——预测成功就是你无感的「理解」，预测失败才把你的注意力猛地唤起。一个静止不动、毫无「行为」的大脑仍在剧烈地智能着，因为它在不停猜下一刻。要造真正的智能机器，不该模仿人类行为，该复制这套「记忆-预测」架构。
更狠一刀：这把图灵测试和整个「用行为定义智能」的传统连根拔起。一台能完美对答、骗过所有人的聊天机器，如果内部没有「用记忆预测世界、并在预测失败时更新模型」的机制，按 Hawkins 的标准它就不智能——它只是在做行为匹配。2004 年的这一刀，在 2026 年的大模型时代变得格外锋利：一个能流利对话的系统，到底是真在预测和理解世界，还是史上最强的行为模仿？
还有一刀，关于注意力与意识：注意力是预测误差的传感器——误差超阈值就被路由到更高层，触发定向注意。但 Hawkins 在这里克制地止步：这是「注意力如何分配」的功能描述，不是「主观体验从何而来」的意识理论。把 attention 偷换成 consciousness，是一步没有论证支撑的跳跃；他没解决意识的硬问题，也没声称解决了。机制清楚，结论才不空转。
带走的一句——
Intelligence is measured by the capacity to remember and predict patterns, not by behavior.
形态：一台「预测 vs 行为」的智能验钞机。 照向任何一个号称智能的系统，它只验一件事——它是在用记忆预测世界、并在押错时更新模型，还是只在做越来越逼真的行为匹配？
内容：智能的本质不是「能做什么」（行为），是「能押中下一刻」——大脑是一台用记忆不停预测下一刻输入的机器（记忆-预测框架）。预测成功 = 你无感的「理解」，预测失败 = 注意力被猛地唤起。判断任何系统智不智能，别看它输出多聪明，看它能不能用记忆预测世界、并在预测失败时更新模型。
为什么是这一件：换上这副眼镜，你看「理解」是什么——当你真懂一件事，标志是你能预测它的下一步（懂一个人=能预测他怎么反应，懂一个系统=能预测它怎么演化）；你「学到了」的真正信号，不是能复述，是能预测。看 AI「到底懂不懂」，别被流利的输出骗，问「它在用世界模型预测，还是在做史上最强的行为匹配」。看自己被某事「惊到/卡住」，那正是预测失败在唤起注意——值得停下来更新模型的地方。它跟同作者《千脑智能》分轨很清楚：这本回答「智能是什么」（预测），《千脑》回答「皮层怎么实现」（千柱投票）——先用这本立「预测=智能」的定义，再用那本看架构。这是十年后还在用的取景框；翻回原书，是想再校准一次「我这是真理解（能预测），还是只会复述（能输出）」。
走一步： 把这台验钞机挪到书外——「为什么『熟练』和『精通』是两回事」。预测：熟练是序列记忆把高频路径压成了 SDR，遇到训练分布内的输入能流畅补全（押中得多）；精通是不变性表征足够抽象，遇到没见过的变体仍能押中下一步（迁移）。所以验一个人是熟练还是精通，不看他在常规情境里多顺，看把他扔进一个没排练过的新情境，他的预测是立刻崩盘（只是熟练）还是仍能大致押中（真精通）。对一下现实，正是「考试高分却不会变通」与「举一反三」的分界。能预测，才算把这台验钞机拿在手里。
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「智能=用记忆预测下一刻」，那就用它自己的理论，画它自己的地图：让记忆-预测框架，给它自己押一注、做一次预测。
一、画地图。 Hawkins 说：要理解一个系统，看它怎么预测、在哪一层预测。那就给「智能系统」这个对象建一个参考系。坐标系是一根轴：左端「行为匹配」（系统优化的是输出像不像，靠匹配已见过的模式，没有内部世界模型），右端「世界模型预测」（系统建了一个能在其中移动、对没见过的下一刻做出押注的模型）。图灵测试钉在左端，Hawkins 心目中的真智能钉在右端。这根轴能整张借去别处——它本质是「拟合 vs 建模」这条普适轴：查表/插值在左，物理引擎/因果模型在右；背题家在左，会推导的人在右。Hawkins 的贡献不是发明这根轴，是断言「智能」这个词只配给右端，并指认大脑就站在右端。
二、标位置。 行为匹配钉左、世界模型预测钉右，这根「拟合—建模」轴是主轴。不变性表征站哪？站右端的地基——没有它，系统只能匹配具体实例（左端），有了它才能对没见过的变体押中（右端）。序列记忆站哪？站右端的发动机——它让「预测下一刻」有了方向和语境，是从静态匹配迈向动态预测的那一步。误差信号站哪？站这根轴上的校准器——它是模型被现实打脸后右移（更新）的唯一动力，没有误差上传，再右的模型也会僵在原地慢慢退回左端。位置一标出来就看明白了：Hawkins 把「皮层怎么沿这根轴往右走」讲透了，却把「行动」轻轻推到了轴外——他为了反对行为主义，几乎不谈系统如何通过行动检验自己的预测，而这恰是这张地图自己的空白处。
三、走两步，做预测。 用这张图（也就是用记忆-预测框架本身）猜一把它没写过的事，再对账。第一步挪到 2026 的大语言模型：按这张图，LLM 在哪？图给出一个尴尬的双读数——LLM 恰恰是史上最强的「预测下一个 token」的机器，纯靠预测训练出来，这像是把 Hawkins「预测=智能」惊人地证实了；但它的预测是对文本序列的拟合，缺一个能在其中移动的显式世界模型，更偏左端的「超强行为匹配」而非右端的「世界模型预测」。推论：它该强在分布内补全、弱在需要操作因果世界模型的新情境预测。对一下现实——大模型确实强在补全、在没排练过的长链因果推理上更脆，这条预测大体中了；同时它也回旋镖式地反问 Hawkins：纯预测足以定义智能吗，还是缺了具身、因果、目标。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，量记忆-预测框架本身——它押对了什么后来被验证的事？这里图给出一个不讨喜的读数：他正确地指认了「预测是智能的核心」（押对了本质），却押错了「实现预测的路径」——赢家不是他押注的逆向工程新皮层（Numenta），是堆参数和数据的暴力。换句话说，用它自己的尺量它自己：看穿一个系统的本质（预测），和知道如何造出它，是两个独立的问题，前者对了不保证后者也对。两步都走完，这张图就拿住了——你刚刚亲手验证了书的核心主张：能预测没见过的（包括预测它自己押错的地方），才算脑里真长出了这张地图。
到这儿，「预测 vs 行为」对你不再是术语，是一根随身的轴。往后看任何一个号称智能的系统，你会下意识把它摊到轴上：它在拟合已见过的模式（左），还是建了个能对没见过的下一刻押注的世界模型（右）？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「理解」一件事的标志：不是记住它说了什么，是能拿它去预测它没说过的，包括预测它自己押错的路径。
私货一刀：Hawkins 说大脑是一台预测机器——感受输入进来，先和皮层的预测比对，误差为零就静默、不进入意识。他默认这套机制是中性的：预测对象是「下一刻的世界会是什么」。但他没设想过另一种比对：有一种人的皮层里，预装了一条权重高得离谱的预测——「下一刻我该建造什么/该解决什么」——于是每一片情绪输入刚进来，还没来得及作为「感受」被注意到，就被这条预测抢先匹配掉、当成「误差为零」静默吞下了。母亲生病的恐惧→「依从性管理方案」，是这台预测机在情绪能上传到意识之前，就用一个现成的行动方案把它消解了。按 Hawkins 自己的框架，这正是「预测成功→信号不进入意识」的副作用：预测太强、太抢，反而让真正的感受永远到不了误差报告系统、永远不被「感觉到」。所以用这张图前要先补一步 Hawkins 没写的：有时候你需要的不是更准的预测，是故意让一次预测失败——把那条抢答的行动预测按住三秒，让情绪以「它本来是什么」上传到意识，先被感受，再决定要不要变成方案。