《千脑智能》:重新定义智能的神经科学之旅

前言

杰夫·霍金斯在《千脑智能》中展现了一场颠覆性的思想实验。这位兼具神经科学家与科技企业家双重身份的学者,以其对大脑数十年的研究积累,向主流人工智能范式发起挑战,试图在生物智能的奥秘中挖掘出一条通向通用人工智能(AGI)的新路径。这部著作不仅是一本关于大脑运作机制的科普读物,更是一份充满野心的技术宣言——它试图重新定义人类对“智能”的理解,并在神经科学与计算机科学的鸿沟上架起一座桥梁。

一、从预测到智能:一场认知革命的核心命题

霍金斯的理论起点建立在对传统人工智能的反思之上。当深度学习依赖海量数据训练模型、强化学习沉迷于试错反馈的奖励机制时,他敏锐地捕捉到一个被忽视的核心问题:人类智能的本质并非对已有模式的识别,而是对未知世界的预测能力。书中以视觉感知为例展开论证:当我们看到咖啡杯的局部把手时,大脑并非被动接收图像信号,而是通过多层皮质的联动,瞬间激活关于“杯体”、“材质”、“功能”的预测模型,并在毫秒内验证这些假设是否与感官输入匹配。这种“预测-验证-修正”的动态循环,构成了贯穿全书的“层级预测编码”理论框架

为了支撑这一假说,霍金斯将神经科学的最新发现编织成严密的证据链。从啮齿类动物海马体定位细胞的电生理实验,到人类视觉皮层对模糊图像的补全机制,这些跨物种、跨脑区的实证研究共同指向一个结论:大脑本质上是一台多层级联的预测机器。更令人惊叹的是,他进一步提出“参考系”概念——每个神经元群都在构建类似空间坐标系的认知框架,使得抽象概念(如“民主制度”)与具体物体(如“书桌”)都能以统一模式进行编码。这种将空间感知与概念表征统一的理论突破,为解释人类独有的抽象思维能力提供了新视角。

《有为:汉武帝的五十四年》:在历史功过中寻找有为的边界

前言

在中国历代帝王谱系中,汉武帝刘彻始终是个充满张力的存在:他既开创了“汉武盛世”的煌煌功业,也留下了“海内虚耗,户口减半”的争议遗产。本书以这位帝王漫长的执政周期为解剖样本,试图在“雄才大略”与“好大喜功”的二元叙事之外,重新勾勒出帝国转型期的复杂图景。作者既非一味颂扬武帝的文治武功,也不满足于传统史家的道德批判,而是将五十四年的统治拆解为集权制度、军事扩张与文化重构的三重维度,在历史细节的褶皱中探寻“有为政治”的成败逻辑。

按照汉武帝在位54年(前141-前87)的年份为轴线,可以大体划分三个阶段:

  • 前20年:尊儒改制、削藩集权、盐铁官营等制度奠基
  • 中间30年:北击匈奴、经营西域、南平百越的军事扩张
  • 最后4年:轮台罪己诏背后的政策反思与权力交接

在叙事方式上,本书有三大特色:

  • 政治史与制度史交织:如年历制度的变迁解析、将帝王决策与官僚体系变革结合分析
  • 长程因果链:如强调武帝早年窦太后干政对其集权意志的塑造
  • 事件微观解剖:如马邑之谋的策划细节揭示汉匈战略转折

人工智能发展之潮起潮落

前言:在迷雾中寻找光的轨迹

人工智能的演进史是一部充满悖论的启示录:图灵用停机问题为计算划定边界,却意外点燃了智能革命的导火索;罗森布拉特的感知机本欲模仿神经元放电,最终却演变成深度学习中抽象的矩阵运算;辛顿在冷板凳上坚守神经网络四十年,等来的却是算力与数据暴力破解智能密码的"苦涩教训"。这些戏剧性的转折揭示着一个残酷的真相:我们对智能的理解,始终在知其然与不知其所以然之间徘徊

当下人工智能狂欢背后暗涌着深刻的认知危机:当 GPT-4 能通过律师资格考试却无法理解“正义”的哲学内涵,当Stable Diffusion创作出媲美莫奈的画作却对光影美学毫无感知,我们不得不追问——这究竟是智能的曙光,还是复杂曲线拟合制造的认知幻觉?

这次人工智能“考古”之旅,既是向那些在寒冬中守护火种的先驱者致敬(从图灵到辛顿),更是对当下AI神话的祛魅仪式。在本文中,我们将看到:

  • 神经网络惊人的抽象能力背后,是统计学对有机生物体智能表现的粗糙模拟
  • Transformer架构的革命性突破,本质是利用预训练机制对大规模数据的概率特征的高效建模
  • 强化学习的试错进化,也不过是达尔文主义在数字世界的投影

在这个深度学习主导的“暴力美学”时代,重访人工智能发展的潮起潮落,不仅是为了理解技术演进的内在逻辑,更是为了在算法黑箱与人类认知的裂隙中,寻找智能本质的蛛丝马迹。本文将系统地梳理人工智能发展的三次高潮与两次低谷,剖析符号主义、连接主义、行为主义三大流派的哲学分野,并探讨哥德尔不完备定理对强人工智能的理论约束。通过跨学科的视角,试图在数学的严谨、神经科学的实证与哲学的思辨之间,勾勒人工智能演进的探索过程以及可能图景。

人工智能:对涌现与智能的再思考

前言

一年前在粗略了解 Sora 之后发表了对通用人工智能(AGI) 的粗浅看法(见人工智能:Sora 随感),经过对 AGI 知识的学习之后,再次刷新对 Scaling Law、Transformer 以及智能/涌现的理解,因此有了此文以更新对这个知识点的“模型参数”(一年前我对 AGI 能否达到涌现是存疑的,现在转变为肯定)。都说大道至简,但精准简化岂是常人所能,我只好在通俗与严谨之间,弃严谨而取通俗。下面就是用通俗的方式来讲述我对人工智能架构主要思想的新理解。

Scaling Law 与涌现

Scaling Law 描述了数据规模、计算资源和模型参数对 AI 模型的影响。大模型之所要大,是因为只有当模型的训练(样本)数据和参数大到突破一定的临界值后,才可能涌现出一些不可预测、更复杂的能力和特性,而进行这样大规模的训练又依赖于大规模的计算资源。这等规模的模型能够从原始训练数据中自动学习并发现或发明新的、更高层次的特征和模式,这种能力被称为“涌现(Emergence)”。随着科技的进步,曾经被认为难以突破的计算和数据限制,将来一定会是可控和可实现的。从本质上讲,Scaling Law 不是决定 AI 智能形态的根本因素,而是影响其发展的资源门槛。但就像“巧妇难为无米之炊”,即使有再先进的模型架构,也需要规模足够大的数据和计算能力来达到涌现所需的阈值。此外,涌现现象的出现通常依赖于大规模个体之间的相互作用,只有在规模足够大的个体之间的非线性关系才可能催生出整体大于部分之和的智能表现。

关于 AMC8 数学竞赛你所需要知道的一切

前言

AMC 美国数学竞赛全称 American Mathematics Competitions,由美国数学协会主办,是美国国家级别的系列数学竞赛,赛事分 AMC8(初级中学)、AMC10(高级中学)、AMC12(高级中学)三个级别,分别允许不超过美国 8、10、12 年级的学生参加。

为什么要参加一个美国的数学竞赛考试?

  • 从功利角度来讲:对走国际路线的学生,AMC 竞赛是美国国家级别的竞赛,拿到 AMC 高分证书是申请美国高中、本科学校非常有说服力的材料。对国内的升学来说,很多优秀初中在小升初的刷选中也很看重 AMC 证书,比如网传的上海三公对数学素质的期待为 AMC8 20分。

  • 从非功利角度来讲:学习数学竞赛能开拓学生思维,把学过的一个概念应用于更综合、更深奥的问题中,培养深度思考的能力。遇到难题不畏惧,遇到简单题不骄躁,通过理智的分析,逐步解除复杂问题。这种解决问题的行为模式,能跳出学术,应用到生活中。

什么样的小学学生适合参加 AMC8 竞赛?

  • 打算走国际学校路线的学生
  • 打算参加小升初选拔的学生
  • 对数学有兴趣,以考促学的学生

总的来说,小学阶段有实际需求以及具备相应领悟能力、学有余力的学生可以备考 AMC8 竞赛。不建议硬控硬上,给孩子留一个快乐的童年和一份阳光健康的心态比让孩子在高压下学习要重要得多