人工智能的未来
On Intelligence · 2004
2004 年，Jeff Hawkins 写下这本书时，深度学习尚未爆发，不在他的射程内。他的靶子是当时的符号主义 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成一件事：外部行为匹配。一台机器只要对答如流、骗过人类，就算「智能」。Hawkins 说这是把靶心挂错了地方——整个领域于是都在优化「看起来像智能」，终点是一台越来越逼真的行为复制机，而不是智能本身。这不是哲学声明，是工程批判。
真正逼他非写不可的，是一个反直觉的事实：一个躺着不动、什么行为也没有的大脑，仍在剧烈地理解世界。你闭眼静坐，皮层没闲着，它在不停预测下一刻会听到什么、摸到什么。如果智能等于行为，这个大脑此刻该被判为「不智能」，可它显然在高速运转。行为定义解释不了这件事。
于是问题被重新逼出来：如果智能不是行为，它到底是什么？判断一个系统智不智能，除了看它「能做什么」，还该看什么？
Hawkins 的回答是记忆-预测框架（memory-prediction framework）：智能 = 大脑用存储的记忆，不停预测下一刻的输入。
关键是方向。皮层的工作是自上而下的——感官输入不是感知的原料，而是对已有预测的检验。你伸手摸咖啡杯，指尖还没碰到，皮层已经押好陶瓷的温度、杯壁的弧度、把手的位置。触碰发生，输入与预测比对：误差为零，就静默吸收，你几乎无感，这就是「理解」；误差超标，就上传更高层，把注意力猛地唤起，这就是「注意」。意识不是感知系统，是误差报告系统。
这台机器靠三个咬合的部件运转：
三者合起来回答 x：不变表征提供「拿什么去预测」，序列记忆提供「这个语境里下一步是什么」，误差流提供「押错了往哪改」。所以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。
这也划清了它跟同作者《千脑智能》（2021）的分工：这本（2004）立最根本的定义——「智能 = 记忆驱动的预测」；《千脑》是 17 年后的升级，把「一个层级在预测」细化成「约十五万个皮质柱各自用参考系建模、再投票」。一个回答「智能是什么」，一个回答「皮层架构长什么样」。
记忆：不变表征 + 序列记忆
│
│ 自上而下：预测下一刻输入
▼
预测 ──── 比对 ──── 感官输入（自下而上）
│
┌───────┴────────┐
误差=0 误差超标
静默吸收＝理解 上传更高层 ＝注意 → 更新模型
f(x) · 怎样回应这个世界
接受「智能 = 预测」，判断标准整个被换掉。
判断「理解」：以前把「能复述、能给出正确答案」当成懂了。现在，懂的标志是能预测下一步——懂一个人，是能预测他怎么反应；懂一个系统，是能预测它怎么演化。你「学会了」的真正信号，不是能背出来，是能押中没见过的情况。
判断 AI：别被流利的输出骗。面对一个能对答如流的系统，Hawkins 的标准只问一件事——它内部有没有「用世界模型预测、并在预测失败时更新」的机制？如果没有，哪怕它骗过所有人，按这标准也只是史上最强的行为匹配。这一刀 2004 年砍向图灵测试，在 2026 年的大模型时代反而更锋利：一个能流利对话的系统，到底在预测和理解世界，还是史上最强的行为模仿？
判断自己：被某件事惊到、卡住的那一刻，正是预测失败在唤起注意。那不是尴尬，是系统在提示——这里有个值得停下来更新的模型。
区分熟练与精通：同一把尺子的延伸。熟练，是序列记忆把高频路径压成了稀疏编码，训练分布内的输入能流畅补全，押中得多；精通，是不变表征够抽象，遇到没排练过的变体仍能押中下一步。所以验一个人是熟练还是精通，别看他在常规情境里多顺，把他扔进一个全新情境——预测立刻崩盘的是熟练，仍能大致押中的才是精通。这正是「考试高分却不会变通」与「举一反三」的分界。