千脑智能觉醒：感知-运动智能模型，亿倍优于视觉Transformer？

在大语言模型席卷全球的时代，坚持更接近生命本质的智能是少有人走的路。2025年7月初，一篇来自Numenta与Thousand Brains Project的论文，首次通过一个名为“Monty”的AI系统，实验性地验证了神经科学家杰夫·霍金斯（Jeff Hawkins）提出的“千脑智能理论”。Monty抛弃了对海量静态数据的依赖，转而通过类似生物的“触摸”和“移动”来学习世界。它不仅能以惊人的效率识别三维物体，还能在持续学习中免于遗忘，其学习成本更是远低于深度学习模型。这项研究不仅为我们揭示了大脑运作的深层奥秘，也可能预示着通用人工智能的另一种未来。

▷论文：https://arxiv.org/abs/2507.04494

要理解智能，我们必须记住，大脑首先是一台行动的机器，而不是一台静态的观察仪。

——Jeff Hawkins

2025年，我们正生活在一个被人工智能的辉煌成就所包围的时代。大语言模型（LLMs）能写诗、能编程、能进行富有逻辑的对话，其能力边界似乎每天都在被刷新。然而，在这片繁荣景象的背后，一头“房间里的大象”愈发显眼——这些令人惊叹的AI系统，在本质上与生物智能，尤其是人类智能，存在着一条难以逾越的鸿沟。

它们是数据饕餮，需要吞噬整个互联网规模的数据才能获得智能的表象；它们患有严重的遗忘症，在学习新知识时会灾难性地忘记（catastrophic forgetting）旧知识；最重要的是，它们的“理解”似乎是无根之木，缺乏与物理世界真实的、可感知的交互作为基础。它们能描述苹果的味道，却从未“尝”过；能解释杯子的用法，却从未“握”过。

正如论文《千脑智能系统：用于快速、鲁棒学习和推理的感官运动智能》中所指出的：

当前的AI系统在许多任务上取得了令人印象深刻的性能，但它们缺乏生物智能的核心属性，包括快速、持续的学习，植根于感知运动交互的表征，以及能够实现高效泛化的结构化知识。

面对这条鸿沟，大多数研究者选择在现有路线上继续深挖，用更大的模型、更多的数据、更强的算力去填补，一次又一次寄希望于所谓“Scaling Law”的奇迹，但也有人选择另辟蹊径，回到一切智能的起点——大脑本身，去寻找答案。

这个人就是杰夫·霍金斯（Jeff Hawkins）。

你可能对这个名字有些印象。他是硅谷的传奇人物，上世纪90年代发明了第一台成功的掌上电脑PalmPilot，后来又创立了Numenta公司，将毕生精力投入到破解大脑新皮层（neocortex）密码的漫长征途。2004和2021年，他先后出版了《千脑智能》（A Thousand Brains）和《新机器智能》（On Intelligence）两本书，系统地阐述了他关于大脑如何工作的革命性理论。

这本书描绘了一幅与传统观点截然不同的智能图景：智能并非源于一个单一、庞大的中央处理器，而是源于大脑新皮层中成千上万个几乎相同的、微小的计算单元——皮层柱（cortical column）的分布式协同工作。每一个皮层柱都是一个完整的感知运动（sensorimotor）系统，独立地学习着世界的模型。我们的大脑，实际上拥有成千上万个“大脑”。

而近些年神经科学的研究，有好几项重量级发现：网格细胞（grid cell）、树突级预测编码与动觉对齐原理，都为Monty的设计提供了意外而坚实的神经生物学背书：

▷表1：千脑智能系统的神经生物学证据

当然理论固然优美，但依然需要被验证才有效。而我们今天要深入解读的这篇论文，正是“千脑智能理论”的第一次大规模、系统性的实验证明。论文的主角，一个名为Monty的AI系统，就是依照霍金斯的理论蓝图构建的。

01

重返蓝图——大脑如何构建世界模型？

要理解Monty，我们必须先理解它所模仿的对象——大脑新皮层。

新皮层就像是智能的“芯片工厂”。但奇怪的是，这家工厂只生产一种型号的“芯片”，那就是皮层柱，无论是用于视觉、听觉、触觉，还是语言概念和抽象推理，其底层的神经结构都惊人地一致，它就像大脑的通用计算单元。这引发了一个深刻的问题：大自然是如何用一种标准模块，实现了如此多样和灵活的智能？

霍金斯的答案是：通过感知-运动的方式，在参考框架（reference frames）中学习世界模型。这听起来很抽象，我们用一个简单的例子来拆解。

核心概念：参考框架（Reference Frame）

拿起你手边的咖啡杯。当你用手指触摸它时，你感受到了什么？你可能感觉到杯柄的弧度、杯壁的光滑、杯沿的锋利。在传统AI看来，这些是独立的特征（features）。但在“千脑理论”中，大脑处理的信息远不止于此。它记录的不是“一个弧度”，而是“在杯子这个物体的特定位置上的一个弧度”。

这个“物体的特定位置”，就是参考框架。你可以把参考框架想象成一个附着在咖啡杯上的、无形的3D坐标系，或者一个虚拟的脚手架。它定义了物体上每一个点的相对位置。你的大脑为世界上你认识的每一个物体，都学习了一个或多个这样的参考框架。

关键机制：运动（Movement）

参考框架不是凭空产生的，它是在运动中被建立起来的。当你的手指划过杯子表面时，你的皮层柱在做什么？

1.它接收来自手指的感官输入（曲率、温度、纹理等）。

2.同时，它追踪你手指的运动（通过肌肉和关节的位置变化）。

3.然后，它将感官输入“绑定”到参考框架中相应的位置上。

就像一个3D打印机，你的手指是打印头，感官信号是“墨水”，大脑通过移动手指，将关于杯子的信息一点点地“打印”到它的三维模型上。每一次触摸，都在填充这个模型的细节。看，也是同理。你的眼睛不断地进行微小的、快速的跳动（saccades），你的视网膜中心凹（fovea）就像一个高分辨率的探针，通过移动，扫描并构建出整个场景的完整模型。

这与当前AI的学习方式形成了鲜明对比。主流 AI像一个只能被动看照片的学生，通过一次性看完数百万张静态图片来学习“杯子”的概念。而生物智能则像一个亲手触摸、把玩杯子的婴儿，通过主动的探索和持续的交互，建立起对杯子牢固、多维度的理解。

正如论文所强调的：

生物系统通过主动探索和持续的感知运动整合来获取知识……而领先的AI架构则依赖于对互联网规模数据集的被动处理。

这种基于感知运动和参考框架的学习方式，赋予了生物智能强大的能力：

1.高效性：只需几次触摸或扫视，就能建立起一个物体的基本模型。

2.鲁棒性：模型是关于物体结构（shape）的，而非表面细节（texture）。无论杯子是什么颜色、什么材质，它的结构模型都是稳定的。

3.泛化能力：一旦你学会了“杯子”的模型，你就能从任何角度、在任何光线下认出它，甚至能认出你从未见过的、奇形怪状的杯子。

这就是“千脑智能”理论的核心思想。现在，让我们看看科学家们如何将这个思想变成现实。

02

Monty诞生记——用代码复现大脑智慧

Monty，这个名字是为了致敬最早发现皮层柱结构的神经科学家弗农·蒙特卡索（Vernon Mountcastle）。它是世界上第一个真正意义上的“千脑系统”（thousand-brains system）。

Monty的架构设计精妙地模拟了大脑的组织原则，主要由三个部分和一种通用通信协议构成（图1）：

▷图1：千脑智能系统Monty的架构

• 传感器模块（Sensor Modules, SMs）：扮演着“感官”的角色。在本次实验中，它是一个模拟的RGB-D摄像头，但它不像普通摄像头那样一次性捕捉整个画面。相反，它只观察一个极小的局部区域（比如64x64像素的图像块），模拟生物的感受野（receptive field）。它将这个局部图像块中的原始信息（如颜色、深度、表面曲率）处理成一种标准格式。

• 学习模块（Learning Modules, LMs）：这就是Monty的“皮层柱”，是系统的核心。每个学习模块都是一个完整的、小而全的感知运动智能体。它接收来自传感器模块的信息，利用我们前面讲的“参考框架”来建立和存储关于物体的模型。

• 运动系统（Motor System）：负责移动传感器模块，就像肌肉控制眼睛和手指的运动一样。

• 皮层信息协议（Cortical Messaging Protocol, CMP）：这是Monty系统内的“普通话”。所有模块间的通信都遵循这个协议。一条CMP信息非常简洁，只包含两个核心内容：位姿（pose）和特征（features）。位姿指的是传感器在某个共享坐标系（比如身体坐标系）中的位置和朝向，特征则是指在该位姿上感知到的非空间信息（如颜色、纹理）。这种标准化的通信方式使得整个系统具有极强的模块化和可扩展性。

Monty是如何学习一个新物体的？

让我们跟随Monty的视角，学习一个YCB数据集（一个包含77种日常家居用品的公开数据集）中的马克杯。

1.初次相遇：当一个马克杯首次出现时，一个学习模块（LM）会为它初始化一个新的、空白的参考框架。

2.移动与感知：运动系统驱动传感器模块（SM）开始在杯子表面移动。假设SM移动到了杯柄上，它会感知到局部的表面朝向、曲率和颜色，并将这些信息打包成一条 CMP消息发送给LM。

3.绑定与建模：LM接收到这条消息。它知道当前SM的位置（通过运动系统），于是它将感知到的特征（“这是一个弯曲的、红色的表面”）与该位置“绑定”，在参考框架的对应坐标上存下一个数据点。

4.模型构建：SM继续移动，扫过杯壁、杯沿、杯底。每到一处，LM就在参考框架中添加一个新的“特征-位置”数据点。很快，一个由许多离散点构成的、描述马克杯三维结构的“点云模型”就建立起来了（见图2）。这个模型是稀疏的，但抓住了物体的核心结构。

▷（图2：Monty的学习）

这个学习过程有几个关键特点：

1.本地化：学习只发生在当前被激活的参考框架的当前位置上，是一种类似赫布学习（Hebbian learning）的、极其简单的关联绑定。这与深度学习中需要调整全网络数百万参数的反向传播算法（back-propagation）截然不同。

2.增量式：如果Monty再次遇到同一个马克杯，但从一个新角度观察，它不会从头学习，而是在已有的参考框架模型上，添加新的观测点，不断完善模型。

3.监督信号的巧用：在论文的实验中，为了定量评估，Monty采用了监督学习。在学习阶段，系统被告知正在看的是“马克杯”以及它的朝向。这个信息的作用，仅仅是帮助Monty将所有观测数据正确地整合到“马克杯”这同一个参考框架中。在无监督的真实世界里，系统需要自己推断出“这是一个连贯的物体”。

通过这种方式，Monty将大脑皮层的核心工作原理——通过运动构建结构化世界模型——转化为了具体的算法和代码。那么，这个“人造大脑皮层”的表现究竟如何？它是否真的拥有生物智能的那些宝贵特质？

03

Monty核心公式解析

前面我们绍了Monty系统如何通过模仿大脑新皮层来学习和理解世界。现在，让我们深入其背后，揭开驱动这一切的数学公式的神秘面纱。这些公式不仅是代码的蓝图，更是“千脑智能理论”思想的精确表达。

04

实践出真知——Monty的惊人表现

论文的后续部分，通过一系列精心设计的实验，全方位地检验了Monty的能力。结果不仅令人信服，甚至在某些方面超越了预期。

（1）表现一：坚不可摧的鲁棒推理

推理，就是识别已知物体的过程。Monty的推理方式也和学习一样，是一个主动的、动态的过程。当一个未知物体出现时，Monty的学习模块（LM）会同时激活所有已知物体的模型，并提出成千上万个假设，比如：

• “这可能是个马克杯，我的传感器现在在它的杯柄上。”

• “这也可能是个碗，我的传感器在它的碗沿上。”

• “还可能是个高尔夫球，我的传感器在它的某个凹痕里。”

每个假设都有一个“证据值”。接着，Monty开始移动它的传感器。如果下一步的“感官-运动”序列（比如：我向右移动了1厘米，感知到了一个平坦表面）与“马克杯”模型的预测相符，那么关于马克杯的假设证据值就会增加；反之，与“碗”和“高尔夫球”模型的预测不符，它们的证据值就会下降。

通过一连串的移动和验证，错误的假设被迅速排除，正确的假设脱颖而出。这就像在一个物体的三维地图上进行定位，最终确定“你在这里”。

实验结果1：对噪声和新视角的免疫力

研究人员对Monty进行了“压力测试”（图3D）。他们向传感器数据中注入噪声（比如位置信息的随机抖动），或者从Monty在学习阶段从未见过的全新角度来呈现物体。

▷（图3：鲁棒性感知运动推理）

结果令人惊叹。在基准测试中，Monty的物体识别准确率高达98.6%，姿态估计（判断物体的朝向）的中位数误差为0度。在加入噪声、采用全新旋转角度，甚至两者结合的恶劣条件下，Monty的性能仅有轻微下降。

最极端的测试是，研究者将所有物体的所有部分的颜色信息都强制设置为同一种蓝色，完全剥夺了纹理线索。在这种情况下，许多形状相似的物体（比如不同样式的杯子）对人类来说都难以分辨。即便如此，Monty依然达到了 73.1%的识别准确率。

这雄辩地证明了，Monty的识别能力主要依赖于它所建立的物体三维结构模型（shape），而不是表面的颜色或纹理（texture）。这与人类的视觉认知偏好高度一致，却与深度学习模型形成了鲜明对比——后者已被证明严重依赖纹理，这也是它们容易被对抗性攻击欺骗的原因之一。

实验结果2：对形状和对称性的深刻理解

Monty对形状的理解有多深刻？研究者向它展示了10种可以被人类归为“餐具”、“盒子”、“杯子”的物体。通过分析Monty在识别过程中内部假设的相似度，他们绘制了一张聚类图（见下图4A）。

▷图4：结构化对象表征与对称性

结果清晰地显示，Monty自发地将刀、叉、勺聚在一起，将各种盒子聚在一起，将各种杯子聚在一起。它正确地识别出了这些物体在形态学上的分组，尽管它从未被教过这些类别概念。

更令人称奇的是，Monty自然而然地学会了处理对称性（symmetry）。当面对一个对称物体（比如一个圆柱形的罐头）时，它在探索后会发现，从某些不同角度观察，得到的感知运动体验是完全无法区分的。这时，它不会强行选择一个“正确”的姿态，而是会报告：“这个物体存在一组对称姿态”。论文中称之为“感知运动对称”（Sensorimotor Symmetric, SMS）。

这种对对称性的内在理解，是许多AI系统难以企及的。它意味着Monty能够以一种更高效、更抽象的方式来表征世界，避免了在等效的姿态上浪费计算资源。

（2）表现二：闪电般的快速推理

生物智能不仅要准，还要快。Monty通过两种方式实现了快速推理：智能的运动策略和高效的并行“投票”。

实验结果3：会“思考”的动作——模型指导的策略

随机的移动虽然能探索物体，但效率低下。Monty可以采用更智能的策略。

无模型策略（Model-Free Policy）：这是一种基于当前感官输入的、类似本能的策略。例如，当传感器接触到物体表面时，它会有一种沿着表面锐利边缘或高曲率区域移动的“癖好”，这能让它更快地找到物体的关键特征。

基于模型的策略（Model-Based Policy）：这是Monty的杀手锏，被称为“假设检验策略”（hypothesis-testing policy）。当Monty对两个或多个假设举棋不定时（比如，“这到底是叉子还是勺子？”），它不会盲目移动。它的学习模块（LM）会在“脑中”进行推演：它比较叉子和勺子的三维模型，找到两者差异最大的地方——显然是尖端部分。然后，它会生成一个目标，直接驱动传感器移动到那个最能提供区分性信息的位置（图5C-F）。

▷（图5：无模型与基于模型策略的快速推理）

这不再是简单的感知，而是一种主动的、有目的的探究行为。它像一个真正的科学家，为了验证假设而设计并执行关键实验。这种能力使得Monty能够极快地解决模糊性，收敛到正确答案。

实验结果4：千脑协同——“投票”的力量

现在，我们终于来到了“千脑”的核心。如果 Monty不只有一个学习模块（LM），而是有多个（比如16个），分别连接到传感器的不同区域（模拟视网膜上的多个感受野），会发生什么？

它们会进行“投票”（voting）。

但这并非简单的“少数服从多数”。Monty的投票机制同样是基于空间和结构的。假设LM1感知到了杯柄，它会向其他LM广播一条信息，这条信息不仅仅是“我认为这是个杯子”，而是更精确的：“根据我的模型，我正处于杯柄位置。考虑到我们之间的相对位移，LM2你应该在杯壁上，LM3你应该在杯沿上……”

接收到投票的LM会检查这些预测是否与自己的感知相符。如果相符，相关假设的证据值就会飙升。这种基于空间一致性的投票，使得所有 LM能够以惊人的速度达成共识（图6）。

▷图6：基于投票的快速推理

实验显示，当LM数量从1增加到16时，Monty 达到收敛所需的平均步数从100多步锐减到不足20步，而准确率保持不变。这完美地诠释了“千脑”的力量：通过大量简单模块的并行协作，实现远超单个模块的效率和速度。

（3）表现三：极致的高效学习

如果说Monty在推理上的表现已经足够亮眼，那么它在学习上的表现则堪称颠覆性。

实验结果5：告别数据饥渴——小样本学习（Few-Shot Learning）

研究者比较了Monty和强大的视觉大模型 Vision Transformer(ViT)在学习YCB数据集时的效率。他们控制了每个物体向模型展示的“视角”（旋转角度）数量。

结果（图7A）显示：

▷（图7：小样本学习和持续学习）

• Monty在仅仅观察了每个物体8个视角后，识别准确率就达到了88%。整个训练集只有 77x8=616个样本，比手写数字数据集MNIST 还要小数百倍。

• 从零开始训练的ViT，在同样的数据量下，表现几乎接近随机猜测。

• 即便是经过了1400万张图片预训练的ViT，虽然在物体分类上能追上Monty，但在更难的姿态估计任务上，依然远远落后。

Monty的学习效率为何如此之高？因为它采用了本地化的、关联式的学习规则。每一次观察都只是在对应参考框架的对应位置上，建立一个简单的连接。它不需要通过复杂的梯度计算和全局优化来寻找解决方案。

实验结果6：终身学习的圣杯——持续学习（Continual Learning）

这或许是Monty最重要的能力之一。研究者设计了一个残酷的持续学习任务：让模型一个接一个地学习77种物体。每学习一个新物体，就测试它对所有已学物体的识别能力。

结果（图7B、7C）是压倒性的：

• Monty在学习完所有77个物体后，对之前所有物体的识别准确率依然保持在 95% 以上。它几乎没有忘记任何东西。
• 
  
• 而作为对比的、预训练过的ViT，则表现出典型的灾难性遗忘。每当它学习一个新物体，它对旧物体的记忆就会被严重破坏，准确率迅速跌至谷底。

Monty能够持续学习的秘诀，正在于它的模块化和本地化学习。学习一个新物体，本质上是启用一个新的学习模块（或参考框架），在这个“新大脑”里建立模型，而不会去干扰那些已经存有旧知识的“老大脑”。

实验结果7：令人难以置信的计算效率

最后，研究者计算了学习过程中的计算成本，以浮点运算次数（FLOPs）来衡量。

结果（图8A）足以让任何从事AI工程的人感到震惊：

• 与从零开始训练的ViT相比，Monty的学习计算成本低了约34,000倍。

• 与那个唯一能在分类准确率上与Monty媲美的、经过海量数据预训练的ViT相比，Monty 的学习成本低了约5.28亿倍！

▷图8：学习与推理的计算效率

是的，你没有看错，是“亿”倍。这源于两者学习机制的根本不同。深度学习的“蛮力”——通过对海量数据进行全局、迭代的优化——在计算上是极其昂贵的。而Monty所代表的生物智能的“巧劲”——通过本地化的、一次性的关联来构建结构化模型——则表现出无与伦比的效率。

05

生物启发的通用智能之路

真正的通用智能，也许并不在机房的轰鸣中，而在一只饥饿小鼠嗅着奶酪的静默里。

回到我们最初的问题。Monty的一系列实验结果，强有力地回应了当前AI面临的挑战。它证明了，一个基于大脑新皮层工作原理构建的系统，可以：

• 快速学习：无需海量数据，从少量样本中高效学习。

• 持续学习：终身学习新知识而不会忘记旧的。

• 鲁棒泛化：建立基于三维结构的表征，对噪声和变化具有强大的抵抗力。

• 主动推理：通过有目的的感知运动来与世界交互和理解世界。

• 极致高效：学习和推理的计算成本极低。

这不仅仅是一次技术上的成功，更是一次思想上的胜利。它告诉我们，通往通用人工智能的道路可能不止一条。除了将现有深度学习模型越做越大、越喂越多的“暴力美学”之路，还存在着一条更精巧、更高效、更接近生命本质的“仿生美学”之路。

▷表2：暴力美学 vs 仿生美学

当然，正如论文作者所坦言，Monty仍处于发展的早期阶段。它目前还局限于三维物体感知，尚未涉及更复杂的任务，如理解动态事件、进行层级化的组合推理（比如将“轮子”、“车身”、“方向盘”组合成“汽车”模型），或是在真实世界中进行无监督学习。这些都是千脑智能项目未来需要攻克的难关。

但Monty已经为我们掀开了未来的一角。在那个未来里，AI可能不再是运行在遥远数据中心里的、冰冷的庞然大物。它们可能会变得更小、更省电、更具适应性，能够被部署到机器人、自动驾驶汽车、便携医疗设备等各种终端上。它们将通过与世界的真实互动来学习，它们的智能将拥有坚实的物理基础（grounding）。

过去十年，AI的主旋律是“更大模型+更多 GPU”。杰夫·霍金斯和他的团队，则展示了另一条路线：结构先验+行动闭环，用少量高熵经历，换取高质量世界模型。Monty这样的生物智能模型提醒我们：经过数十亿年进化所塑造的大脑，至今仍然是我们探索智能奥秘最宝贵的藏宝图。

或许，创造真正智能的最佳方式，不是凭空发明，而是谦逊地去复现那个我们每个人头颅中都拥有的、由自然所造化成千上万个微小大脑所协同共现的奇迹。

参考文献：

1.Constantinescu, A. O. et al. “Grid-like code in conceptual knowledge.” Nature Neuroscience (2024).

2.Liu, Y. et al. “Dynamic remapping for interceptive actions in the superior colliculus-parietal circuit.” Nature (2024).

3.Takahashi, N. et al. “Dendritic predictive coding in the visual cortex.” Nature (2023).

4.Gallivan, J. P. & Culham, J. C. “Somatosensory and external spatial reference frames in parietal cortex.” Frontiers in Human Neuroscience (2024).

文章来自于微信公众号“追问nextquestion”。