※ 引述《reader (讀者)》之銘言： : 只看了簡介，我不是很清楚這本書的特別在哪裡 @@ : 如果說是一本很好的整理，或是將許多人的研究成果很好地結合在一起， : 那當然沒問題。只是有一些推薦，彷彿他提出了全新的東西? 1. 玩 AI 的，主要都從心理學著手，自己空想人腦該怎麼作 2. 玩類神經的，早期是因為電腦太慢，及神經科學那累積的資料也不夠， 提出的東西比較粗糙，後進多只知道應用，忽視神經科學幾十年來的發 展。 3. 研究腦神經科學的，主要集中在少數神經元的精確模型，見樹不見林。 Hawkins 的貢獻是對新皮質的大架構，及其運作的原理作了大膽的猜測。 且這些猜測衍生的一些推估結論是可以被後續的研究驗證對錯的。 : 但就簡短的說明看來，至少就記憶與預測系統的主要架構上不就是許多人 : 心目中整合各種相關技術的理想架構 ─ 多層次自組織神經網路模式辨別 : 系統? 那主要是電腦運算能力不足以讓人們這樣玩，或是說目前主流電腦 : 架構不適合這樣玩，對於實現應用目標也沒有幫助，所以沒什麼人在做， : 卻不是人們不知道可以這樣做。 是早期人們沒想到要往 Hawkins 提的方向著力。 如果真要對每個神經元作精確的模擬，現在電腦運算的能力還不是很充足。 舉個例子：IBM 的 Blue Brain 計畫，8192 顆 CPU 只模擬一萬個神經元， 每顆 CPU 最多只模擬 10 個神經元。 好消息是 Hawkins 的 model 不用從最底層的神經元開始模擬起，這可以參 考他們提的 HTM 架構： http://en.wikipedia.org/wiki/Hierarchical_Temporal_Memory 短期的應用會著墨在機器視覺、聽覺、觸覺等，電腦一直都做不好的事情上。 : 我想主要的創新，應該是在建構神經科學研究成果的整合模型上吧? 或者 : 這又是人工智慧書籍一貫的行銷方法? 希望能有更清楚的評述。 : 當然面對反 AI 的批評，最好的方法就是證明人腦就是這樣子的，當電腦 : 實作和人腦是同構的系統，那些人自然就只能閉嘴，這也是很重要的事， : 所以我並沒有要懷疑這類研究之價值的意思。 -- 生命的奇蹟，在於不論如何緊抓著現實不放，現實還是會不斷地令我們感到驚奇； 科學之美，在於無論盲從是多麼地根深柢固，我們還是會被這些驚奇所喚醒。 -- Blog: yukuan.blogspot.com --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 61.59.83.148