​解读千脑计划：AI 与神经科学的融合

解读千脑计划：AI 与神经科学的融合

千脑计划（The Thousand Brains Project）是由Numenta公司发起的一项前沿研究项目，致力于开发基于大脑新皮层工作原理的先进人工智能技术。该计划的目标是通过模仿人类大脑新皮层的运作方式，创建出能够在多种感官模式下高效工作的智能系统。这一项目不仅有望在人工智能领域带来革命性变化，还将为理解和应用人类智能提供新的视角。

在过去的十年里，人工智能取得了长足的进步，尤其是在深度学习系统的规模和性能方面。然而如何在复杂多变的现实环境中构建能够高效运行的智能系统仍然是一个重大挑战。千脑计划旨在通过开发一种新的、基于感觉运动学习的AI范式，解决这一挑战。该项目提出的“千脑理论”以大脑新皮层的操作原理为基础，探索神经科学驱动的AI新方向。

千脑计划的核心在于其独特的“千脑系统”，这是一个由多个“学习模块”（Learning Modules，LM）组成的复杂系统。每个学习模块模仿大脑皮层柱的功能，能够独立处理传感器数据并进行对象识别和模型构建。通过重复使用这种基本计算单元，千脑系统可以快速学习和执行各种任务，甚至实现人类新皮层所具备的所有功能。

学习模块的输入和输出格式为特征和姿态，通过“皮层消息协议”（Cortical Messaging Protocol，CMP）与其他模块通信。这种结构化的内部模型使得学习模块能够在短时间内快速学习，并将这些知识应用于复杂的策略。千脑计划强调传感器运动学习、模块化结构、参考框架等核心原则，通过这些原则建立起强大的AI平台，能够处理不同感官模式和多样化的任务。

一个关键的创新点在于千脑系统使用了“参考框架”和“投票机制”来进行对象识别。每个学习模块在三维空间中构建对象模型，并通过与其他模块的投票机制快速达成共识。这种方法不仅提高了识别速度，还增强了系统的鲁棒性和灵活性。

此外，千脑计划还提出了分层的基于模型的策略，使得系统能够通过逐层分解任务，实现从简单到复杂的智能行为。这种策略不仅适用于当前的3D物理空间，还能扩展到更抽象的概念空间，展现出广泛的应用潜力。

千脑计划的研究团队由Numenta公司的顶尖科学家组成，他们在人工智能和神经科学领域拥有丰富的研究经验。主要成员包括Viviane Clay、Niels Leadholm和Jeff Hawkins。

Viviane Clay是Numenta公司的一名研究科学家，专注于开发基于大脑新皮层原理的AI技术。她在传感器运动系统和神经网络模型方面具有深厚的专业知识。

Niels Leadholm同样是Numenta公司的研究人员，致力于通过模拟大脑的学习机制，推动人工智能技术的发展。他在研究神经科学驱动的AI方法方面取得了重要进展。

Jeff Hawkins是Numenta公司的创始人之一，也是千脑理论的提出者。他在人工智能和神经科学领域的开创性研究为千脑计划奠定了基础。Hawkins认为，通过深入理解大脑的新皮层结构和功能，可以开发出更强大、更高效的人工智能系统。

这支团队的共同努力，使得千脑计划成为目前人工智能研究领域最具前瞻性和创新性的项目之一。通过模仿人类大脑的工作原理，他们致力于创建出能够在复杂多变的现实环境中自主学习和适应的智能系统。研究团队在白皮书《THE THOUSAND BRAINS PROJECT: A NEW PARADIGM FOR SENSORIMOTOR INTELLIGENCE》概述了推动千脑系统设计的关键原则，并提供了有关 Monty 实施的详细信息，这是他们对此类系统的第一个实例。代码可以在

https://github.com/thousandbrainsproject/tbp.monty 找到，更详细的文档可以在

https://thousandbrainsproject.readme.io 找到。

千脑计划概述

千脑计划（The Thousand Brains Project）是Numenta公司推出的一项开创性研究，旨在开发一种全新的人工智能范式，即通过模拟人类大脑新皮层的工作原理来构建智能系统。这一计划提出了一种不同于传统深度学习方法的替代性人工智能形式，依靠大脑的新皮层原理，尤其是皮层柱结构，来处理传感器输入并进行对象识别。千脑计划的核心思想是创建一个由多个独立学习模块组成的系统，每个模块模仿大脑皮层柱的功能，能够快速学习和执行多种任务。

千脑计划的长期目标是建立一个通用的智能传感器运动系统平台和通信协议，称为“皮层消息协议”（CMP）。这一协议旨在作为不同模块之间的接口，使得这些模块能够无缝地协同工作。无论是操作无人机还是控制智能家居，不同的模块可以通过这一通用协议进行通信，实现快速扩展。

此外千脑计划还希望成为引发全新机器智能思维方式的催化剂。该计划的原则基于千脑理论（Thousand Brains Theory）和有关大脑工作原理的实验证据，通过模块化的方式模仿新皮层的皮层柱结构，从而实现智能传感器运动系统。这一项目不仅旨在应对当前AI面临的挑战，还希望通过不断改进和优化，推动AI技术的发展，使其在更广泛的应用中发挥作用。

千脑计划的核心原则包括：

1.传感器运动学习和推理：利用主动生成的感官和运动输入的时间序列，而非静态输入，系统的输出为运动命令。

2.模块化结构：相同的算法适用于所有感官模式，使系统易于扩展和规模化。

3.皮层消息协议：学习模块的输入和输出遵循定义好的协议，不同的传感器模块和学习模块能够无缝协作。

4.投票机制：多个专家可以使用不同的信息和模型快速、稳健地达成共识。

5.参考框架：学习的模型具有归纳偏差，使其自然适应结构化的世界模型，可以用于多种任务，如操控、规划、想象等。

6.快速持续学习：传感器运动学习和参考框架支持快速知识积累和持续更新，学习和推理过程密不可分。

7.无模型和基于模型的策略：低级无模型策略提供高效的交互手段，与基于模型的策略结合，支持在新环境中的灵活行动规划。

千脑计划通过这些核心原则，旨在创建一个通用、灵活且高效的智能系统，使其能够在多种环境中执行复杂任务，从而推动人工智能领域的革新。

环境与代理

在千脑计划中，环境和代理是传感器运动智能系统的重要组成部分。为了实现对真实世界的高效模拟，千脑系统利用了先进的3D环境和模拟引擎。这些工具不仅为系统提供了丰富的训练和测试环境，还允许研究人员在虚拟空间中精确控制各种实验条件，从而加速AI的开发和迭代。

3D环境与模拟引擎

千脑计划使用了Habitat作为其主要的3D环境和仿真引擎。Habitat提供了高度逼真的虚拟环境，使得AI代理可以在其中进行交互和学习。该引擎允许研究人员初始化环境中的各种对象，并设置不同的旋转、位置和比例，以模拟现实世界中的复杂情境。

Habitat的一个显著优势是其对对象数据集的支持。例如，研究人员可以使用默认的Habitat对象（如立方体、球体、胶囊等），或者导入YCB对象数据集，这些数据集包含更复杂的对象，如杯子、碗、链条和锤子等。虽然目前没有物理模拟，且对象不会因重力或触碰而移动，但Habitat的灵活性使其成为研究传感器运动系统的理想平台。

Habitat还支持2D环境和其他数据集。例如，代理可以在Omniglot数据集的图像或RGBD摄像头的照片上移动。这种多样性使得千脑系统可以在不同类型的数据上进行训练和测试，从而提高其泛化能力和适应性。

代理及其动作空间

在千脑计划中，代理是可以在环境中独立移动的执行器，具有连接的传感器。每个代理在环境中有自己的动作空间，并通过与环境的互动来收集数据和学习。大多数实验中，一个代理会初始化并连接多个传感器，以便获取更多的环境信息。

有两种主要类型的代理：远程代理和表面代理。远程代理类似于眼睛，能够在不接触对象表面的情况下自由移动。其动作空间为球窝关节，可以朝不同方向查看。这种设置允许代理从多个角度观察对象，获取全面的视觉数据。

表面代理则类似于手指，可以沿着对象表面自由移动，探索对象的每个部分。表面代理的优势在于，它能够高效地覆盖整个对象表面，理论上可以到达对象的任何特征点。这种策略在需要持续接触对象以获取纹理或其他感官输入的情况下尤为重要。

除了这两种代理，千脑系统还引入了基于模型的策略，使得代理能够在环境的绝对坐标中进行瞬时“跳跃”。这些策略由学习模块生成的目标状态驱动，指导代理进行智能的、目标导向的动作。代理在学习和推理过程中，可以使用随机游走策略或基于曲率的策略来引导其探索和交互行为。

Monty架构

千脑计划中的Monty架构是实现传感器运动智能系统的核心，其设计旨在模拟人类大脑新皮层的工作原理，创建一个高度灵活且具有适应性的AI平台。Monty架构由多个相互连接的组件组成，每个组件各司其职，协同工作，共同实现智能系统的目标。

图1：传感器模块接收并处理原始的感官和运动输入。然后这通过一个通用的消息传递协议传达给一个学习模块，该模块使用这些信息来学习和识别环境中任何事物的模型。

Monty架构的组成部分

Monty架构主要包括传感器模块（SM）和学习模块（LM），以及连接它们的通信协议和执行动作的运动系统。传感器模块负责处理原始感官输入并将其转换为学习模块可以操作的标准格式。学习模块则负责根据传感器模块的输出构建对象模型，并通过相互之间的连接进行层次化或非层次化的信息传递。

运动系统负责移动代理，使其能够在环境中执行动作，并将学习模块的目标状态转换为具体的运动命令。传感器与代理之间的映射也在架构中定义清楚，确保整个系统的各个部分能够无缝集成和协作。

观察与传感器模块

在Monty架构中，所有传感器模块的输出都是符合皮层消息协议（CMP）的特征在3D空间中的姿态。每个传感器连接到一个传感器模块，后者将原始感官信息转换为这一格式，用于下游处理。每个输入包含特征的相对位置（x、y、z坐标）和三正交向量（定义特征的旋转方向）。传感器模块还返回任何感知到的与姿态无关的特征（如颜色、纹理或曲率大小）。这些特征可以是模式特定的，而姿态信息则是模式无关的。

学习模块

学习模块是Monty架构的核心建模单元，负责从传感器运动数据中学习模型。它们的输入和输出格式为姿态下的特征，符合皮层消息协议（CMP）。通过连续输入的位移，学习模块可以学习特征之间的对象模型并识别已知对象。

图2：学习模块使用参考系通过感觉运动交互学习结构化模型。它们模拟了传入特征在空间中的相对排列方式。

学习模块通常包含一个短期记忆缓冲区和某种形式的长期记忆，用于存储对象模型。在识别对象并进一步研究时，缓冲区信息会整合到长期记忆中。学习模块还可以使用目标状态生成器接收和发送目标状态，引导环境的探索和操作。

第一代学习模块（LM）采用显式3D图形结构进行对象建模。这些图形基于笛卡尔坐标系中的节点和边，每个节点表示相对位置并存储姿态向量（如点法线和两个主曲率方向）。图形的边表示从一个节点到另一个节点的位移。通过这种结构，学习模块可以构建复杂的对象模型，并利用证据值（与观察相匹配的程度）来更新和优化模型。

图3：学习模块如何实现皮质柱可能机制的概念草图。右侧的图形代表三个皮质柱，包括细胞层。学习模块的内部结构可以映射到这些层上。

学习模块的缓冲区类似短期记忆，只存储当前实验的信息，并在每个新实验开始时重置。缓冲区内容用于在实验结束时更新图形记忆。

图形记忆是学习模块的长期记忆，用于存储先前获取的对象模型。这些模型以图形形式存储，包含节点和边的信息，节点表示特征的位置和姿态，边表示节点之间的位移。图形记忆负责存储、更新和检索模型。

对象模型存储在图形记忆中，包含有关一个对象的信息。模型在参考框架中编码，包含相对姿态和特征。模型将对象编码为图节点，每个节点包含姿态和特征列表。通过这种结构，系统可以快速识别对象并生成目标状态。

图4：通过在传感器模块和学习模块之间使用通用的消息传递协议，该系统可以很容易地在多个维度上进行扩展。这为处理多种感官模式提供了一种简单的方法。使用彼此相邻的多个学习模块可以通过它们之间的投票来提高鲁棒性和速度。此外，将学习模块堆叠在一起，可以对输入进行更复杂、更分层的处理，并对组合对象进行建模。

图形由观察列表（姿态、特征）构建，每个观察可以成为图中的节点，相互连接表示邻近或时间序列，由图的边表示。每条边都有位移，表示从一个节点移动到另一个节点所需的动作。每个节点可以有多个特征，必须包含位置和方向信息，以对象为中心的参考框架。如果图形尚未存储于内存中，LM在对象识别时不会找到匹配，会添加新图形。即使对象已存储于内存中，LM可能会学习新特征并将其纳入图形。

内存中的图形可用于预测下一个位置是否会感知到特征及下一感知特征（前向模型）。预测误差可用于图形匹配以更新可能的匹配和姿态。图形也可用于提供从当前特征到目标特征的动作（逆向模型），用于目标条件动作策略和定向探索。这些功能使得学习模块能够智能地进行环境交互和对象识别。

行动策略

在千脑计划的框架下，行动策略的设计和执行是系统实现感觉运动智能的关键部分。这些策略不仅决定了系统如何在环境中移动和操作，还影响了它如何通过与环境的交互来学习和推理。在这个过程中，千脑系统采用了无模型策略和基于模型的策略两种方式来实现智能行为。

图5：架构的高级概述，所有主要概念组件都反映了应用于具体示例的图4。蓝线表示信息在层次结构上的前馈流动。紫色线条显示自上而下的连接，偏置较低级别的LM。绿线表示横向投票连接。粉色线条表示目标状态的交流，最终转化为运动系统中的运动指令。每个LM都有一个直接电机输出。沿着实线传达的信息遵循CMP（包含特征和姿势）。图表中的中断用线端的点标记。虚线是系统与世界的接口，不需要遵循CMP。蓝色虚线表示传感器的原始感官输入。粉红色虚线将电机指令传达给执行器。大的半透明蓝色箭头是一个连接的例子，它将感觉输出从更大的感受野直接传输到更高级别的LM。

无模型与基于模型的策略

无模型策略和基于模型的策略是千脑系统的两大核心策略类别。无模型策略依赖于传感器模块的实时感官输入，类似于人类在皮层下结构支持下执行的基础动作，如行走或骑自行车时的平衡。这些策略通常是先天的或通过经验学习得来的，例如对潜在危险刺激的反射行为。

另一方面，基于模型的策略利用学习模块（LM）内部的结构化模型和当前假设来支持有目的的智能行动。这些策略由学习模块生成的目标状态驱动，目标状态包含姿态和特征信息，系统将其解释为在世界中应实现的目标，并将其转化为具体的运动命令。基于模型的策略使系统能够进行更加精确和复杂的操作，从而在新的和未知的情境中表现出色。

用于推理、学习和操纵环境的策略

千脑系统设计了多种策略，以提高其在推理、学习和操纵环境中的效率。以下是两个主要的策略：曲率知情策略和假设测试策略。

曲率知情策略是一种无模型策略，旨在引导表面代理沿着对象表面的主曲率方向移动，以高效地探索对象的相关部分。例如，当遇到杯子的边缘或手柄时，该策略会更倾向于高效地探索这些组件，而不是随机游走。

该策略利用传感器模块提供的主曲率信息，交替跟随最小曲率（如杯子的边缘）和最大曲率（如圆柱的弧面）。通过这种方式，系统能够更快地覆盖对象表面的关键区域，从而在较短时间内获取更多有用的信息。

假设测试策略是一种基于模型的策略，利用学习模块的内部对象模型来指导行动。具体来说，学习模块使用其对当前对象ID和姿态的假设，通过比较最可能的模型，确定在空间中移动到的测试点，以快速消除对象识别中的歧义。

该策略通过图形不匹配技术来实现，这一技术将最可能和次可能的对象模型叠加在内部空间中，然后确定最可能图形中与次可能图形的最近邻距离最远的点。这个点被认为是最具区别性的测试点，系统会生成一个目标状态，引导运动系统移动到该点进行观察。

图6：在我们当前的实验设置中，时间离散化的三种方式是分为步骤（一个动作和一个观察）、事件（根据需要采取尽可能多的步骤来达到环境的最终条件，如识别物体或完成任务）和纪元（循环一次数据集中的所有物体/场景）。在这个例子中，在第一集中观察到一个红色的杯子，在第j集中观察到了一个双色调的圆柱体。

例如，在识别一个杯子时，假设最可能的对象是一个杯子，而次可能的对象是一个汤罐，那么杯子的手柄将与汤罐图形的最近邻距离最远。学习模块会向运动系统传达一个目标状态，使其观察到杯子的手柄，从而快速确定对象的真实身份。

通过这种方式，假设测试策略使学习模块能够在不需要运动系统了解对象详细信息的情况下，协调智能行为，并将复杂的基于模型的策略转换为简单的动作指令。这些策略的设计和实施，使得千脑系统能够在各种环境中高效地执行任务，不仅快速识别和学习对象，还能在需要时对环境进行复杂的操作和调整。

异构系统中的学习模块连接

在千脑计划的架构中，学习模块（LM）的连接方式是实现复杂智能行为的关键。这些连接不仅限于经典的层次结构，还包括多种异构连接形式，使得信息能够在系统内部灵活流动，模拟大脑新皮层的长程连接。这种异构系统的设计不仅增强了系统的鲁棒性和灵活性，还提高了对象识别和任务执行的效率。

图7：图学习模块中的信息流。在每一步，LM接收特征和姿势作为输入。使用存储在缓冲区中的先前观测值，它可以计算姿态位移。这种位移与感测到的特征一起用于评估所有当前的假设并对其进行更新。在证据LM中，这意味着更新他们的证据，在其他两个LM中，如果输入的信息与模型的预测不一致，则意味着从假设列表中删除假设。使用当前的假设及其证据，LM可以输出投票，并将其发送给任何连接的LM。如果有新的投票，它们将用于另一个假设更新。此外，自上而下的输入可用于调整不同假设的证据。在此之后，LM输出其最可能的假设（对象ID和姿势）和目标状态（用于动作选择）。

目标状态由目标状态生成器生成，它可以使用更高级别的目标状态和LM的内部状态和模型来决定要输出的最佳目标状态。匹配完成后，缓冲区中的特征和姿势列表可用于更新图形内存

自下而上的连接

自下而上的连接是传感器模块（SM）和学习模块（LM）之间以及LM之间的基础连接。传感器模块处理原始感官输入，并将其转换为学习模块能够理解和处理的格式。具体来说，传感器模块将感知到的特征和姿态信息传递给学习模块，后者基于这些输入构建对象模型并进行识别。

学习模块之间的自下而上连接则涉及将一个学习模块的输出（当前最可能的对象ID和姿态）作为输入传递给另一个学习模块。在这种连接中，发送LM的输出对象ID变为接收LM模型中的一个特征。例如，低层LM可能会建模一个车轮，识别到车轮后，输出该对象及其相对于身体的位置和方向。高层LM不会从低层LM获取车轮的详细结构信息，而是接收该对象ID（作为特征）及其姿态，然后将其纳入自己的高级模型中，如车辆模型。

这种自下而上的连接方式使得系统能够逐层分解复杂对象并建立详细的组件模型。每个LM专注于其特定对象的详细建模，然后这些对象模型可以在更高级的LM中组合成更复杂的整体模型，如卡车、公交车或手推车等。

自上而下的连接

自上而下的连接在千脑架构中起到了重要的引导和调控作用。高层LM可以将其识别到的高级对象信息传递给低层LM，施加偏置信息，帮助低层LM更快速和准确地识别组件对象。

例如，当高层LM识别到一辆汽车时，可以引导低层LM在特定位置和姿态识别汽车的组件，如车轮、车门和车灯。这种自上而下的连接不仅提高了推理速度，还改善了系统在不同层次上的预测准确性。

投票与证据

投票机制是千脑系统中一个重要的创新点，用于多个LM之间的信息整合和快速对象识别。在每一步，LM基于当前观察更新证据值，然后将其假设及其可能性发送给所有连接的LM。投票消息包含对象及其姿态的信息，这些信息是模式无关的，使得不同模式的LM也能进行投票和信息整合。

图8:LM 1向LM 2发送的投票，用于更新LM 2中的证据。两个LM接收来自杯子上两个不同姿势和两个不同SM（左）的输入。LM 1中可能的姿势及其证据被发送到LM 2。为了将它们放入LM 2的参考系中，我们需要考虑SM 1和SM 2之间的相对位移，并相应地转换姿态（右上角）。这种转换是在一个共同的参考系中进行的（例如以身体为中心）。然后，通过查看每个假设的最近邻投票（右下角）来更新LM 2的假设。投票后，我们在LM 2中有一个明确的最有可能的姿势，这与SM 1和SM 2的输入一致。

投票机制通过在连接的LM之间传递假设和证据值，使得系统能够在更短时间内达成共识，快速识别对象。例如，当多个LM从不同角度感知同一个咖啡杯时，它们会通过投票共享信息，结合各自的假设，最终确定该对象的身份和姿态。投票后的证据更新是通过计算投票中每个假设位置的最近邻平均值来实现的，确保所有LM的证据更新独立且同步进行。

图9：推理过程中使用的曲率知情曲面策略的两个示例。蓝色部分表示以一定动量随机移动，白色表示遵循最小主曲率，黑色表示遵循最大主曲率，绿色表示采取回避步骤。请特别注意在（b）中，当代理在杯子边缘移动时，它意识到它将重新访问之前的位置，因此采取了一个回避步骤（绿色）将其带到一个新的方向。进一步注意，即使主曲率对人眼来说可能很明显，由于网格表面的噪声，模型也可能无法接收到有效的PC输入。最后，端点显示了当前特征的感测方向（蓝色检测点法线，红色和橙色检测到的主曲率）。

在千脑系统中，证据值是连续的，用于衡量每个假设的可能性。在某些情况下，需要对证据值进行阈值处理，以确定可能的匹配对象和姿态。通过设定百分比阈值，系统可以更加自信地做出分类决策，并在达到终止状态后结束当前实验。总的来说，千脑系统中的异构连接使得信息能够灵活高效地在LM之间流动，从而实现复杂智能行为。这种设计不仅增强了系统的鲁棒性，还提高了对象识别和任务执行的效率。

长期策略视图

千脑计划提出了一种新型的人工智能范式，通过模拟人类大脑新皮层的工作原理，实现高度灵活和智能的系统。长期策略视图涉及如何在实际应用中实现这些智能行为，特别是如何在无模型和基于模型的策略之间进行有效的互动，以及如何在抽象空间中应用这些策略。研究团队将探讨千脑计划中长期策略视图的几个关键方面。

学习与无模型和基于模型策略的互相作用

未来的千脑系统将利用各种先进的学习技术，包括强化学习。在这个过程中，系统将学会如何在不同情境下选择最佳策略。无模型策略和基于模型的策略在其中扮演着重要角色，两者的相互作用是实现智能行为的关键。

无模型策略依赖于传感器模块的实时感官输入，类似于人类的基础动作，例如走路或保持平衡。这些策略通常是先天的或通过经验学习得来的。无模型策略的优势在于其计算开销较小，能够快速执行简单的反应动作。例如，当系统检测到潜在的危险刺激时，可以立即触发反射性逃避动作。

图10：假设检验政策。左图和右图显示了代理在两个不同时间步在外部世界中的位置（用球和极点表示的表面代理，极点指向代理面对的方向）。中心图显示了假设空间的LMs内部模型。LM使用其对两个最有可能的物体（勺子和刀）的当前位置和姿态的估计来比较它们在内部的相对方向“心理”空间。一旦叠加，图形失配技术建议测试勺头的一部分（红点，中心），因为它最大限度地将该图形与其他图形区分开来。这里使用3D空间中的欧几里德距离，但该过程也可以在特征空间中执行。在最后一个面板中，我们看到代理在瞬间移动到测试点后。

相较之下，基于模型的策略利用学习模块内部的结构化模型和当前假设，支持有目的的智能行动。这些策略基于目标状态驱动，能够进行更加精确和复杂的操作。例如，系统可以基于当前对象的姿态和位置，计算出最优的运动路径，从而实现目标。

无模型和基于模型的策略并非互斥，而是可以协同工作。无模型策略可以在短时间内提供快速反应，而基于模型的策略则用于更复杂和长时间的规划。通过这种方式，系统能够在不同情境下灵活切换策略，从而表现出色。

抽象空间中的策略

千脑系统的策略不仅适用于物理空间，也可以扩展到抽象空间。例如，在抽象概念的学习和推理中，系统同样可以应用基于模型和无模型的策略。

在抽象空间中，策略的实现可以类比于物理空间中的曲率知情策略和假设测试策略。例如，系统可以根据某一领域中的最大或最小变化维度移动，这类似于在物体表面沿着主曲率方向移动。通过这种方式，系统可以更快地探索抽象概念的关键特征，从而加快学习速度。

此外，抽象空间中的结构化表示对于识别和区分不同概念同样重要。系统可以通过对齐内部模型来确定区分不同概念的关键点，例如比较计算算法时找到最相关的参数。通过这种方式，千脑系统能够在更广泛的应用场景中展现其智能和灵活性。

分层基于模型的策略

千脑计划中描述的基于模型的策略目前主要使用单一层次的参考框架表示。然而，未来的系统将实现分层的、组合的表示，使得分层基于模型的策略成为可能。

在这种策略中，学习模块不仅能够生成目标状态，还可以将这些状态传递给其他学习模块。这种层次化的结构使系统能够将复杂任务分解为简单任务，每个学习模块根据其对世界的理解负责特定任务。例如，在最高层次上，系统可能有一个提高能量水平的目标。为了实现这一目标，系统可以生成制作咖啡的目标状态，并传递给负责厨房环境的学习模块，后者再传递给负责咖啡机的学习模块。最终，这些目标状态会被分解为简单的运动指令，直接传递给运动系统。

这种分层策略不仅模拟了大脑皮层柱之间的连接，还能够实现复杂动作的规划和执行。例如，系统可能需要规划如何用肘推电脑鼠标或用手指间夹笔，这些动作需要高度协调和精确的控制。通过分层基于模型的策略，系统能够智能地协调自身的动作，并逐步提高其复杂任务的执行能力。

结论

千脑计划作为一种全新的人工智能范式，通过模拟人类大脑新皮层的工作原理，展示了在感觉运动智能领域的巨大潜力。该项目提出的千脑理论和其基于皮层柱的学习模块，创造了一种不同于传统深度学习方法的替代性AI路径。这一创新的系统架构不仅提升了AI的学习和推理能力，还展示了其在多种复杂环境中执行任务的有效性。

千脑计划通过一系列核心原则，如传感器运动学习、模块化结构、参考框架和投票机制等，实现了快速和高效的对象识别与任务执行。特别是其异构系统中的学习模块连接方式，使得信息能够灵活流动，增强了系统的鲁棒性和灵活性。无模型和基于模型的策略相互作用，使得系统能够在不同情境下灵活切换策略，展现出色的智能行为。

通过详细设计的环境与代理，千脑系统可以在虚拟环境中进行高效学习和测试，为未来的实际应用奠定了坚实基础。Monty架构作为千脑系统的核心，通过多种组件的协同工作，实现了传感器运动智能系统的目标。

展望未来，千脑计划有望在多个方面取得重大进展和应用突破。

随着技术的不断进步，千脑系统的学习模块和策略将进一步优化，实现更加高效和智能的操作。特别是在复杂任务和环境中的应用，如无人驾驶、智能家居和机器人等领域，千脑系统将展示其独特的优势和竞争力。

千脑系统的分层基于模型的策略将进一步完善和扩展，实现从物理空间到抽象空间的智能行为。这将为AI在更多应用场景中的推广和应用提供新的可能性，如医疗诊断、金融分析和教育等领域。

千脑计划还将继续探索和开发新的传感器和代理，提升系统在不同环境中的适应能力和学习效率。通过多样化的传感器输入和智能代理，千脑系统将能够更好地模拟和理解人类感官和运动系统的复杂性。

最后，千脑计划的成功实施将推动AI研究和应用的进一步发展，带动相关技术的创新和产业的进步。通过不断的研究和实践，千脑系统将为实现更加智能和高效的人工智能铺平道路，开启AI发展的新篇章。（END）

参考资料：

https://arxiv.org/abs/2412.18354

波动世界（PoppleWorld)是噬元兽数字容器的一款AI应用，基于意识科学和情绪价值的理论基础，通过AI技术驱动帮助用户进行情绪管理的工具和传递情绪价值的社交产品，波动世界将人的意识和情绪作为研究和应用的对象，探索人的意识机制和特征，培养人的意识技能和习惯，满足人的意识体验和意义，提高人的自我意识、自我管理、自我调节、自我表达和自我实现的能力，让人获得真正的自由快乐和内在的力量。波动世界将建立一个指导我们的情绪和反应的价值体系。这是一款针对普通人的基于人类认知和行为模式的情感管理Dapp应用程序。