回复：Jeff hawkins的Numenta的研究成果BAM

稀疏表征的使用是HTM理论的一个重要组成部分。我们相信，所有真正的智能系统必须使用稀疏表征。从HTM理论，你需要发展一种关乎稀疏表征的直觉的数学和表意的性质。

2.3 对生物的观察：来自新皮层的输入和输出
如前所述，新皮层出现在演化史上最晚的时期。大脑的其他部分存在于大脑皮层出现之前。你可以想象一个人的大脑是由一个爬行动物脑（旧的东西）和一个大脑皮层（字面上的“新层”）连接在它上面的。大脑的老旧部分仍然有感知环境和行动的能力。我们人类仍然有一个爬行动物的本质在我们里面。新皮层不是一个独立的系统，它学会如何与旧大脑区域进行交互并控制旧脑，以创造新的和改进的行为。

大脑皮层有两个基本输入。一个是来自感官的数据。一般来说，感觉数据首先在感觉器官如视网膜、耳蜗和在皮肤和关节中的感觉细胞进行处理。然后，它进入更老的大脑区域，进一步处理和控制基本行为。沿着这条路径，神经元分裂成两个轴突，并向大脑皮层发送一个分支。大脑皮层的感觉输入实际上是旧大脑得到的感觉数据的拷贝。

大脑皮层的第二个输入是大脑旧部分所执行的运动指令的拷贝。例如，行走部分由脑干和脊髓的神经元控制。这些神经元也分裂他们的轴突为两个，一个分支产生的行为到旧的大脑和另一个到新皮层。另一个例子是眼球运动，它由一个被称为上丘的旧大脑结构控制。上丘神经元的轴突将其活动的拷贝发送到新皮层，让新皮层知道什么运动即将发生。这种运动整合是大脑的一种几乎普遍的特性。大脑皮层被告知大脑的其余部分产生什么样的行为以及传感器所感知的。想象一下如果大脑皮层没有被告知身体在某种程度上移动会发生什么。如果新皮层不知道眼睛即将移动，以及如何移动的，那么视神经的感受到的变化将被视为世界移动。事实上，我们的感知是稳定的，而眼睛移动告诉我们新皮层是依赖于眼球运动的知识。当你触摸、听到或看到某物时，大脑皮层需要区分由你自己的运动引起的感觉变化，而不是由世界运动引起的变化。你的传感器的大部分变化是你自己运动的结果。这种“感觉运动”的整合是大多数发生在新皮层的学习的基础。新皮层使用行为来学习世界的结构。

无论感官数据代表什么--光、声音、触觉或行为--发送到大脑皮层的模式都在不断变化。感官数据的流动性质也许最明显的是声音，但是眼睛实际上每秒钟移动好几次，还有要去感觉某个东西，我们必须移动我们的手指到物体上和物体表面上。不管感觉形态如何，对新皮层的输入就像电影，而不是静止图像。输入模式完全改变通常每秒发生好几次。输入的改变不是新皮层必须工作或忽略的东西，相反，它们对新皮层的运作至关重要。新皮层是基于时间的记忆模式。

新皮层的主要输出来自产生行为的神经元。然而，新皮层并不直接控制肌肉，取而代之的是大脑皮层将轴突传递给真正产生行为的旧脑区域。因此，大脑皮层试图控制大脑的旧区域，进而控制肌肉。例如，考虑一种简单行为，呼吸。大部分的呼吸时间完全由脑干控制，但新皮层可以学习控制脑干，因此在需要时可以控制呼吸。

新皮层的一个区域不知道它的输入代表什么，或者它的输出可能会做什么。一个地区甚至不“知道”它是在新皮层的层次区域中。一个区域接受一个感觉数据流和一个运动命令流。从这些输入它了解输入的变化。该区域将输出一个运动命令流，但它只知道它的输出是如何改变输入的。大脑皮层的输出没有预先连接做任何事情。新皮层必须学会如何通过联想连接来控制行为。

2.3.1 分层时序记忆原则：传感编码器
每个HTM系统都需要相当的感觉器官。我们称之为“编码器”，编码器需要某种类型的数据--它可能是一个数字、时间、温度、图像或GPS位置--并把它变成一个稀疏的分布式表示，可以被HTM学习算法消化。编码器是专为特定的数据类型编码的，往往有多种方式编码器可以转换输入到SDR，以同样的方式，在哺乳动物中有许多类型的视网膜。HTM学习算法将工作于任何一种感觉数据只要是数据编码成适当的SDR。

基于HTM理论的机器智能的一个令人兴奋的方面是，我们可以创建编码器的数据类型，没有生物对应部分。例如，我们已经创建了一个编码器接收GPS坐标转换成SDRs。这个编码器允许HTM系统直接通过空间来感知运动。HTM系统可以对运动进行分类，对未来位置进行预测，并检测运动异常。使用非人类感官的能力提供了智能机器可能走向何处的线索。智能机器不仅是更好地做人类所做的，他们将被应用到的问题，那些人类无法感觉和行动的问题。

2.3.2 分层时序记忆原则：分层时序记忆系统是感受动作系统
要创建一个智能系统，HTM学习算法既需要感觉编码器也需要某种类型的行为框架。你可能会说HTM学习算法需要一个身体。但这种系统的行为不需要像任何人或机器人的行为。从根本上讲，行为是一种手段，通过移动传感器来感受世界不同部分的手段。例如，HTM系统的行为可以是遍历万维网上的链接或在服务器上探索文件。

有可能创建一个没有行为的HTM系统。如果感官数据随时间自然变化，HTM系统可以学习数据中的模式，分类模式，检测异常，并预测未来值。HTM理论的早期工作集中在这些问题上，没有行为成分。最终，要实现HTM理论的全部潜力，行为需要完全纳入。

2.3.4 分层时序记忆原则：在线学习
HTM系统不断学习，这通常被称为“在线学习”。随着每一个输入间的变化，HTM系统的内存发生更新。这没有批量学习数据集和也没有批处理测试集，这些集是大多数机器学习算法的范式。有时人们会问，“如果没有标记的训练和测试集，系统如何知道它是否正确工作，以及如何纠正它的行为？”HTM建立了一个世界的预测模型，这意味着在每一个时刻，以HTM为基础的系统会预测将发生什么。预测通过与实际发生的相比较，形成学习的基础。HTM系统会尽量减少错误的预测。

连续学习的另一个优点是，如果世界改变，系统将不断适应。对于一个生物有机体，这是生存的必要条件。HTM理论是建立在智能机器需要不断学习的假设之上的。然而，可能会有应用程序，我们不希望系统不断学习，但这些都是例外，而不是范式。

2.4 总结
新皮层的生物学预示着HTM理论。在接下来的章节中，我们将讨论HTM理论的细节，并继续绘制HTM和新皮层之间的相似之处。像HTM理论，这本书将随着时间的推移演变。在第一次发布时，只有几个章节详细描述了一些HTM原理。随着这个文档的添加，我们希望在现在和将来启发他人理解和使用HTM理论。