在2005年出版的开创性著作 《On Intelligence》中，杰夫·霍金斯提出了关于人脑运作方式的另类范式。在他看来，大脑并不是一台 图灵机 ，它依据规则表操纵符号，而计算机和人工智能正是以此模型为基础。相反，大脑是一个巨大的层级式记忆系统，不断记录其所感知的内容，并预测接下来会发生什么。
大脑通过在近期感官输入的模式与其庞大记忆中储存的既往经验之间寻找相似性来做出预测。在嘈杂的声海中，它能将当前零散的声音与一首熟悉的歌曲相匹配，或将乔装改扮者的面孔与你孩子的面孔相匹配。这一理念类似于例如谷歌搜索框中的自动补全功能——基于你已输入的内容，不断猜测你接下来将输入什么。
要理解这一机制中的层级结构，可以这样思考：只需感知几个字母，你就能预测出单词；通过阅读几个词语，你就能预测句子的含义，甚至段落的意思。事实上，此刻你或许正在猜测我将如何展开这整篇评论。层级结构使你能够理解含义，无论输入是通过阅读还是聆听进入大脑的。因此，大脑是一台归纳机器，它通过在许多不同层面上寻找当下与过去之间的相似性来预测未来。
霍金斯关于大脑运作方式的另类模型，对许多领域都具有重要意义，包括我花费大部分时间思考的领域：经济发展战略。
从定义上看，发展并非只是更多的同类事物，正如成年人不仅仅是长大的婴儿。这一过程涉及增添并整合新的和既有的能力，以支持更加多样和复杂的活动。
但要找到能够成功开展的新事物并不容易，因为这需要事先知道自己将需要什么，以及能否获得相关资源。这正是为什么 杰弗里·萨克斯的 千年村项目 陷入困境，正如记者尼娜·芒克的 近作 所示。芒克认为，要促使农民从自给农业转向商业化农业，存在太多缺失的环节。
传统的经济发展思路遵循一种类似图灵的方法：试图基于第一原理构建一个关于世界的通用模型，然后运用该模型来思考一国的困境或某项政策的潜在影响。但世界往往过于复杂和微妙，难以用这种方法应对。
如果在审视某一特定地方时，我们能够将全世界过往的所有经验纳入考量，并自动识别最相关的经验，以推断接下来该做什么，那岂不是一个巨大的改进？若能像霍金斯所说的大脑看待世界那样看待发展可能性，岂不是很有益？
另一种类似霍金斯的经济发展方法，将获取关于世界的海量数据，并追问在某一时点，考虑到一国或一座城市当前已有的条件，以及当地和其他各地的经验，接下来什么最有可能取得成功。这就像亚马逊的推荐系统，根据你和其他所有人的体验，推荐你可能喜欢的书籍。
在一篇 近期论文中，我与同事们证明，这种经济发展方法确实行之有效。在特定城市或国家，只需了解当地及其他各地的发展历史，你甚至可以提前十年预测哪些产业会出现、消失、增长或衰退。
各国倾向于转向与其现有产业相关，或存在于与其相似地区的产业。我们在近期发布的 《Atlas of Economic Complexity》中，为各国提供了便于使用的该方法。
以历史经验指导未来行动的理念与文明一样古老。循着这一直觉，世界银行前首席经济学家林毅夫 曾提出 ：当各国选择下一步行动时，应当参照二十年前与自身相似、并已取得成功的国家。
但我们应当能够做得比这更好：通过更详细地审视更多经验，利用一个规模大得多的记忆系统，从更广泛的相关人类经验中发现更多模式。试想，如果萨克斯的千年村项目曾掌握所有此前成功脱离自给农业的转型路径序列，而不是仅仅依赖猜测或推演，那将会如何？如今，理解通往工业发展的路径以及死胡同，岂不是对特定国家当下最为相关的事情？
这种另类方法能够帮助更多人寻找通往繁荣的成功路径，它降低了探索过程中的风险与危险，正如地图使人们能够获取远超其原本所知的信息，从而抵达想去的地方。正如增强现实技术让我们的世界体验更加丰富（试想今天的体育比赛若没有即时回放），将世界各地的发展经验置于那些致力于推动发展的人们触手可及之处，如今已完全可行。我们应当抓住这一机遇。
作者：里卡多·豪斯曼（Ricardo Hausmann），委内瑞拉前规划部长，美洲开发银行前首席经济学家，现任哈佛大学经济学教授，并担任该校国际发展中心主任。 与Project Syndicate合作发表
图片：此前的小鼠胚胎细胞。研究人员已将普通小鼠皮肤细胞直接转化为神经元。REUTERS/Nature/Handout
