认知科学家道格拉斯?霍夫施塔特[1]说道：“记忆，是高度重建的。在记忆中进行搜取，需要从数目庞大的事件中挑选出什么是重要的，什么是不重要的，强调重要的东西，忽略不重要的东西。”这种选择的过程实际上就是感知。“我非常非常相信，”霍夫施塔特告诉我，“认知的核心过程与感知的关系非常非常紧密。”

在过去二十年里，一些认知科学家已经勾画出了创造分布式记忆的方法。1970 年代，心理学家戴维?马尔[2]提出一种人类小脑的新模型，在这个模型中，记忆是随机地存储在整个神经元网络中的。1974 年，计算机科学家彭蒂?卡内尔瓦[3]提出了类似的数学网络模型。借助这个模型，长字符串的数据能随机地储存在计算机内存中。卡内尔瓦的算法是一种将有限数量的数据点储存进非常巨大的潜在的内存空间的绝妙方法。换句话说，卡内尔瓦指出了一种能够将思维所拥有的任何感知存入有限记忆机制的方法。由于宇宙中可能存在的思想要比原子或粒子更多，人类思维所能接触到的只是其中非常稀疏的一部分，因此，卡内尔瓦称他的算法为“稀疏分布记忆”[4]算法。

在一个稀疏分布式网络中，记忆是感知的一种。回忆行为和感知行为都是在一个非常巨大的模式可选集中探查所需要的一种模式。我们在回忆的时候，实际上是重现了原来的感知行为，也就是说，我们按照原来感知这种模式的过程，重新定位了该模式。

卡内尔瓦的算法是如此简洁清晰，以致于某个计算机高手用一个下午就能大致地实现它。1980年代中期，在美国宇航局艾姆斯研究中心，卡内尔瓦和同事们在一台计算机上设计出非常稳定的实用版本，对他的稀疏分布记忆结构进行了细调。卡内尔瓦的记忆算法能做一些可媲美于人类思维的不可思议的事情。研究者事先向稀疏内存中放入几个画在 20x20 格子里的低画质数字图像（1至9）。内存保存了这些图像。然后，他们拿一个比第一批样本画质更低的数字图像给内存，看它是否能“回忆”起这个数字是什么。结果它做到了！它意识到了隐藏在所有低画质图像背后的原型。从本质上来说，它记起的是以前从未见过的形象！

这个突破不仅仅使找到或重现过去成为可能，更重要的是，当只给定最模糊的线索时，它也能够从无数的可能性中发掘出一些东西。对一个记忆体来说，仅仅能调出祖母的容貌是不够的，在不同的光线下以及从不同的角度去看祖母的样子时，它都应该能辨认出来。

蜂群思维是能同时进行感知和记忆的分布式内存。人类的思维多半也是分布式的，至少在人工思维中分布式思维肯定是占优势的。计算机科学家越是用蜂群思维的方式来思考分布式问题，就越发现其合理性。他们指出，大多数个人电脑在开机状态的绝大部分时间里并没有真正投入使用。当你在计算机上写信时，敲击键盘产生的短脉冲会打断计算机的休息，但当你构思下一句话的时候，它又会返回到无所事事的状态。总体而言，办公室里打开的计算机在一天的大部分时间里都处于闲置状态。大公司的信息系统管理人员眼见价值几百万美元的个人电脑设备晚上在工作人员的办公桌上闲着，很想知道是否能够充分利用这些设备的全部计算能力。他们所需要的正是一个在完全分布式的系统中协调工作和存储的办法。

不过，仅仅解决闲置问题并不是分布式计算的主要意义。分布式系统和蜂群思维有其独特的优势，比如，对突然出现的故障具有极强的免疫力。在加利福尼亚州帕罗奥多市[5]的数字设备公司[6]的实验室里，一名工程师向我演示了分布式计算的优势：他打开装有公司内部计算机网络的机柜门，动作夸张地从里面拔掉了一条电缆。网络路由毫不迟疑地绕过了缺口。