大脑如何为世界建模？从无监督学习到预测加工
大脑如何为世界建模？从无监督学习到预测加工
大脑如何为世界建模？这是一个涉及认知科学、神经科学和人工智能等多个领域的核心问题。在《预测算法：具身智能如何应对不确定性》一书中，哲学家与认知科学家安迪・克拉克（Andy Clark）将自由能原理与具身认知理论相结合，为我们揭示了一个全新的大脑工作模型。本文节选自该书第一章，深入探讨了大脑如何通过预测加工机制实现对世界的理解。
1. 自下而上，与自上而下的信息加工
当我们在办公室看到桌上的热咖啡时，大脑是如何处理这一视觉信息的？传统的认知科学观点认为，这是一个自下而上的特征检测过程：视觉信号从低级特征（如线条、边缘）逐步积累，最终形成对物体的识别。然而，预测加工理论提出了另一种解释：大脑会基于先前的经验和预期，自上而下地生成预测，并与实际的视觉输入进行对比。这种双向交互过程使得大脑能够在多个时空尺度上不断调整预测，直到与实际输入相匹配，从而产生稳定的知觉体验。
2. 采用动物的视角
要理解大脑如何学习和预测，我们需要从"动物的视角"出发，即只考虑大脑能够直接接收到的感觉输入，而不是依赖外部观察者的解释。这种观点强调，大脑的学习过程本质上是一个基于感觉输入的自组织过程。例如，青蛙的大脑通过分析视网膜上的刺激模式来识别潜在的猎物，而不是依赖于外部观察者对"苍蝇"这一概念的理解。这种基于感觉输入的学习方式为理解大脑如何构建世界模型提供了新的视角。
3. 自举式学习
传统的联结主义系统通常依赖于监督式学习，需要大量的标记数据来训练模型。然而，预测驱动的学习提供了一种更自然、更生态的学习方式。在这种框架下，环境本身可以作为"老师"，通过持续提供感觉输入来驱动学习过程。大脑通过不断尝试预测下一个感觉状态，并与实际输入进行对比，从而逐步优化其内部模型。这种自监督学习方式不仅解决了训练数据的问题，还能够自然地处理多层网络架构中的学习难题。
4. 多层架构的学习
多层架构的预测驱动学习是理解大脑如何处理复杂信息的关键。通过使用多层神经网络，大脑能够构建层次化的表征，从低级的感觉特征到高级的语义概念。这种层次化结构使得大脑能够处理不同时空尺度上的信息，并通过迭代优化过程逐步完善其内部模型。例如，"睡眠-觉醒法"等算法展示了如何通过识别和生成任务的交替训练，实现对复杂模式的学习。
5. 预测加工
预测加工理论将多层预测编码机制与概率生成模型相结合，提出了一种全新的知觉和学习框架。在这个框架下，大脑通过自上而下的预测来解释感觉输入，只将未被预测的部分（即预测误差）传递到更高层级进行进一步处理。这种机制不仅能够实现高效的数据压缩，还能够灵活地整合自下而上和自上而下的信息，从而实现对复杂环境的适应性反应。预测加工理论为理解大脑如何在不确定的环境中做出决策提供了新的视角。
本文原文来自澎湃新闻