AI时代的认知操作系统:底层架构、预测编码、贝叶斯,吸引力法则

推荐阅读前序文章：

AI时代的人类认知操作系统：你对大脑的误解有多深？

一份AI时代的人类认知操作系统：为什么你需要这篇文章

你真的理解人工智能吗？从计算范式的转变谈起

上一篇文章做到了“破”，本篇文章就做一下“立”。当然，要“立”的东西很多，我们从大脑最基本的架构（预测编码）和最基本的算法（贝叶斯）谈起。

你知道吗？你的大脑本质上并不是一台串行的处理机器。

大脑每秒钟要处理大约11兆比特的感官数据，相当于1s就要下载一部高清电影。

对于一台20瓦的机器，如果要把这些信息全部处理一遍，显然不可能。

预测

大脑走的是另一条路：先预测，后验证。

它先猜测世界“应该”是什么样子，再看自己猜错了多少。它只计算真实输入与预期输入之间的差值，而不会去处理完整的感官信息。

如果预测准确，差值接近于零，大脑也就不需要额外处理。只有真正出乎意料的输入才会产生很高的差值，从而消耗更多的神经资源。

举个有体感的例子：小时候，这个预测模型还不够准，所以看什么都新鲜，总觉得时间过得很慢。而随着年龄增长，模型越来越准，体感上时间也就变快了。

这就是“预测编码”理论的核心主张：你的大脑不是一个被动的接收器，而是一台持续的、自洽的预测机器——每时每刻都在生成它期望看到的感官输入，然后计算误差。

这意味着你所看到的东西，可能90%以上是你自己生成的，只有不到10%来自真实世界的修正信号。

生成模型

大脑里维护着一个分层的、并行的、对世界建模的模型，就叫它生成模型吧。

当你置身一个场景，这个模型能够生成预测，告诉你下一时刻应该看到、听到、感觉到什么。

这个模型是分层的：

最底层：预测边缘、颜色、纹理、音高，时间在毫秒内。

中层：识别物体，"这是一个人"、"这是一辆靠近的汽车"，时间在数秒到分钟，维持着对短暂的理解。

高层：预测情境，"我在咖啡馆"、"这个人接下来可能要和我说话"，时间在数小时到天。

最高层：负责整个人的叙事，"我的生活是安全的/有意义的/朝着某个方向走的"，时间往往在数天到数年，甚至一生。

关键在于，所有的层级是同时运行的。上述的内容可能会让你想起卷积神经网络，它确实和人脑殊途同归，但是结构相比之下要简单的多。

所以你并非“先看到边，再认出杯子，最后才意识到在咖啡馆”。而是最高层直接告诉高层“在咖啡馆应该看到杯子”，高层告诉中层“杯子应该在这个位置”，中层再指挥底层去核对杯子的边缘和颜色。预测自上而下流动，如果发现对不上号，错误的信号又自下而上汇报。整个过程完全并行。

预测误差

如果说生成模型产生的预测是自上而下的流，那么从感官向上传递的就是预测误差。

这就解释了很多奇怪的现象：

你走路时感觉不到脚底接触地面。你的大脑把每一步的触感都预测得很准，每一次着地都恰好符合预期。只有当踩到一块不平的石头时，预测误差才会出现，并可能穿透到意识层面。

你闻不到自己家的味道。你已经在这个环境里待了很久，大脑准确地预测了它。而刚到一个陌生的地方，你会立刻注意到那里的气味。

为什么长期关系会变淡。不完全是感情变了，而是因为对方的大部分行为已经被你的模型准确预测。没有预测误差，就没有注意力的调动，新鲜感自然下降。

预测误差还有一个关键性质，就是层次化。

一个高层的预测误差，可能来自长时间的全局信息整合，但不一定会触发你具体的感官知觉。它可能只是让你感到一阵莫名的不安、兴奋、恐惧或焦虑。

所以，那些“说不清道不明”的情绪，本质上就是高层级或大规模预测误差的信号。

精度加权

不是所有预测误差都值得处理，因为你不可能对每一种感官的误差都给予同等关注。

因此，大脑有一个更精密的机制：它不仅预测会发生什么，还预测这个预测本身有多可靠。

这就是精度加权。

举个具体的例子：

在深夜昏暗小巷，你的余光扫到一团模糊黑影。视觉信号很差，大脑的预测置信度极低，“那可能是人，也是个垃圾桶”。于是你瞬间警觉，权重快速飙升，注意力扑过去收集更多数据。明亮的办公室里，你的余光看到穿蓝衬衫、步伐熟悉的同事走进来。预测精度极高：“XX来开会了”。你大概率不会多看他一眼，权重几乎为零，你会继续敲键盘。

精度加权解释了注意力的本质：注意力就是大脑暂时提高某个通道的权重。

如果你在嘈杂的派对上专心地听一个人说话，你的听觉皮层是在说“这个方向的预测误差很重要，给我放大处理！至于那边是谁在笑？不重要，别汇报上来”。

精度加权主要由三种神经递质：多巴胺，乙酰胆碱，去甲肾上腺素。

人脑是贝叶斯的

如果说预测编码是架构，贝叶斯推理就是运行在架构上的算法。

贝叶斯定理是这样的：

后验信念 ∝ 先验信念 × 当前证据的吻合度

在你看到任何东西之前，大脑里已经有了一个先验，比如“人不会穿墙而过”、“星星通常不会突然动”、“我认识的人不应该凭空消失”。大脑会不断用感官输入作为证据来修正这个先验。

不要觉得这个过于理所应当，这件事AI现在也很难做到。

但“贝叶斯脑”的内涵比这更深，它被称为层次化贝叶斯推理。

举个例子：视觉皮层更新完“这个物体像一张脸”之后，物体识别的中层就把“这大概率是一张脸”作为新的先验传给底层，“现在你在我说的位置去找眼睛和鼻子”。

即使分辨猫和狗这种看似简单的任务，也并非串行处理，而是整个大脑协同工作：所有层级的预测和误差被同时修正，直到整个系统收敛到一个平衡状态。

插一句题外话，我们总容易把系统平衡简化为因为所以，我之后想写篇文章谈谈这一点。

我们从更数学的角度理解这件事：整个大脑的状态像是一个高维空间的势能函数，更准确地来说是变分自由能。贝叶斯推理就是在梯度下降，找极小值。预测误差是梯度力，精度是曲率，也就是海森矩阵的对角值。曲率越大，说明系统越确定。认知过程就是系统在整个势能面上找到一个局部极小并待在那里，直到新的感官数据改变势能面的形状，迫使系统再次移动。

行动也是贝叶斯的

到这里为止，大脑看起来像是被动的——只能接收信息、更新模型。

但更精彩的部分来了：贝叶斯推理也适用于行动。这个扩展框架叫作主动推断。

大脑所做的，不只是“给定感官数据，最可能的状态是什么”。

还有另一件事：“如果我现在做一个动作 X，我会得到什么样的感官数据？”

然后，它会选择那个可能产生最小预测误差的动作。

这就意味着：你的一生，都在不断用行动让世界符合你的预测。

我觉得，这也是“吸引力法则”可能成立的原因。它的解释很浪漫：你相信什么，就会向宇宙下订单，就会吸引什么，就会成为什么。

而真实的过程可能是这样的：你相信了一件事，它给了你一个很强的先验信念。接着，你的注意力筛选方式变了，你的感官数据变了，你感知到的世界真的发生了变化。随之而来的，是你的语气、措辞、行动逻辑、决策优先级也变了。这些变化同时修正着你对外界的预测，以及外界对你的预测。于是，你真的成为了那个样子。

举个简单的例子来检验一下可靠性：你挠自己的时候是不会感觉到痒的。

为什么？因为你的运动皮层在向肌肉发送“弯曲手指”的指令时，同时会向感觉皮层发送一份“传出副本”，意思是：“我刚才命令手做 X 动作了，所以你应该预期拇指根部会感觉到这个触感，其他部分不会。”

预测与真实触感一致，误差接近于零，因此你不会觉得痒。

而当你挠别人时，对方的大脑没有收到这份“传出副本”，无法提前消除对自己皮肤的触觉预测，所以会觉得痒。

Dark Room之问：为什么我们不躺平？

到这里你可能想到了一个问题：如果大脑唯一的目标是最小化预测误差，那么最稳妥的方案岂不是去一个没有任何感官刺激的地方躺着？在那里不会有任何预测误差，因为根本没有感官输入的变化。

这就是 Dark Room 之问，是自由能原理最经典的思想实验之一。

Dark Room 之问的答案很简单：大脑最小化的不是当前的预测误差，而是预期的自由能。

预期自由能=实用价值+认识价值

实用价值就是满足偏好，就是呆在舒适区，严格定义为：行动能多大程度实现你预先偏好的结果。

认识价值就是减少不确定性，就是走出舒适区，定义为：行动能多大程度降低你对世界模型中的不确定性，比如探索未知环境。

进入黑房间这个策略，虽然当前时刻的预测误差为零，实用价值有可能实现的很好，但只要一个人是从屋外走进黑房间的，认识价值就会崩的一塌糊涂。

即使我们假设一个人的实用价值就是因为你不知道外面在发生什么，你的模型会说“屋外的世界我完全不确定”，这种巨大的不确定性会导致预期自由能很高。

因此，大脑在设计行动策略时总会同时权衡两个分量：

实用价值：这个行动能让我的预期偏好得到满足吗？

认识价值：这个行动能最大程度地减少我模型中的不确定性吗？

这里又引出了一个问题，人的好奇心来自哪里？

好奇心并不是简单的喜新厌旧，而是对你模型中“已知的未知”的反应。或许你自己也不知道你并不知道那个空白，但你的模型知道自己有一个空白在那里。所以，记得保护你的好奇心。

这也正契合探索‑利用困境：它本质上是大脑在做的一个贝叶斯决策。

每一刻，系统需要选择是执行高实用价值的行为（利用），还是执行高认识价值的行为（探索）。

就好比高考前，你是再看几道旧题，还是多刷几道新题？