驾驭我们这个动态而又结构化的环境是日常生活中必不可少的一部分。例如，当我们阅读这句话的时候，我们会根据内心对世界的印象预先判断上下文和目的，并积极地进行抽样，以理解我们正在阅读的内容，以及下一步该往哪里看。本文提出了这种建设性的抽样是如何在大脑中进行的，使用基于深度(层次)时间模型的主动推理。主动推理是一种关于大脑功能的规范理论，它试图解释像我们这样有知觉的生物是如何在动态环境中导航的。它涉及到创建内部生成模型的世界，预测基于合理的假设(即，隐藏状态，s^我_τ)—数据的类型(即结果，或^我_τ)。

生成模型可以被指定为一系列离散状态，这些状态的信念是基于采样的观察结果来更新的，以最小化不确定性。这允许人们将信息寻求、目标导向的行为建模为“作为推理的计划”。这些模型的“深层”方面依赖于这样一个概念，即一个(较慢)级别的结果会在较低(较快)级别产生隐藏状态——就像一个句子(较慢)需要一系列(较快)单词一样。这允许模型在嵌套的时间尺度上积累证据，并隐含地对叙事(即时间场景)进行推断。通过选择适当的行动计划(即政策，π)积极征求结果^我) -基于期望的惊喜或自由能(即不确定性)。这些策略决定了预测结果的隐藏状态的轨迹(或以下级别的初始隐藏状态)。因此，模型产生的感官结果可以作为证据来证实或反驳我们的内部假设;包括我们对我们正在做的事情的信念(即，政策)。

这些分层模型的关键方面是，较高层次的隐藏状态将较低层次隐藏状态的轨迹上下文化;生成深度动态叙事。我们用阅读中隐含的认知觅食来说明这一点。(模拟)受试者的任务是通过从四个象限中抽取字母(鸟、猫、种子或什么都没有的图像)到一个单词(逃跑、喂食或等待)中，将(象形文字)句子分类为特定的叙述。这个生成模型(图1)有两个层次。更高层次的隐含因素有三个:句子、当前词和决策。当前的单词和句子指定了较低级别的隐藏状态。较低层次包括字母位置和空间转换(例如模拟对单词的顺序不变理解)。当前单词和字母位置指定结果(字母;猫，鸟，种子或什么都没有)。 At both levels, the hidden locations specify an outcome in terms of movements that can be at higher (e.g., head) and lower (e.g., eye) levels. Finally, a decision state determines feedback with three possibilities; namely, nothing, right or wrong. There are policies at each level. The high-level policy determines which word the agent is currently reading, while the lower level dictates the transitions among the quadrants containing letters.

模拟突出了深度时间推理的一些关键方面。例如，我们可能在没有看到字母的情况下对它们形成精确(自信)的信念;例如，受试者认为在第一个单词的第二象限有一只鸟，尽管他从来没有看过那里(图2)。A和2.b)。相反，即使我们对单词有信心，我们也可能对字母有不确定性(例如，空间变换在预测第二个单词时引入了一定程度的不确定性——如图2.B所示)。此外，与信念更新相关的模拟电生理反应与经验反应非常相似(Purpura等人，2003年)(图2.E)。我们可以扩展这个模型(受计算精神病学工作的启发)来模拟错配反应(如错配消极性)在多个层次上对意外的刺激特征进行模拟。因此，主动推理方案提出了一个潜在的重要步骤，以解释等级行为和它可能是如何由大脑编排。

努尔·萨吉德，卡尔·弗里斯顿，凯茜·普莱斯，霍华德·鲍曼
威康信托神经影像中心，神经病学研究所，
伦敦大学学院，英国WC1N 3BG

出版

深度时间模型和主动推理。
李建军，李建军，李建军，李建军
《神经科学·生物行为学》2017年6月