传统神经科学已陷入僵局，理解停滞不前。主要依靠技术进步来进一步了解大脑神经学，现在严重缺乏理论支持。单纯的数据在没有理论的情况下难以提供洞察，而传统框架下的神经科学却在理论生成方面举步维艰。来自计算模型和数学模型的自上而下的解释可以帮助我们产生一些直觉。预测处理做到了这一点，甚至更多。它将整个大脑统一在一个功能下——预测。
传统神经科学的哲学问题
大脑科学中一个主要的哲学问题是如何将本质上还原论的神经科学与对大脑和行为更高层次的解释（如心理学和认知）整合在一起。即使这些只是民间心理学概念，我们也不可能将其消除。脑成像将活动位置映射到功能已经被证明在弥合差距方面几乎没有帮助，并且在产生理论方面表现不佳。
即使我们可以将大脑完全分割成模块并分别解释其功能，仍然缺乏统一的解释。这些功能如何整合在一起并共同运作？这种整合问题存在于所有级别。一个级别的描述如何让我们解释更大的复杂系统？
计算神经科学
出于这个原因，神经科学越来越多地转向计算神经科学，它利用计算模拟来理解神经科学原理。这使您可以用数学方法描述和解释它，并且通过模拟，您可以进行测试并与其他可以使用这些模型和算法的领域进行潜在的整合。
这导致了试图模拟神经系统某些部分的框架和模型，例如联结主义、神经网络或具有非线性动力学的动力学。这些框架仍然难以进行垂直解释。即使它们可能是大脑的良好模型，它们机制也不直观地适用于共同进化。
预测处理是一个试图解释系统从低级到高级在做什么的数学模型——这可能解释了为什么它是神经科学的新宠。
自上而下和自下而上：推理的历史
为了理解预测处理，有必要考察感知，这是它最初被开发出来的领域。
神经科学中感知的核心问题之一促成了这一发展：感知是自上而下还是自下而上，大脑是否首先生成世界的一部分，还是感知主要由数据驱动。
自上而下处理的重要性在伊本·海赛姆时期就被考虑过，但最具代表性的是被康德提出，“理解不能直观地理解任何东西，感官不能思考任何东西。只有通过它们的结合，知识才能产生”（《纯粹理性批判》，1781年；1787年，A50-51/B74-76）。
现代推理主义观点的主要影响是亥姆霍兹，他借鉴了康德的思想并将其运用到对大脑的测试中。他构建了一个由假设驱动的大脑驱动的感知框架，利用来自先前学习的无意识感知推理来感知。
卡尔·弗里斯顿将亥姆霍兹的思想与贝叶斯的统计方法相匹配。由于亥姆霍兹的推理本身就具有贝叶斯特征，在推理中权衡各种可能性并考虑强弱证据，所以贝叶斯方法非常适合它。预测处理是感知的贝叶斯推理模型；大脑在感官输入之前推断或预测世界状态，使其成为自上而下的生成模型。
传统方法
相比之下，传统的神经科学理论——特征检测理论——是自下而上的，认为感知是通过对输入的简单特征进行检测并组合起来构建更复杂的表征来构建的。
这个经典理论的问题在于，人们对这种特征整合是如何发生的知之甚少；它也难以解释感知的上下文和其他调节。
对于自下而上的另一个感知问题是逆问题——由于大脑无法直接访问外部世界，数据无法指定刺激的原因，但知道原因会改变我们的感知。感知需要基于上下文线索的先验知识才能被理解。
自上而下模型的优势在于它天生就包含在其中。这使得特征绑定和逆问题不再成问题。
更仔细地观察视觉
通过我们被愚弄的能力，可以清楚地表明感知受到自上而下过程的调节。看起来像是站在悬崖上的人，可能是远处站在悬崖上的灯塔。感知随着额外知识的变化而改变，表明了灯塔或第二个悬崖，人们可以识别出距离或刺激。如果我们只把世界看成它本来面目，这种转变——就像视觉错觉——就不会发生。
这种现象可以通过预测编码来捕捉，预测编码是由 Rao 和 Ballard（1999）首先为神经科学开发的计算模型。它受到视觉压缩模型的影响，该模型指出，如果您知道一个像素的属性，您可以准确地预测周围像素的属性。
预测编码采用世界的生成模型和假设——对传入刺激的预测。它利用预测刺激和实际刺激之间的差异来产生预测误差，该误差被用来更新模型。
根据附近悬崖的背景和当时感知到的物体距离，推断出它是人，因为他们知道人在远处具有模糊的形状。随着物体后面第二个悬崖的额外背景，假设转变为它是灯塔；即使图像相同，基于深度和位置的新信息，推断它是灯塔更有道理。
更简单地说，该模型根据不断更新的证据比较不同的假设及其成为刺激隐藏原因的可能性。预测使我们能够减少感知的带宽，在上下文中更快地处理，甚至对我们没有足够时间正常处理的事物做出反应。
最小化预测误差
概括地说，这个模型可以最小化预测误差。这可以在短期内进行，但更重要的是在长期内进行。该模型试图根据自身要求从其有限的信息中逼近现实世界。
为了进一步实现这个目标，还需要精度。它评估传入输入的噪声程度，权衡其证据应该更新生成模型的程度，并确定相应的预测误差的精度。它评估自己的可靠性，这可以在长期内扩展，使其成为预测的因素。
就像根据不可靠的数据更新模型是不明智的，遵循不可靠的预测也是不明智的。因此，该模型检查预测精度和预测误差。精度越高，假设越稳定，证据的影响就越大。
这个概念的一个证明是，我们已经被证明可以根据葡萄酒的颜色来预测它的味道——带有白色葡萄酒颜色的红色葡萄酒可以被人感知为尝起来像白色葡萄酒（Morrot、Brochet 和 Dubourdieu，2001）。这是由于经验；白色葡萄酒尝起来像白色葡萄酒的假设具有非常高的精度，因此对于来自数据的变化而言，它是固执的。
虽然这可能也来自两种口味之间的接近程度，但其他例子是那些没有妄想症的患者的视觉幻觉；我们倾向于不根据这些幻觉来更新我们的世界模型，无论它们看起来多么真实，以及多么一致，就像在查尔斯·博内综合征中一样。
主动推理
最小化预测误差，包括其内感受和外感受的感知，旨在维持预期状态，即其稳态。对于自我修正的生物体来说，为了维持它，它需要行动。
推理框架可以几乎直接扩展到行动。在主动推理中，行动也最小化预测误差。
低血糖会导致内感受预测误差，自上而下的预期更新会导致饥饿。饥饿会导致预测误差，通过自主反馈来解决，代谢脂肪，并引导稳态行动来修复它。
行动也是对世界进行采样的方式，这是最小化预测误差所必需的。数据越精确，越好。我们获得的大多数信息也是通过干预环境而获得的。听到声音时，我们通常会试图通过扫描环境来找出是什么发出的声音，试图找到可能的罪魁祸首。某些证据的采样需要行动才能获得，例如，感受事物的纹理，评估深度，或寻找原因。
在主动推理中，为了实际启动行动，需要预测某个状态。最小化其预测误差和不确定性的最简单方法是启动行动。可以通过尝试在长期误差最小化方面朝着最优性移动来进行计划。
两种理解方式
现在，我们可以在这里停下来，实施这个完善的行动和感知框架，并将其与大脑中的其他框架相结合来解释不同的功能——一种多元化观点，就像安迪·克拉克提出的那样。
卡尔·弗里斯顿是这个框架的主要开发者，他将预测误差最小化（或他称之为自由能）扩展到任何系统的基本过程——从粒子到我们。专注于我们，它说，作为一种生物系统，我们试图通过最小化它们和实际状态之间的预测误差来维持我们喜欢的状态。这确实将大脑统一起来，但也将我们作为完整的生物系统扩展开来。
无论采取哪种方式，人们都会采用这种理解框架，即大脑目前非常灵活，即使仍然是统一的。它结合了现有的神经科学框架，例如具身和能动性，以及注意力方面的特定模型，并为意识等领域构建了新的框架。它可以消除认知神经科学中的大多数辩证问题，例如大脑与心智，大脑与身体，以及表征主义与涌现主义。
实践中的脑科学家已经广泛应用了这种预测处理框架，结果在很大程度上支持了大脑作为预测机器在感知和行动方面的观念。它也被用来试图解释精神分裂症和自闭症等疾病。
这并不是说它没有问题。预测处理在其当前参数下已被证明在计算上是难以处理的，这意味着大脑在物理上不可能执行这种处理。
预测处理也仅仅是我们作为预测机器或推理引擎的最著名的模型。贝叶斯大脑假设是基于贝叶斯概率理论的大脑处理的更大想法。
这个框架对心智哲学有着深远的影响，接受其前提会影响我们如何看待意识、自由意志、认识论和现实。但需要提及的是，它只是一个模型大脑的框架。它并不意味着大脑就是这么运作的。
参考文献：
Kant, I., Caygill, H., & Banham, G. (2007). Critique of pure reason (N. K. Smith, Trans.; Reissued edition). Palgrave Macmillan.
Clark, A. (2016). Surfing uncertainty: Prediction, action, and the embodied mind. Oxford University Press.
Hohwy, J. (2020). New directions in predictive processing. Mind & Language, 35. https://doi.org/10.1111/mila.12281
Morrot, G., Brochet, F., & Dubourdieu, D. (2001). The color of odors. Brain and Language, 79(2), 309–320. https://doi.org/10.1006/brln.2001.2493
Parr, T., Pezzulo, G., & Friston, K. J. (2022). Active inference: The free energy principle in mind, brain, and behavior. The MIT Press.
Rao, R. P., & Ballard, D. H. (1999). Predictive coding in the visual cortex: A functional interpretation of some extra-classical receptive-field effects. Nature Neuroscience, 2(1), 79–87. https://doi.org/10.1038/4580
