all_lessons/计算心智/00第 1 课 / 共 13 课

A · 把「建构」写成数学

导览：把心智写成计算

入门《心理学》给了你一句漂亮的直觉——「大脑建构一个够用的现实模型」。漂亮，但它不可能错，因为它还不够精确。这门课要做的，是把这句直觉逼到能写成方程、能在机器上跑、因而可能被证伪的地步。

如何读这门课
这是站内《心理学》入门课的进阶续作。入门课讲「是什么」的直觉（感知是建构、学习靠预测误差、自我是脑编的故事）；这门课讲「怎么算」——把同一批现象写成计算，并在每一课把「大脑的把戏」与「对应的机器学习算法」摆在一起。它默认你读过入门课、且对概率与机器学习不陌生（知道模型、梯度、神经网络、强化学习大概是什么）。仍是一条链：从 00 顺着读到 12，每一课都被上一课没答完的问题逼出来。
一个有用的脚手架 · 马尔的三层次
大卫·马尔 (David Marr) 提出，理解任何一个加工系统都要分三层问：计算层（要解决什么问题、为什么）、算法层（用什么表征和步骤解）、实现层（在什么硬件上跑）。本课的引擎活在计算层（大脑在解一个推断问题），算法层是它的近似步骤（预测编码、TD 学习……），实现层是神经元（入门课第 02 课已打开过）。把这三层分清楚，就能既谈数学、又不假装神经元里真的写着贝叶斯公式。
本课路线
(1) 说清「直觉」和「可计算的主张」差在哪——为什么要把心智写成计算；(2) 立起全程引擎：大脑＝近似贝叶斯推断机，以及它的三句话（感知＝推断、学习＝更新模型、行动＝让预测成真）；(3) 点明本课的特色主线——脑机制 ↔ 机器学习算法常常是同一道数学题；(4) 看这条线索如何串起 13 课，埋下三条暗线；(5) 玩一个「两种语言」部件，把同一个现象在「心理学说法」和「计算说法」之间来回翻。

从「不可能错」到「可能被证伪」

入门课反复说：你看到的世界是大脑「猜」出来的最佳解释。作为直觉，这很启发人。可作为科学主张，它太软了——「猜」是什么意思？「最佳」按什么标准？猜错了又怎么改？只要不把这些说死，这句话就怎么都对，于是它什么也没预测。

把它写成计算，逼出的恰恰是这些追问的答案：「猜」＝在一个概率模型下做推断；「最佳」＝后验概率最大（或期望误差最小）；「改」＝按预测误差更新参数。一旦写到这一步，主张就长出了牙齿：它给出具体数字（该看到多强的错觉、神经元该在何时放电多少），于是能被实验否证。这就是为什么要把心智写成计算——不是为了显得硬核，而是为了让它可能是错的，从而值得检验。

这里在逼问什么
如果「大脑建构现实」要成为能算、能否证的主张，我们就必须回答：大脑在解的，到底是哪一个数学问题？它的「猜测」遵循什么规则？这门课给出的答案只有一个核心词——推断 (inference)。接下来的 12 课，都是在把「推断」这两个字，拆成感知、学习、行动、表征、意识、乃至失灵的具体计算。

引擎：大脑是一台（近似）贝叶斯推断机

这门课从头到尾只押一个赌注：

大脑持有一个内部「生成模型」，不断用它预测感官输入，并通过最小化「预测误差」来推断世界。

「生成模型 (generative model)」是大脑对「世界如何产生我接收到的感官信号」的一套内部假设。有了它，大脑就能反过来问那个核心问题：给定我此刻收到的这堆信号，外面最可能是什么样？这正是推断。而推断的一致法则，是贝叶斯定理——下一课的主角：

后验信念 ∝ 似然 × 先验信念

这一个引擎，落到三件事上，就是整门课：

感知 = 推断给定感官证据，求最可能的世界状态（后验）。错觉＝先验压过了证据。（01–02 课）
学习 = 更新模型当预测错了（预测误差≠0），就按误差调整生成模型的参数。多巴胺正是这个误差信号。（03–06 课）
行动 = 让预测成真不只改信念去拟合世界，也可以改世界（行动）去拟合预测——这把行为也收进了同一个最小化里。（03 课起）

注意：说大脑「是」贝叶斯的，不是说神经元里写着贝叶斯公式（那是把马尔的计算层错当实现层）。意思是，在计算层上，大脑近似地在解一个推断问题；在算法层上，它用各种省力的近似（预测编码、采样、TD 更新）去逼近那个解。「近似」二字很重要——本课不卖「大脑是完美贝叶斯机」的神话。

本课的特色：脑机制 ↔ 机器学习，是同一道题

这门课和纯心理学课最不一样的地方在这里：大脑为「在不确定中推断世界」演化出的招数，和机器学习为「从数据中学习」发明的算法，反复撞成同一套数学。这不是巧合——两边解的是同一类问题。每一课都会把这层镜像点出来，并链接到本站对应的课：

推断 / 生成模型贝叶斯推断、（变分）自编码器、扩散与生成模型——大脑的「生成模型」与生成式 AI 是近亲。（01–02 课）
预测误差学习多巴胺＝奖赏预测误差，正是强化学习里的 TD 误差。（04–05 课）
表征与语言概念＝嵌入空间里的向量；LLM 预测下一个词，大脑也在预测语言。对照GPT/LLM。（06、08 课）

这条线索如何串起 13 课

方向是从「最干净的数学」一层层推到「最棘手的现实」：先把推断本身讲清（A），再用它解释学习与决策（B），然后拿大脑去和机器正面对照（C），最后落到应用与边界（D）。每一步都由上一步没答完的问题逼出来：

1怎么把「建构」写成更新信念的数学？——贝叶斯定理：后验∝似然×先验，感知＝求后验。可大脑没有显式公式、世界又是分层的，它怎么算？
2预测编码：分层生成模型自上而下预测，只把预测误差往上传，迭代逼近后验。这套「最小化预测误差」能不能也统一学习与行动？
3自由能原理 / 主动推断：最小化自由能统一感知（改信念）与行动（改世界）。（框架很美也很有争议。）可我们也为奖赏行动——预测和奖赏怎么统一？
4TD 学习与多巴胺：奖赏预测误差驱动价值学习，多巴胺就是这个误差。可人会规划、想象未来——那是另一套机制，两套怎么分工？
5无模型 vs 有模型：习惯（快但笨）与世界模型规划（慢但灵）并存、按可靠性仲裁。不管哪套，都得学到能泛化的表征——大脑怎么表征概念？
6表征：概念住在高维空间里，相似＝距离近；网格细胞是可复用的认知地图坐标。这些表征学得跟神经网络像不像？
7大脑 vs 人工网络：反向传播强但生物不可行，局部规则可近似它；类比有限度。那最像人的语言呢——LLM 和人脑是一回事吗？
8语言与 LLM：都在预测，但 LLM 缺具身、世界模型与因果。比来比去，有件事 LLM 似乎没有、人却有——意识。计算能解释它吗？
9意识的计算理论：全局工作空间、整合信息论……能解释「取用/报告」，但「为什么有体验」的难问题仍开放。就算机制没定论，这些框架已能读/写大脑——到什么程度？
10计算精神病学：把障碍写成推断参数跑偏（先验/预测误差权重失衡）。那能测量、甚至干预吗？我们能多大程度读/写大脑？
11神经解码与脑机接口：从神经信号重建所见所想。（小心「读心」炒作。）把这一切加起来，「心智是可计算的推断」被推到哪了，还剩什么？
12回望与边界：同一台推断引擎的不同层面；以及这套计算观的承诺与局限。交棒难问题给《哲学》。

三条暗线

预测误差感知（01–02）、学习（04）、障碍（10）都是在最小化同一个量——预测误差。它是这门课真正的主角。
脑机制 = 某个 ML 算法每一课都把大脑的招数对到一个机器学习概念，并链接本站对应课。两边是同一道数学题。
对宏大框架保持怀疑自由能原理、整合信息论很美却难证伪，脑↔网络类比有限度，「读心」易被炒作——课里逐一标注。清醒是科学素养的一部分。

动手：两种语言

下面这个部件把入门课里几个你熟悉的现象，并排放出它的心理学说法和计算说法。点一个现象，再切换语言——你会看到，右边那行带方程的描述，并不是把左边换个腔调说一遍，而是把「猜」「最佳」「改」全都说死了，于是它能算、能否证。

两种语言：同一台机器，两种描述
选一个现象，再在「心理学语言 / 计算语言」之间切换。注意计算语言里那条方程——它就是把模糊的直觉逼成可计算主张的那一步。
当前现象
视错觉
当前语言
心理学语言
判定
—

玩完你会抓到本课的出发点：计算语言不是更花哨的比喻，而是把同一台机器说到「能算、能错、能被检验」的程度。从下一课起，我们就用这套语言，把「感知是推断」第一句话写成真正的方程。

常见误解

一句话带走
把「大脑建构现实」从一句不可能错的直觉，升级成一个可能被证伪的计算主张：大脑是一台近似贝叶斯推断机——感知是推断、学习是按预测误差更新模型、行动是让预测成真。而这套计算，常常正是机器学习在做的事。整门课，就是用这套语言把心智重讲一遍，并诚实地标出它的边界。
下一步
引擎立好了，但还欠一个最基本的零件：「按证据更新信念」到底是什么数学？凭什么说贝叶斯定理是唯一一致的更新方式？感知又怎么就成了「求后验」？→ 第 01 课《贝叶斯大脑：感知是推断》会把 后验 ∝ 似然 × 先验 摆上台面，并让你亲手看到：先验一强，证据再清楚，你也会「看错」。