D · 应用与边界

计算精神病学：当推断的参数跑偏

上一课把意识交还给了未决的「难问题」，但留下一句务实的承诺：就算「为什么会有体验」没定论，前九课搭起来的那台推断引擎，已经能落到实处。这一课就兑现它——用同一台机器，去理解人类最难谈、也最容易被污名化的现象：精神障碍。如果心智是推断，那么障碍，会不会就是这台推断机的某几个参数跑偏了？

从「化学失衡」到「参数失衡」

关于精神障碍，流传最广的一句话是「大脑的化学失衡」——比如「抑郁是血清素太少」。这句话不是全错（神经递质当然参与其中），但它太粗了，跟第 00 课批评过的「大脑建构现实」一样：软到几乎不可能错，于是也几乎什么都没解释。它说不清为什么这一个人会有这一种症状，也很难直接预测、检验。

计算精神病学 (computational psychiatry) 想做的，正是把它逼硬一点。它的核心赌注是：既然正常的心智可以写成一台贝叶斯推断机（第 01–03 课），那么障碍就不该被笼统地归给「化学」，而应能被定位到这台推断机的某个具体参数上——某个先验太强了、某个学习率太高了、某个预测误差的权重失了准。换句话说，它把模糊的「失衡」翻译成可以被测量、被建模、被对照检验的失衡。这正是本课引擎的又一次应用：同一台机器，参数对了是健康，参数偏了就是障碍。

幻觉与妄想：精度 (precision) 失衡的两端

回忆第 01–02 课：感知是推断，后验 ∝ 似然 × 先验。但「相乘」时，两边并非等权——大脑要给先验和感官证据各自分配一个权重，这个权重就是它对该信息有多确定的估计，技术上叫精度 (precision)（精度＝不确定性的倒数，越确定、精度越高、说话越管用）。健康的推断，靠的是大脑恰当地分配精度：证据清楚时就多听证据，证据含糊时就多靠先验。计算精神病学的一个核心假说是：精神病性症状，源于这套精度分配失了准。

幻觉 (hallucination)——没有相应外界刺激，却「看见/听见」了东西——可以写成感官证据的精度过低、而先验的精度过强。当大脑过度信任「我预期会感知到什么」、又过度低估「此刻感官实际传来什么」时，后验就会在没有输入的情况下，也被强先验单方面点亮：

这恰好接上了第 01 课那个「先验压过证据＝错觉」的判定——幻觉，可以看成它被推到极端的版本：不是把模糊的输入看歪，而是在几乎没有输入时凭空补全。Powers、Corlett 等人的实验里，越是强烈持有某种听觉先验的人，越容易在纯噪声里「听到」并不存在的声音——这为「强先验→幻觉」提供了一个可操作的证据。

妄想 (delusion)——难以被反证撼动的、与现实严重不符的坚固信念——则常被写成预测误差的精度异常。Corlett、Fletcher 等人的一种刻画是：异常的、被赋予过高精度的预测误差，会反复「逼」着系统去更新信念，把本不该解释的噪声也当成需要解释的重大意外；为了消化这股持续的「意外感」，大脑编织出一个能解释它的信念——一旦编成，这个信念又因为先验被锁死而极难再被新证据更新。于是症状有两面：形成时过度更新，形成后过度顽固。注意：幻觉与妄想常常同时出现、彼此纠缠，这里把它们分到精度天平的「两端」，是为了讲清机制的简化，不是说真实的人会干净地落在某一端。

抑郁与焦虑：学习率、先验与价值估计的偏差

把同一套思路换几个参数，就能描述另一类状态。抑郁 (depression) 在计算上常被建模为悲观的先验加上价值估计的偏差：对未来负面结果赋予过高的预期，对正面结果反应迟钝（在 RL 的语言里，就像奖赏几乎不再产生正的预测误差——回扣第 04 课）。这会形成一个自我维持的循环：悲观先验让人预期失败，于是减少尝试，于是收集不到能反驳悲观先验的证据，于是先验越锁越死——这与第 06 课心理学讲过的「习得性无助」是同一回事，只是写成了参数。

焦虑 (anxiety) 则常被刻画为对威胁的过高精度与对不确定性的过度厌恶：把含糊的信号一律按「高威胁」来推断，并对「无法预测」本身赋予过大的代价。这两者都不是「想开点」就能调的旋钮——它们是推断系统里被设错了的参数，这也正是为什么意志努力往往不够、而针对性的干预（下一课会谈「读/写」的可能）才有意义。

ML 镜像：用计算模型「测量」看不见的参数

把障碍写成参数，最实在的好处是：参数原则上可以被测量。做法和机器学习里再熟悉不过——用模型拟合数据：让一个人完成一系列决策任务（比如反复在两个选项间选择、根据反馈调整），记录他的行为；然后写下一个带自由参数的推断/RL 模型（学习率、先验精度、风险偏好……），通过最大化模型对这串行为的拟合度，反推出那个人的参数取值。这与你在站内 强化学习 课里见过的「拟合一个 agent」是同一套数学，只不过这里要拟合的 agent，是一个真实的人。

这给了「化学失衡」永远给不出的东西：一个可量化、可对照、可纵向追踪的指标。原则上，你能比较两个人的学习率，能看一个人的先验精度在干预前后是否变化。这正是这个领域真正令人兴奋之处——也是它的全部风险所在：模型永远是简化，拟合出的参数是不是真对应大脑里某个机制，绝大多数情况下仍是开放问题。一个拟合得好的模型，是一个好假说，不是一份诊断书。

动手：参数旋钮

下面这台简化的推断机只有两个旋钮：先验权重（大脑多信任「我预期会感知到什么」）和感官证据精度（大脑多信任「此刻实际传来什么」）。它的「感知」＝按精度加权的后验：当证据强时贴近真实输入，当先验强时偏向预期。拖动两个旋钮，看同一台机器如何滑过典型推断、幻觉端、妄想端。注意：你没有换机器，只是在拧参数。

玩一会儿你会摸到要点：这台机器没有「健康版」和「故障版」之分，只有同一台机器的不同参数设置。把先验权重推到底、证据精度压到底，你会看到绿色后验在几乎没有输入时也被蓝色先验单方面点亮——那就是「幻觉端」的简化图景。打开「预测误差精度异常」，系统会把本该忽略的噪声当成需要解释的大事反复更新——那是「妄想端」的方向。这就是计算精神病学的整个洞见，被压进了两个滑块。

常见误解

• 误解：这一课在教我怎么判断自己或别人「是不是有病」。 （澄清：完全不是。本课讲的是如何为障碍建模，不提供任何诊断标准、量表或阈值。一个简化模型滑向「幻觉端」，描述的是机制方向，绝不等于任何真实的人「应该」被贴上标签。诊断是受过训练的临床专业人士在丰富情境里做的事，不是拖一个滑块能做的事。）
• 误解：「幻觉＝强先验」已经被证明、是定论了。 （澄清：这是一个有实验支持、但仍在发展中的研究框架假说（Adams、Corlett、Friston 等）。它解释力强、做出了可检验的预测，但远未成为临床定论。把研究纲领当成已结案的事实，是本领域最该警惕的误读——这与第 03、09 课对自由能原理/整合信息论的态度一致：优美不等于已被证实。）
• 误解：既然障碍是「参数跑偏」、不是「化学失衡」，那药物就没用了。 （澄清：两者不矛盾，而是马尔不同层次（第 00 课）的描述。神经递质是实现层，精度/学习率是算法/计算层——同一件事的不同抽象。计算视角不否定药理，反而希望帮人理解「调哪个递质，对应在调哪个计算参数」。本课不对任何治疗手段下结论。）
• 误解：把痛苦说成「参数」，是在把人当机器、是冷漠。 （澄清：恰恰相反，目的是去污名。说「跑偏的是参数，不是人格」，是把障碍从「这个人有道德缺陷/意志薄弱」的指责里解放出来，放回与「健康」同一个连续谱上——这和你近视需要配镜、而非「眼睛品德不好」是同构的。）