计算心智 · 进阶 · 认知科学 × 机器学习
计算心智 · The Computational Mind
站内《心理学》说「大脑建构一个够用的现实模型」——那是直觉。这门进阶课把它升级成可计算的主张：大脑是一台近似贝叶斯推断机，靠最小化预测误差来感知、学习、行动。每一课都把「大脑的把戏」和「对应的机器学习算法」摆在一起——你会发现它们常常是同一道数学题。
为什么是这门课
入门《心理学》给了你直觉：感知是建构、学习靠预测误差、自我是脑编的故事。这门课接着问一句更硬的：这些能不能写成方程、能不能在机器上跑？答案是一条贯穿全程的引擎——大脑＝持有一个内部「生成模型」、不断预测感官输入、靠最小化「预测误差」来推断世界的机器。感知是推断、学习是更新模型、行动是让预测成真。而这套计算，正是机器学习在做的事：所以本课也是连接《心理学》与本站强化学习、生成模型、GPT/LLM 等课的桥。
读之前 · 预备与态度
这是进阶课：默认你读过站内《心理学》入门课，并对基础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，不必精通）。态度上保持清醒——本课会讲一些极有野心的统一框架（自由能原理、整合信息论），它们很美，却也争议大、难证伪；脑与深度网络的类比同样有限度。凡此种种本课都会如实标注，不当定论。
A · 把「建构」写成数学
00
导览：把心智写成计算
把入门课「大脑建构够用现实」的直觉，升级成「大脑＝近似贝叶斯推断机」的可计算主张。立起全程引擎与三条暗线（预测误差 / 脑机制↔ML 算法 / 对宏大框架保持怀疑），画出 13 课地图。
01
贝叶斯大脑：感知是推断
贝叶斯定理是不确定下一致更新信念的唯一方式：后验 ∝ 似然 × 先验。感知＝给定感官证据求最可能的世界；错觉＝先验太强压过证据。ML 镜像：贝叶斯推断与概率建模。
02
生成模型与预测编码
大脑持一个分层生成模型，自上而下发预测、只把预测误差（意外）往上传（Rao & Ballard）。感知＝用预测误差迭代逼近后验。ML 镜像：生成模型、（变分）自编码器、「只传误差」为何高效。
03
自由能原理与主动推断
最小化变分自由能统一感知（改信念拟合世界）与行动（改世界拟合预测）＝主动推断。框架极宏大，但可证伪性争议大——本课如实标注。ML 镜像：ELBO↔自由能。
B · 学习与决策的计算
04
强化学习与多巴胺
时序差分（TD）学习用 TD 误差更新价值函数；多巴胺相位放电≈奖赏预测误差（Schultz）。这是入门课「学习＝预测误差」的精确版。ML 镜像：本站强化学习 track。
05
无模型、有模型与世界模型
model-free（习惯，快但笨）vs model-based（用世界模型规划，慢但灵），大脑两套并存、按可靠性仲裁；海马的重放＝离线规划。入门课「系统1/2」的计算版。ML 镜像：world models、规划。
06
表征：概念住在空间里
群体编码、神经流形、嵌入空间：概念＝高维空间中的点/方向，相似＝距离近；网格细胞/位置细胞＝可复用的认知地图（2014 诺奖）。ML 镜像：embeddings、表征学习。
C · 与机器对照
07
大脑 vs 人工神经网络
反向传播很强但生物上不可行；局部学习规则与预测编码可近似它；样本效率与能耗差异巨大；卷积网与视觉皮层层级只是类比。本课如实标注类比的限度。
08
语言、LLM 与认知
LLM＝预测下一个 token，大脑也在预测语言；分布式语义↔词向量。但 LLM 缺具身、世界模型、因果。拟人化与「LLM 有心智理论」的声明证据存疑——本课标注。ML 镜像：本站 GPT/LLM track。
09
意识的计算理论
全局工作空间（意识＝信息被全局广播、可取用）、整合信息论（Φ）、高阶理论、神经相关物。计算能解释「取用/报告」，但「为什么有体验」的难问题仍开放——交回《哲学》。标注理论分歧。
D · 应用与边界
10
计算精神病学：当推断的参数跑偏
把障碍写成推断/学习参数的失衡：幻觉/妄想＝先验与预测误差权重失衡，抑郁/焦虑＝学习率与价值偏差，成瘾＝多巴胺异常。入门课障碍/治疗的计算版，去污名、不猎奇。
11
神经解码与脑机接口
编码模型（刺激→反应）vs 解码模型（反应→刺激）：从 fMRI/EEG/电极重建看到或想象的内容，以及脑机接口。能与不能、信噪比、「读心」炒作与伦理——本课清醒标注。ML 镜像：监督解码、生成式重建。
12
回望：心智作为计算，与它的边界
收官。回放 00→11：感知/学习/行动/表征/语言/意识/障碍/解码，全是同一台推断引擎的不同层面。计算神经科学的承诺与局限（FEP/IIT 的可证伪性、类比的限度）。交棒：难问题→《哲学》，真正的智能→开放。
怎么读这门课
- 先读入门《心理学》。这门课是它的进阶续作——把那些直觉升级成方程与算法。没读过也能读，但回扣会更香。
- 从 00 顺着读到 12。仍是一条因果链：每一课被上一课没答完的问题逼出来。
- 留意每课的「ML 镜像」。大脑的把戏和某个机器学习算法常常是同一套数学——课里会指出来，并链接到本站对应的课。
- 对宏大框架保持怀疑。自由能原理、整合信息论很美，但争议大、难证伪；脑↔网络的类比也有限度。课里会标注——这正是科学素养。
- 动手玩每课的部件。贝叶斯更新、预测编码回路、TD 学习赛道、概念嵌入空间、神经解码器……把抽象的计算用手建起来。