XiaoMi-AI文件搜索系统
World File Search System预测编码
预测学习塑造了人类大脑的表征几何
1 德国图宾根大学赫蒂临床脑研究所神经动力学和脑磁图系 2 德国图宾根大学综合神经科学中心 3 德国图宾根大学 MEG 中心 4 德国图宾根德国精神健康中心 (DZPG) 5 德国图宾根大学慕尼黑亥姆霍兹中心 IDM/fMEG 中心 6 德国图宾根德国糖尿病研究中心 (DZD) 7 德国图宾根大学医院内科 IV 系 8 德国图宾根大学药学和生物化学系 9 美国明尼苏达大学共济会发育脑研究所 (MIDB) * 通讯作者：Markus Siegel (markus.siegel@uni-tuebingen.de) 和 Antonino Greco (antonino.greco@uni-tuebingen.de) 预测编码理论提出大脑不断更新其内部世界模型，以尽量减少预测误差并优化感官处理。然而，将预测误差编码与感官表征优化联系起来的神经机制仍不清楚。在这里，我们提供了预测学习如何塑造人类大脑表征几何的直接证据。我们在聆听不同规律性水平的声音序列的人类参与者中记录了脑磁图 (MEG)。表征相似性分析揭示了大脑如何通过学习，通过对时间连续和可预测刺激的表征进行聚类，使其表征几何与感官输入的统计结构相匹配。至关重要的是，我们发现在感官区域中，表征转变的幅度与预测误差的编码强度相关。此外，使用部分信息分解我们发现，预测误差由高级联想和感官区域的协同网络处理。重要的是，精度误差的协同编码强度可以预测学习过程中表征对齐的幅度。我们的研究结果证明，参与预测处理的大规模神经相互作用会调节感觉区域的表征内容，这可能会提高响应环境统计规律的感知处理的效率。
论认知过程所解决的问题
正在《认知科学》上发表。这是对“认知科学的进展与难题”征集信函的回应。直到 20 世纪 50 年代，几乎没有科学词汇来描述由大量简单程序组合而成的复杂过程（Minsky，2011 年）。随着计算机科学、复杂系统的基础工作（Simon 1962 年、Anderson 1972 年；Wimsatt 1974 年）以及认知科学（Marr，1982 年；Minsky，1961 年；1974 年；Gardner，1985 年）的出现，这种情况发生了变化。现在，21 世纪已经过去了近四分之一，认知科学非常严谨和形式化，与人工智能和计算机科学的概念进步相结合，获得了理论和技术上的进步。例如，预测编码、贝叶斯推理和各种机器学习都代表了对 20 世纪中期思想家（如明斯基和维纳）提出的分层预测误差原理的重新审视（Clark，2013；Minsky，1961；1974；Tennenbaum 等人，2011；Wiener，1948）。这些和其他信息处理原理为信息处理问题提供了算法解决方案，从而确定了我们可能在自然智能中发现或在人工智能中构建的功能（Lake 等人，2015）。它们还为我们提供了工具来描述实验研究中观察到的因变量和自变量之间的关系，如决策的漂移扩散模型（Pleskac & Busemeyer，2010）。然而，在急于建立一门严谨的科学时，我们担心目前正在犯一个错误：过于强调描述性或预测性研究，而没有足够重视认知过程的目的——这些过程在遗传和文化上进化是为了解决的问题。想象一下，一位外星科学家面前摆着一辆现代地球汽车。这辆车有各种复杂的机械装置，从发动机里的活塞到电脑里的电路。外星人的任务是弄清楚它是如何工作的。当然，如果他们不知道它的功能是运输，这个任务几乎是不可能完成的，但我们的外星人并不傻。他们知道汽车的作用是把人类从一个地方运送到另一个地方，而汽车的