Nat Rev Psychol 评论 | 贝叶斯认知争论，真正卡在算法层

认知神经科学前沿文献分享

基本信息

Title:The explicit-Bayes hypothesis for cognition

发表时间:2026-04-29

发表期刊:Nature Reviews Psychology

影响因子:21.8

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

领域背景与痛点

“认知是贝叶斯的”一直是认知科学里很常见的说法，因为贝叶斯推断（Bayesian inference）确实能用一套统一语言来整理不同任务中的理性分析。但这句话经常把 Marr 三层分析中的计算层面（computational level）和算法层面（algorithmic level）混为一谈：行为数据能被 Bayesian 模型很好拟合，不等于认知算法就在显式执行 Bayes’ rule。作者认为，这场争论之所以一直拖着，关键就在于层级混淆，让命题变得太宽，也很难证伪

核心框架与整合逻辑

本文提出 explicit-Bayes hypothesis，主张单独检验认知算法是否显式应用 Bayes’ rule。这样一来，计算层面的 Bayesianism 仍然可以解释“为什么行为会这样”，算法层面的 Bayesianism 则变成一个可以比较、也可以反驳的机制假说

作者强调，判据不在于“是否表征不确定性”或“是否理性”，而在于是否明确计算先验（prior）、似然（likelihood）和后验（posterior），并应用 Bayes’ rule。按这个标准，一些 sampling、amortized inference、predictive coding 模型虽然在计算层面可以被看作 Bayesian，在这里也可能归入 non-explicit-Bayes。要检验这一假说，任务需要足够简单，便于控制模型空间；同时条件又要足够丰富，才能提高模型的可辨识性

关键洞察与未来方向

洞察一：作者收紧的是算法层面的主张，不是取消计算层面的 Bayesian 框架

这篇评论任务应该把“认知是否 Bayesian”拆成两个问题：计算层面是否适合用 Bayesian 解释，以及算法层面是否显式使用 Bayes’ rule。要是后者反复不成立，受到限制的是 Bayesian 模型的解释层级，不是它的规范性地位，也不是它作为抽象组织框架的作用

洞察二：explicit-Bayes hypothesis 的价值在于给“Bayesian”划出更清楚的经验边界

作者把“是否显式应用 Bayes’ rule”当作分类标准，因为“不确定性表征”或“计算理性”都很难把 Bayesian 和 non-Bayesian 算法清楚分开。对具体任务来说，在给定模型空间内，如果最佳拟合模型显式使用 Bayes’ rule，就支持该假说；反过来，则构成反证

洞察三：知觉决策中的信心判断是可操作测试场景，但现有支持仍属初步

作者认为，知觉领域相对低维，而信心判断往往要求参与者显式或隐式报告概率，所以特别适合检验这一假说。正文回顾称，Bayesian confidence hypothesis 已被多次测试，现有模型比较更支持基于感觉证据强度的 non-explicit-Bayes 解释；但这一判断仍属 preliminary，不能直接外推到记忆、推理等更高层领域

省流总结

这篇评论把“认知是否 Bayesian”从一句宽泛的口号收缩成一个更窄、也更可证伪的算法层命题：认知算法是否显式使用 Bayes’ rule。它保留了 Bayesian 模型在计算层面的解释价值，同时要求算法层面的主张接受更严格的模型比较。现阶段，知觉决策中的信心研究提供了一个可测试的范例，但结论目前主要还是局限在这个领域

分享人：天天

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿