控制论的贝叶斯大脑：从内感受推理到感觉运动权变

The Cybernetic Bayesian Brain

控制论的贝叶斯大脑：从内感受推理到感觉运动权变

https://psycnet.apa.org/record/2014-14659-005

是否存在一个单一原则，能够解释神经运作如何产生知觉、认知、行动甚至意识？一个强有力的候选者正以“预测加工”的形式逐渐成型。根据该理论，大脑通过持续最小化预测误差或信息“自由能”，对感觉输入的原因进行预测推理。据称，预测加工不仅能解释知觉，还能解释行动，以及身体和环境在构建感觉运动互动中的本质贡献。在本文中，我汇集了预测加工领域的一些最新进展，这些进展涉及对内部生理状态的预测建模（内感受推理），以及与认知科学中“生成”和“具身”方法的整合（对感觉运动权变的预测性知觉）。其结果是发展出一种预测加工理论，它并非源于亥姆霍兹的“知觉即推理”，而是源于20世纪强调稳态和预测控制的控制论原理。这种思维方式导致了：(i) 将情绪视为主动内感受推理的新观点；(ii) 一个将身体所有权感、情绪和外感受知觉联系起来的共同预测框架；(iii) 对主动推理的独特解释，认为它涉及破坏性和消除歧义的——而不仅仅是确认性的——行动，以测试知觉假设；(iv) “感觉运动权变掌握”的神经认知操作化（其中感觉运动权变反映了各种动作产生的感觉变化所遵循的规则）；以及 (v) 根据预测模型编码潜在感觉运动关系的程度（即“反事实丰富性”），对知觉内容的主观现实感（“知觉在场”）进行解释。这是一个丰富而多样的领域，对其标志性成果的调查强调了对其关键贡献进行实验测试的必要性。

关键词 主动推理 | 配备反事实的预测模型 | 进化机器人学 | 自由能原理 | 内感受 | 知觉在场 | 预测加工 | 感觉运动权变 | 躯体标记假说 | 联觉

1 引言

认知科学中一个日益流行的理论声称，大脑本质上是预测机器（Hohwy 2013）。该理论有多种名称，如贝叶斯大脑（Bayesian brain，Knill & Pouget 2004; Pouget et al. 2013）、预测加工（predictive processing, Clark 2013; Clark 本卷）以及预测心智（predictive mind, Hohwy 2013; Hohwy 本卷）等；在本文中，我们使用 PP（预测加工）这一术语。（有关技术术语的词汇表，请参见表1。）在最基本的层面上，PP 认为，知觉是大脑通过不断更新的预测模型，最小化实际感觉信号与预期信号之间的差异，从而推断出其感觉输入的最可能原因的结果。可以说，PP 为根据基础理论原则和神经认知架构来解释知觉、认知和行动提供了迄今为止最完整的框架。在本文中，我描述了 PP 的一个版本，其特点在于：(i) 强调对内部生理状态的预测建模，以及 (ii) 与“生成”（enactive）和“具身”（embodied）认知科学旗帜下的替代框架进行互动（Varela et al. 1993）。

我首先指出了 PP 的一个不寻常的起点，它不在于亥姆霍兹的“知觉即推理”，而在于与 W. Ross Ashby (1952, 1956; Conant & Ashby 1970) 相关的 20 世纪中叶的控制论理论。将这些起源与其在 Karl Friston 的“自由能原理”（2010）中的现代表达联系起来，知觉便显现为一种更基本的稳态和控制指令的必然结果，而不是一个旨在提供适合认知和行动规划的详细内部“世界模型”的过程。由此产生的 PP 观点，虽然在流畅地解释（外感受）知觉方面依然有效，但事实证明，它更自然地适用于对身体内部状态的预测性知觉，即实例化了内感受推理（interoceptive inference）的过程（Seth 2013; Seth et al. 2011）。这一概念为思考情绪和心境体验的神经基质提供了一种自然的方式，同时也描述了一种共同的机制，通过该机制，内感受和外感受信号可以整合在一起，从而提供对身体所有权感和意识自我的统一体验（Blanke & Metzinger 2009; Limanowski & Blankenburg 2013）。

对具身性的关注导致了对主动推理（active inference）的不同解释，主动推理通常指有选择地采样感觉信号，以改善知觉预测。对主动推理最简单的解释是改变感觉数据（通过选择性采样）以符合当前的预测（Friston et al. 2010）。然而，类比于科学中的假设检验，主动推理也可以涉及寻找与当前预测相悖的证据，或者消除多个竞争性假设的歧义。后者的一个很好的例子来自进化机器人学中的自我建模，其中使用多个竞争性的自我模型来指定最有可能提供消除歧义的感觉证据的动作（Bongard et al. 2006）。稍后我将花更多时间讨论这个例子。关键在于，这些不同意义上的主动推理都依赖于预测模型的能力，即编码将潜在（但不一定执行的）动作与其预期感觉后果联系起来的反事实关系（counterfactual relations）（Friston et al. 2012; Seth 2014b）。这也意味着涉及模型的比较和选择，而不仅仅是假设单一模型下的参数优化。这些观点代表了 PP 基本基础设施的重大发展。

反事实预测的概念将 PP 与乍一看似乎是其自然对立面的理论联系了起来：明确拒绝内部模型或表征的知觉和认知的“生成”（enactive）理论（Clark 本卷; Hutto & Myin 2013; Thompson & Varela 2001）。生成方法的核心是“感觉运动权变”（sensorimotor contingencies）及其“掌握”（mastery）的概念（O’Regan & Noë 2001），其中感觉运动权变指的是支配感觉信号如何响应动作而变化的规则。根据这种方法，（例如）红色的知觉体验是由对某些感觉运动活动模式下红色事物行为方式的隐性知识（掌握）所赋予的。据说，对感觉运动权变的掌握也支撑着知觉在场（perceptual presence）：即知觉内容的主观现实感（Noë 2006）。从 PP 的角度来看，掌握感觉运动权变对应于学习一个配备了反事实的预测模型，该模型将潜在的动作与预期的感觉后果联系起来。由此产生的 PPSMC（感觉运动权变的预测性知觉，Predictive Perception of SensoriMotor Contingencies，Seth 2014b）理论，为生成理论和预测性知觉与行动理论提供了急需的调和。它还为 PP 框架内知觉在场的挑战提供了解决方案：当底层的预测模型在编码丰富的潜在（但不一定执行的）感觉运动关系方面是“反事实丰富的”（counterfactually rich）时，知觉在场就会出现。这种方法也有助于解释知觉在场似乎缺失的情况，例如在联觉（synaesthesia）中。

这既是一篇概念性论文，也是一篇理论性论文。篇幅限制排除了对相关实验文献的任何实质性探讨。然而，即使进行详尽的探讨也会发现，迄今为止，这些文献仅为 PP 的基础提供了间接支持，更不用说这里描述的扩展了。然而，PP 理论的一个优势在于，它们植根于具体的计算过程和神经认知架构，这使我们有信心可以设计出信息丰富的实验测试。实施这样一个实验议程，构成了未来的一项关键挑战。

2 预测性大脑及其控制论起源

2.1 预测加工：基本原理

预测加工（PP）始于这样一个假设：为了支持适应性反应，大脑必须发现关于感觉信号外部“隐藏”原因的信息。它无法直接获取这些原因，只能利用感觉信号本身流动中所包含的信息。根据 PP，大脑通过尝试基于其自身不断形成的关于这些输入原因的模型来预测感觉输入，从而应对这一挑战，并利用预测误差来更新这些模型，以最小化差异。其理念是，以这种方式运作的大脑将能够编码（以预测或生成模型的形式）关于使其经常受到扰动的信号来源的丰富信息（Clark 2013）。

将 PP 应用于皮层层级结构时，它推翻了将知觉描述为很大程度上是“自下而上”的证据积累或特征检测过程的传统观念。相反，PP 提出，知觉内容是由自上而下的预测信号决定的，这些信号源于对感觉信号原因的多层且层级化组织的生成模型（Lee & Mumford 2003）。这些模型通过跨层级预测信号与实际信号之间的不匹配（预测误差）不断得到完善，这些误差通过对贝叶斯推理的近似，迭代地更新预测模型（见图1）。这意味着，大脑只需处理它能够直接获取的信号（即预测和预测误差），就能推导出关于环境隐藏原因的准确生成模型。这也意味着，即使是低级的知觉内容，也是通过从非常普遍的抽象期望中流出的预测级联来决定的，这些期望约束着随后更细粒度的预测。

从一开始就需要强调 PP 的另外两个方面。首先，感觉预测误差可以通过“被动”方式最小化，即改变预测模型以适应传入的数据（知觉推理）；也可以通过“主动”方式最小化，即执行动作来确认或测试感觉预测（主动推理）。在大多数情况下，这些过程被认为是在持续且同时地展开的，这凸显了知觉与行动之间深刻的连续性（Friston et al. 2010; Verschure et al. 2003）。这种主动推理的过程将在后文的许多内容中发挥关键作用。其次，贝叶斯框架中的预测和预测误差具有相关的精度（方差的倒数，图1）。预测误差的精度是其可靠性的指标，因此可用于确定其在更新自上而下的预测模型时的影响力。精度和均值一样，不是给定的，而是必须基于自上而下的模型和传入的数据来推断；因此，PP 要求智能体对精度具有期望，并且这些期望本身会随着新数据的到来而更新（并且可以估计出新的精度）。因此，精度期望可以平衡不同预测误差来源对预测模型更新的影响。如果预测误差具有低（预期）精度，预测模型可能会压倒误差信号（产生幻觉），或者引发确认感觉预测的动作（主动推理）。

一幅图景由此浮现：皮层网络参与循环交互，在此过程中，自下而上的预测误差在多个层级上不断与自上而下的预测相协调——这一过程始终受到精度加权的调节。结果是，大脑不仅编码关于作用于其感觉表面的信号来源的信息，还编码关于其自身动作如何与这些来源相互作用以决定感觉信号的信息。知觉涉及更新模型参数以适应数据；行动涉及改变感觉数据以适应（或测试）模型；而注意则对应于通过优先选择预期携带更多信息的感觉数据来优化模型更新，这被称为精度加权（Hohwy 2013）。这种大脑观毫不掩饰地基于模型和表征（尽管对表征的概念进行了精细化处理），但它也深刻地嵌入了知觉与行动的紧密耦合，并且正如我们将看到的，身体在调解这种互动中的重要性。

2.2 预测加工与自由能原理

预测加工（PP）可被视为自由能原理的一个特例。根据该原理，知觉推理和行动是出于一种更基本的指令的必然结果，即避免“令人惊讶”的事件（Friston 2005, 2009, 2010）。根据自由能原理，生物体——凭借其持续生存的能力——必须最小化感觉状态的长期平均惊奇度（surprise），因为令人惊讶的感觉状态很可能反映出与持续生存不相容的条件（想想一条离开水的鱼）。这里的“惊奇度”并非在心理学意义上使用，而是在信息论意义上使用——即事件发生概率的负对数（粗略地说，就是事件发生的不可能性）。

与 PP 的联系由此产生，因为智能体无法直接评估与事件相关的（信息论上的）惊奇度，因为这要求（且不可能做到）智能体在所有可能的情况下对事件所有可能的发生情况进行平均。相反，智能体只能通过最小化实际感觉信号与根据生成或预测模型所预测的信号之间的差异，来维持惊奇度的下限。这种差异就是自由能，在相当普遍的假设下，它是预测误差的长期总和。

自由能原理的一个吸引人的特征是，它提供了一个丰富的数学框架，展示了 PP 在实践中如何运作。形式上，PP 依赖于已建立的贝叶斯推理和模型设定原则，据此，通过将这些原因的先验期望与观测数据进行最优结合，并使用在给定特定原因集下将观测到的数据的（生成、预测）模型（似然），来估计观测数据最可能的原因（后验）。（有关先验和后验的示例，请参见图1。）在实践中，由于最优贝叶斯推理通常是难以精确计算的，因此可以应用各种近似方法（Hinton & Dayan 1996; Neal & Hinton 1998）。Friston 的框架借鉴了先前已开发出的“变分”方法，这些方法利用了某些近似（例如高斯性、时间尺度的独立性）——从而允许将其潜在地、简洁地映射到神经生物学量上（Friston et al. 2006）。

自由能原理还强调将行动作为最小化预测误差的一种手段，即主动推理（active inference）。一般而言，主动推理涉及对感觉信号的选择性采样，从而最小化知觉假设中的不确定性（即最小化后验概率的熵）。在某种意义上，这意味着选择行动是为了提供与当前知觉预测相一致的证据。这是对这一概念最标准的解释，因为它最直接地对应于预测误差的最小化（Friston 2009）。然而，正如我们将看到的，行动的选择也可以基于试图寻找与当前假设相悖的证据，或者为了有效地消除竞争性假设之间的歧义（即区分竞争性假设）。这些对主动推理的精细化理解代表了自由能框架的进一步发展。重要的是，行动本身可以被理解为通过激活经典反射弧来最小化本体感觉（proprioceptive）预测误差而产生的（Adams et al. 2013; Friston et al. 2010）。这要求对这些误差进行短暂的、低精度的加权（否则预测将仅仅被更新），这与表明在自我引发的运动期间存在感觉衰减（sensory attenuation）的证据相一致（Brown et al. 2013）。

自由能原理更具争议的一个方面是其声称的普适性（generality）（Hohwy 本卷）。至少正如 Friston 所描述的那样，它声称能够解释几乎任何时空粒度上的适应性，从进化的宏观趋势，到个体的发育与成熟，再到神经元层级结构中的信号传递（Friston 2010）。然而，在这些解释中，对预测建模的依赖有时仅仅是隐含的；例如，鱼的身体可以被视为对其水生环境的流体动力学及其他可供性（affordances）的一种隐含模型（见第2.3节）。本文在此不探讨这些更广泛的解释，而是将聚焦于那些生物（神经）机制合理地通过近似贝叶斯计算来实现显式预测推理的情况——即“贝叶斯大脑”（Bayesian brain）（Knill & Pouget 2004; Pouget et al. 2013）。在此语境下，自由能原理可能具有最大的解释力，特别是考虑到经验证据的汇聚（参见 Clark 2013 和 Hohwy 2013 的综述），以及表明皮层微回路如何实现近似贝叶斯推理的计算建模（Bastos et al. 2012）。

2.3 预测加工、自由能与控制论

通常，预测加工（PP）的起源被追溯到19世纪生理学家赫尔曼·冯·亥姆霍兹（Hermann von Helmholtz）的工作，他首次将“知觉即推理”的概念形式化。然而，亥姆霍兹的观点相当被动，因为其中几乎没有对主动推理或行为的讨论。自由能原理所强调的知觉与行动的紧密耦合，反而指向了PP与20世纪中叶控制论之间的深刻联系。这在W. Ross Ashby（Ashby 1952; 1956; Conant & Ashby 1970）的著作中最为明显，但在更广泛的层面上也很显著（Dupuy 2009; Pickering 2010）。重要的是，控制论将其核心焦点放在了所谓的“目的论”或“有目的”的机器中对行为的预测和控制上。更准确地说，控制论理论家过去（和现在）感兴趣的是那些似乎有目标（即目的论的）并参与将目标导向的感觉与行动耦合起来的循环因果链（即涉及反馈）的系统。

第一波控制论中的两个关键见解，富有成效地预示了PP在认知科学中的核心发展。这两个见解都与Ashby有关，他是该运动的关键人物，并且通常被认为是其领袖，至少在美国之外是这样（图2）。

第一个见解在于强调内部基本变量（essential variables）的稳态，在生理学背景下，这些变量对应于血压、心率、血糖水平等量。在Ashby的框架中，当基本变量超出特定的生存界限时，就会触发自适应过程，这些过程会对系统进行重新参数化，直到它达到一个新的平衡，从而恢复稳态（Ashby 1952）。在Ashby的术语中，这样的系统是“超稳定”（ultrastable）的，因为它们体现了（至少）两个层次的反馈：一阶反馈，像恒温器一样对基本变量进行稳态调节；以及二阶反馈，当一阶反馈失效时，它会通过异稳态（allostatically）重新组织系统的输入-输出关系，直到达到新的稳态机制。在最基本的情况下，正如在Ashby著名的“稳态器”（homeostat）（图2）中所实现的那样，这种二阶反馈仅仅涉及对系统参数进行随机改变，直到达到一个新的稳定状态。这一见解对PP的重要性在于，它将生物和认知过程的功能定位在推广稳态上，以确保内部基本变量保持在预期范围内。

总结基本控制论原理的另一种方式是：自适应系统通过成功应对环境扰动来维持其内部组织，从而确保其持续存在。这引出了第二个见解，即Ashby的“必要多样性定律”（law of requisite variety）中所体现的见解。该定律指出，一个成功的控制系统必须能够进入至少与被控制系统一样多的状态：“只有多样性才能压制多样性”（Ashby 1956）。这在控制器和环境之间划定了一种功能边界，并暗示了一个成功的控制器所需的最低复杂性水平，该水平由构成对系统基本变量潜在扰动的环境状态的因果复杂性所决定。几年后，在与Roger Conant合著的题为“系统的每一个好的调节器都必须是该系统的模型”的1970年论文中，这一观点得到了完善（Conant & Ashby 1970）。这篇论文建立在必要多样性定律的基础上，论证（并试图形式化地证明）一个能够抑制外部系统（例如世界）施加的扰动的控制器，其本质必须是实例化该系统的模型。这与自由能原理提供了清晰的联系，自由能原理提出，自适应系统通过诱导和完善关于感觉信号原因的生成模型，来最小化自由能（长期平均惊奇度）的上限。它还超越了Ashby的稳态器，因为它暗示了基于模型的控制器能够比通过高阶参数的随机变异进行更成功的多层反馈。

将这些见解结合起来，提供了一种独特的视角来看待PP与认知和生物适应性的相关性。它可以总结如下：认知（包括知觉和行动）的目的是维持基本变量和内部组织的稳态（超稳定性）。

这意味着存在一个具有足够复杂性的控制机制，以应对（即抑制）其遭遇的各种扰动（必要多样性定律）。此外，这种结构必须实例化一个被控系统的模型（优良调节器定理），其中该系统既包括身体，也包括环境（以及它们之间的相互作用）。正如 Ashby 本人所言：“[大脑的]全部功能可以概括为：误差纠正”（引自 Clark 2013, 第1页）。这样表述的话，知觉便显现为一种更基本的、指向组织稳态的指令的必然结果，而不是作为某种内部世界模型构建过程中的一个阶段。这种观点虽然强调了不同的起源，但与自由能原理的假设高度一致，即提出了一种以生物体持续生存为首要指令的观点（Friston 2010）。

从这个角度来审视控制论的遗产，可能会令人感到惊讶。这是因为，以往许多关于这一遗产的讨论都集中于一些例证，这些例证表明，复杂的、表面上具有目标导向的行为，可以从与结构化的身体和环境相互作用的简单机制中涌现出来（Beer 2003; Braitenberg 1984）。在这种更为传统的发展脉络中，控制论与其说是断言了对内部模型和表征的需求，不如说是对这种需求提出了挑战：它常被用来为诸如“世界是其自身最好的模型”（Brooks 1991）之类的口号提供辩护。事实上，控制论对于是否需要部署显式的、内部设定的预测模型持不可知论（agnostic）态度。如果环境条件相对稳定，且扰动与（稳态）响应之间的映射相当直接，那么“优良调节器定理”就可以由那些仅对其环境进行隐式建模的控制器来满足。例如，瓦特调速器（Watt governor）就是这种情况：这是一种能够凭借其机械结构精妙地控制（例如）蒸汽机输出的装置，而不是通过部署显式的预测模型或表征来实现的（见图3及 Van Gelder 1995；需要注意的是，调速器可以被描述为一种隐式模型，因为它包含某些变量——例如，金属球偏离中心柱的离心率——这些变量映射到了影响稳态目标（即发动机输出）的环境变量上）。然而，当感觉状态与其可能的原因之间存在多对多映射时（这种情况往往更为常见），只要这些原因威胁到基本变量的稳态，那么采用显式的推理过程来提取感觉状态的最可能原因，将是大有裨益的。

总而言之，与其将预测加工（PP）仅仅视为源于亥姆霍兹的“知觉即推理”概念，不如将其也视为基于模型的预测控制过程的一部分，而这一过程是由维持内部稳态这一根本指令所必然要求的。这种视角的转变揭示了预测加工在认知科学中的一项独特议程，接下来我将转向这一议题。

3 内感受推理、情绪与预测性自我

3.1 内感受推理与情绪

考虑到预测加工（PP）的控制论根源，并结合自由能原理，会引出一个可能反直觉的观点。即：与外感受（经典感觉，传递源自外部环境的信号）相比，PP 可能更自然地适用于内感受（对身体内部生理状态的感知）。这是因为，对于生物体而言，避免遭遇意外的内感受状态，比避免遭遇意外的外感受状态更为重要。意外的血氧或血糖水平对生物体来说很可能是坏消息，而意外的外感受（如新奇的视觉输入）则不太可能有害，在某些情况下甚至是可取的，因为生物体需要在探索和利用之间维持微妙的平衡（Seth 2014a），并通过主动推理测试当前的知觉假设（见下文第5节），所有这一切最终都是为了维持生物体的稳态。

也许是由于其亥姆霍兹的渊源，PP 主要是在视觉神经科学的背景下发展起来的（Rao & Ballard 1999），并在运动控制领域有一条相关但相对独立的发展脉络（Wolpert & Ghahramani 2000）。最近，PP 在内感受领域的应用得到了明确的阐述（Seth 2013; Seth & Critchley 2013; Seth et al. 2011; 另见 Gu et al. 2013）。根据这一内感受推理理论（或等效地称为内感受预测编码），情绪状态（即主观感受状态）产生于对内感受感觉信号原因的自上而下的预测推理（见图4）。与外感受 PP 直接类比，情绪内容在构成上是由特定时刻自上而下的内感受预测的内容所决定的，这与已被广泛研究的“期望对后续情绪状态的影响”形成了鲜明区别（例如，参见 Ploghaus et al. 1999; Ueda et al. 2003）。此外，内感受预测误差可以通过以下方式最小化：(i) 更新预测模型（知觉，对应于新的情绪内容）；(ii) 通过激活自主神经反射来改变内感受信号（自主控制或主动推理）；或 (iii) 执行行为以改变影响内部稳态的外部条件（异稳态；Gu & Fitzgerald 2014; Seth et al. 2011）。

3.2 内感受推理的启示

当将情绪视为内感受推理的结果时，会产生几个有趣的启示（Seth 2013）。首先，该理论推广了先前的情绪“双因素”理论，该理论认为情绪内容是由对生理变化的感知与对这些变化发生的背景的认知评估之间的相互作用所产生的（Schachter & Singer 1962）。内感受推理没有区分“生理”和“认知”的描述层次，而是认为情绪内容是由跨越多个抽象层次的内感受输入的多层预测所产生的。因此，内感受推理在预测加工（PP）这一强大的框架内整合了认知与情绪。

该理论还与将内感受与决策联系起来的有影响力的框架相联系，特别是 Antonio Damasio (1994) 提出的“躯体标记假说”（somatic marker hypothesis）。根据躯体标记假说，直觉决策是由对潜在结果的内感受反应（躯体标记）所塑造的。将这一观点置于内感受推理的背景下，它对应于引导行为（异稳态）反应以解决内感受预测误差（Gu & Fitzgerald 2014; Seth 2014a）。由此推论，直觉决策应受到个体维持其自身内感受状态准确预测模型程度的影响；参见 Dunn et al. 2010, Sokol-Hessner et al. 2014 以获取这方面的证据。

这对于情绪、自我和决策障碍也具有重要的启示。例如，焦虑可能是由于抵抗自上而下抑制的内感受预测误差的长期持续存在所引起的（Paulus & Stein 2006）。像述情障碍（无法描述自身情绪）以及人格解体和现实解体（丧失自我和世界的现实感）等解离性障碍，也可能是由于内感受推理功能障碍所致，这可能表现为异常低的内感受精度期望（Seth 2013; Seth et al. 2011）。在决策方面，将成瘾视为由功能失调的主动推理所导致可能是富有成效的，在这种推理中，强烈的内感受先验通过行动得到确认，从而压倒了与稳态和生物体完整性相关的更高层级或超先验（hyper-priors）。甚至有观点认为，自闭症谱系障碍可能源于对内感受预测误差的显著性或精度的异常编码（Quattrocki & Friston 2014）。这里的推理是，发育过程中的异常显著性可能会破坏“自我”生成模型中内感受和外感受线索的同化，从而损害儿童正确地将显著性分配给社会相关信号的能力。

3.3 预测性的具身自我

仅通过直接的自主神经调节来维持生理稳态显然是有限的：如果生物体要从长远上避免令人惊讶的生理状态，与世界的行为（异稳态）互动是必要的。部署适应性行为反应的能力要求回到最初的亥姆霍兹关于“知觉即推理”的观点，这也是迄今为止预测加工（PP）发展的主要背景。一个关键但可能被忽视的中间地带，即介导生理状态变量与外部环境之间的桥梁，正是身体。一方面，身体是表达行为的物质载体，使得异稳态互动得以发生。另一方面，身体本身也是生物体系统的重要组成部分，其稳态完整性必须得到维持。此外，拥有并认同特定身体的体验，是成为一个有意识的自我的关键组成部分（Apps & Tsakiris 2014; Blanke & Metzinger 2009; Craig 2009; Limanowski & Blankenburg 2013; Seth 2013）。

人们不禁要问，共同的预测机制是否不仅构成了经典的外感受知觉（如视觉）和内感受（见上文）的基础，而且构成了它们整合在一起以支持对身体和自我的有意识与无意识表征的基础（Seth 2013）。认识到这一点凸显了该问题的重要性：正如大脑无法直接获取外部环境中的因果结构一样，它也无法直接获取其自身的身体。也就是说，既然大脑的工作是推断感觉信号的因果来源，它就必须以某种方式区分那些与身体相关的信号和那些源自外部环境的信号。应对这一挑战的一个线索是，与外部环境不同，物理身体通过其内感受和本体感觉系统不断地生成和接收内部输入（Limanowski & Blankenburg 2013; Metzinger 2003）。这表明，体验到的身体（和自我）取决于大脑对最可能是“我”的那些感觉信号的原因的最佳猜测（Apps & Tsakiris 2014），这跨越了内感受、本体感觉和外感受领域（图4）。

现在有相当多的证据表明，身体所有权的体验具有高度的可塑性，并依赖于与身体相关信号的多感觉整合（Apps & Tsakiris 2014; Blanke & Metzinger 2009）。一个经典的例子是橡胶手错觉，即在视觉注意力集中在假手上时，同步抚摸参与者的真手和假手，会导致参与者产生假手在某种程度上是身体一部分的体验（Botvinick & Cohen 1998）。根据当前的多感觉整合模型，这种身体所有权体验的改变是由于视觉和触觉之间的相关性压倒了相互冲突的本体感觉输入（Makin et al. 2008）。通过 PP 的视角，这意味着由多感觉冲突引起的预测误差将随着时间的推移更新与自我相关的先验（Apps & Tsakiris 2014），不同的信号源（视觉、触觉、本体感觉）各自根据其预期的可靠性进行精度加权，而这一切都发生在对相关性输入具有强烈先验期望的背景下。5

尽管外感受多感觉整合调节身体所有权体验的潜力，无论是在身体部位的所有权还是在整个身体的所有权体验方面，都已得到广泛探索（综述见 Apps & Tsakiris 2014; Blanke & Metzinger 2009），但直到最近，人们才开始关注内感受和外感受信号之间的相互作用。这一研究方向的初步证据是间接的，例如，表明对橡胶手错觉的易感性与感知内感受信号能力的个体差异（“内感受敏感性”，通常以心跳检测任务为指标；Tsakiris et al. 2011）之间存在相关性。其他相关研究表明，身体所有权错觉会导致相应身体部位的温度下降，这可能反映了改变的主动自主推理（Moseley et al. 2008; Salomon et al. 2013）。

新出现的证据现在更直接地指向内感受和外感受信号的预测性多感觉整合在塑造身体所有权体验中的作用。最近的两项研究利用了所谓的“心-视同步”（cardio-visual synchrony），其中身体部位（Suzuki et al. 2013）或整个身体（Aspell et al. 2013）的虚拟现实表征由同步记录的心跳信号进行调节，这种调节与实际心跳同步或不同步（图5）。这些数据表明，内感受（如心脏）和外感受（如视觉）信号之间的统计相关性，可以通过（层级化的）预测误差最小化，导致与自我相关信号的预测模型的更新，就像经典的橡胶手错觉中纯粹的外感受多感觉冲突所发生的情况一样。

尽管这些研究强调了情绪、自我和知觉背后存在共同的预测机制的合理性，但仍有许多未解之谜。一个关键的挑战是详细阐明底层的神经操作。尽管详细的分析超出了本文的范围，但值得注意的是，人们的注意力越来越多地集中在岛叶皮层（尤其是其前部），将其作为内感受预测的潜在来源，以及作为记录内感受预测误差的比较器。前岛叶长期以来一直被认为是整合内感受和外感受信号的主要皮层区域（Craig 2003; Singer et al. 2009）；它与内感受敏感性密切相关（Critchley et al. 2004）；它对内感受预测误差敏感——至少在某些情况下是这样（Paulus & Stein 2006）；并且它具有高密度的所谓“冯·埃科诺莫”（von Economo）神经元，6 这些神经元经常（尽管是间接地）与意识和自我联系在一起（Critchley & Seth 2012; Evrard et al. 2012）。

3.4 主动推理、自我建模与进化机器人学

主动推理在预测性自我建模中可能扮演什么角色？身体所有权错觉期间的自主神经变化（见上文）与主动推理是一致的；然而，它们并没有直接阐明其功能。在经典的橡胶手错觉中，手或手指的运动可以被视为对与自我相关的假设进行的主动推理测试。如果这些运动没有在“橡胶手”上得到反映，错觉就会被破坏——大概是因为预测的视觉信号没有得到确认（Apps & Tsakiris 2014）。然而，如果手部运动被映射到一个虚拟的“橡胶手”上——通过巧妙地使用虚拟现实和增强现实技术——错觉实际上会被加强，大概是因为手部周围的视觉和本体感觉信号的多感觉相关性，构成了对虚拟手所有权知觉假设的更严格的测试（Suzuki et al. 2013）。这引入了这样一个观点：主动推理不仅仅是为了确认感觉预测，还涉及寻找“破坏性”（disruptive）的行动，这些行动在测试当前预测和/或消除竞争性预测的歧义方面最具信息量（Gregory 1980）。关于这在实践中如何发生的一个很好的例子来自进化机器人学7——这显然是一个非常不同的研究领域，尽管它直接继承了控制论的传统。

在一项开创性的2006年研究中，Josh Bongard及其同事描述了一种四足“海星”机器人，它执行了一个非常类似于主动推理的过程，以便对其自身的形态进行建模，从而能够控制其运动并实现简单的行为目标（Bongard et al. 2006）。虽然进化机器人学和（主动）贝叶斯推理之间存在重要差异，但也存在广泛的相似之处；重要的是，两者都可以从模型选择和优化的角度来理解。

事件的基本循环如图6所示。机器人本身显示在中心（A）。目标是开发一个能够产生向前运动的控制器。挑战在于，机器人对其自身的形态一无所知。该系统从一系列（通用先验）潜在自我模型（B）开始，这里由三维物理引擎的各种配置来指定。机器人执行一系列初始的随机动作，并根据这些候选自我模型预测所产生的本体感觉传入信号的能力来对它们进行评估。尽管所有初始模型都会是错误的，但有些可能比其他模型更好。接下来的步骤是关键。机器人评估新的候选动作，评估的标准是：当前最佳的自我模型在多大程度上对这些动作的（本体感觉）后果做出了不同的预测。然后执行这些消除歧义的动作，从而根据它们在本体感觉预测上的准确度，对自我模型进行重新排名。通过进化机器人学中的突变和复制方法，这种排名催生了一代新的候选自我模型。最终结果是，系统迅速开发出准确的自我模型，这些模型可用于生成能够实现运动的控制器（D）。这个过程的一个有趣特征是，它对意外的扰动具有高度的恢复力（鲁棒性）。例如，如果移除一条腿，那么本体感觉预测误差将立即随之产生。结果，系统将参与另一轮自我模型进化（包括协同指定竞争性自我模型和消除歧义的动作），直到重新获得一个新的、准确的自我模型。然后可以使用这个修订后的自我模型来开发一种新的步态，从而即使在身体结构受损的情况下也能实现运动（E，F）。

这项研究强调，一个成功的自我模型的操作性标准，与其说是对物理机器人的保真度，不如说是它在一系列动作下预测感觉输入的能力。这突显了预测模型是被调用来控制行为的（正如控制论所假设的那样），而不是为了提供世界或身体的通用表征。

该研究还提供了一个具体的例子，说明动作的执行可以不是为了实现某些外部指定的目标，而是为了允许对系统自身的物理实体化进行推理。无论是否基于贝叶斯，这都意味着主动推理。事实上，也许它最重要的贡献在于，它突显了主动推理如何能够指导产生破坏性或消除歧义的动作，这些动作会在竞争性假设下生成感觉预测误差，而不仅仅是寻求确认感觉预测的动作。这让人想起基于最大化贝叶斯惊奇度（Bayesian surprise）的注意模型（Itti & Baldi 2009），并且等同于科学中的假设检验，其中最好的实验是那些基于最有可能证伪给定假设（破坏性）或区分竞争性假设（消除歧义）的前提而设计的实验。这也意味着智能体对一系列潜在动作可能产生的感觉后果编码了预测，从而允许选择那些可能最具破坏性或消除歧义作用的动作。这种配备了反事实的预测模型的概念，很好地引出了我们的下一个主题：所谓的生成（enactive）认知科学及其与预测加工（PP）的关系。

4 预测加工与生成认知科学

4.1 生成理论：弱与强

自“老式人工智能”（good old fashioned artificial intelligence）的局限性变得明显以来，大脑依赖于大脑外部事态的内部表征或模型的观点就一直受到怀疑（Brooks 1991）。许多人工智能研究人员确实已经回归控制论，将其作为一种替代框架。在该框架中，紧密耦合的反馈回路利用大脑-身体-世界交互中的不变量，从而消除了对外部属性进行详细内部表征的需要（Pfeifer & Scheier 1999）。刚刚描述的进化机器人学方法通常与简单的动态神经网络相结合，以便以这种方式实现紧密具身和嵌入的控制器（Beer 2003）。在认知科学中，这种反表征主义（anti-representationalism）得到了被称为“生成”（enactive，Noë 2004）、“具身”（embodied，Gallese & Sinigaglia 2011）或“延展”（extended，Clark & Chalmers 1998）认知科学运动的最激烈辩护。在这些方法中，生成主义（enactivism）是最明确反对表征主义的。虽然生成理论家可能同意，适应性行为需要有机体和控制结构对其环境中的统计结构具有系统的敏感性，但大多数人会否认这种敏感性意味着存在并部署了这些概率模式的任何“内部描述”或模型（Chemero 2009; Hutto & Myin 2013）。

这一传统有弱和强两种表达形式。在弱的一端，这是一个不言自明的真理：如果不充分理解身体、环境以及它们所支持的结构化交互的作用，就无法理解知觉、认知和行为及其底层机制（Clark 1997; Varela et al. 1993）。弱生成主义与预测加工（PP）高度兼容，特别是在强调通过自我建模和内感受来实现具身，并强调通过主动推理实现智能体-环境耦合（嵌入性）重要性的新兴 PP 版本中，这一点尤为明显。在另一端，则是声称基于任何形式的内部表征或模型的解释从根本上就是误导性的，并且需要一种全新的、明确非表征的词汇，以便理解大脑、身体和世界之间的关系（O’Regan et al. 2005）。强生成主义在定义上与 PP 不相容，因为它拒绝了内部模型这一核心概念。

4.2 感觉运动权变理论

强生成方法的一个里程碑是SMC（感觉运动权变，sensorimotor contingency）理论，该理论认为，知觉依赖于对与行为相关的感觉运动依赖关系的“实践性掌握”（practical mastery）（O’Regan & Noë 2001）。简而言之，SMC理论主张，经验和知觉并非由大脑（或就此而言的任何其他事物）“生成”的实体，而是由与环境持续互动的流畅模式所构成的“技能”（O’Regan & Noë 2001）。例如，根据SMC理论，对红色的有意识视觉体验，源于对支配与红色事物互动如何展开的规律的实践性掌握（这些规律即为“SMC”）。然而，该理论并不局限于视觉：海绵柔软的体验特质，同样源于（对）其受压时形变规律的（实践性掌握）。

在此，SMC理论的两个方面值得强调。首先，SMC的概念正确地凸显了知觉与行动的紧密耦合，以及持续的“智能体-环境”互动在塑造知觉、行动和行为方面的关键重要性。这继承自吉布森（Gibson）关于知觉可供性（perceptual affordance）的概念（Gibson 1979），并且无疑推进了我们对为什么不同类型的知觉体验（视觉、嗅觉、触觉等）具有不同质性特征的理解。其次，掌握一种SMC需要对特定动作与其引发的感觉之间的关系，具备一种本质上的反事实知识（counterfactual knowledge）。例如，在视觉中，这种掌握意味着具备一种隐性知识，即了解移动眼睛和身体将如何揭示关于知觉对象的额外感觉信息（O’Regan & Noë 2001）。在此，SMC理论对我们理解“知觉在场”（perceptual presence）做出了重要贡献。知觉在场指的是这样一种属性：在（正常情况下），知觉内容显现为主观上真实的，即客观存在的。例如，当观看一个番茄时，我们将其视为真实的，因为我们在知觉上似乎意识到了它的某些部分（例如，它的背面），尽管这些部分当前并未在因果上作用于我们的感觉表面。观看一张番茄的图片，则不会产生同样真实的这种主观印象。但是，严格来说，我们如何能意识到那些我们实际上并未看到的番茄部分呢？SMC理论指出，答案在于我们对SMC的（隐性）掌握，这种掌握将潜在的动作与其可能产生的感觉效应联系起来；正是在这个意义上，我们才能在知觉上意识到那些我们实际上并未看到的番茄部分（Noë 2006）。

SMC理论经常被用来反对认知科学中朴素的表征主义理论，后者提出诸如“头脑中的图画”之类的概念，或者（像老式人工智能那样）将对外部属性的准确表征视为认知的通用目标状态。这固然是有益的。然而，由于摒弃了诸如预测推理之类的实现层面的概念，该理论在回答一个关键问题时面临困难：在实践掌握某种感觉运动权变的过程中，我们的大脑内部究竟发生了什么。

4.3 感觉运动权变的预测性知觉

将SMC理论与预测加工（PP）相结合，以PPSMC（感觉运动权变的预测性知觉，Predictive Perception of SensoriMotor Contingencies；Seth 2014b）的形式，提供了一个强有力的回应。关于PPSMC的广泛发展已在其他地方给出（见Seth 2014b及其评论和回复）。在这里，我总结其主要观点。

首先，回顾一下，在PP下，预测误差可以通过更新知觉预测或通过执行动作来最小化，其中动作是通过解决本体感觉预测误差而产生的。还要回顾一下，PP本质上是层级化的，因此在某个层级上，预测模型将编码连接外感受（感觉）和本体感觉（运动）感觉的多模态甚至无模态（amodal）期望。这些模型生成关于与特定动作相对应的感觉和本体感觉（以及可能的内感受）输入的关联序列的预测，并且在较低的层级上，这些预测变得越来越具有模态特异性。因此，这些多层预测模型可以被理解为实例化了SMC及其获取背后的感觉运动结构所依赖的隐性亚个人（sub-personal）知识。简而言之，层级主动推理意味着存在编码非常类似于SMC理论所需信息的预测模型。

下一步是融入掌握SMC的概念，正如所提到的，这暗示了一种本质上是反事实的隐性知识。简单的解决方案是用反事实概率密度来增强驱动PP的预测模型。10 如前所述（第4.1节），配备反事实的预测模型不仅编码当前感觉输入的可能原因，还编码基于可能但未执行的动作的条件性虚构感觉输入的可能原因。也就是说，它们编码了感觉输入（及其预期精度）将如何基于一系列可能的动作（表达为本体感觉预测）而改变，即使这些动作并未被执行。预期精度的反事实编码在这里很重要，因为正是基于此，动作才能被选择，以最小化与知觉预测相关的条件不确定性。最近的一个模型展示了操作此类反事实信念的数学基础，在该模型中，反事实PP驱动视觉搜索期间的动眼控制（Friston 2014; Friston et al. 2012）。11 这里的主要观点是，反事实丰富的预测模型提供了SMC理论所需的：回答了在我们实践掌握SMC时大脑内部究竟发生了什么的问题。

反事实PP从几个角度来看都是有意义的（Seth 2014b）。如上所述，它提供了生成认知科学核心的“掌握SMC”这一概念的神经认知操作化。这样做，它消解了生成主义与贝叶斯大脑之间明显的张力，但代价是拒绝了强生成主义者坚持认为任何形式的内部模型或表征都是不可接受的这一主张。12 PPSMC还为解释PP中知觉在场的挑战提供了解决方案。这里的想法是，知觉在场对应于预测模型的反事实丰富性。也就是说，知觉内容在多大程度上享有在场感，取决于相应的预测模型在多大程度上编码了将潜在动作与其可能的感觉后果联系起来的丰富的反事实关系。13 换言之，我们体验到正常的知觉是揭示世界的，正是因为底层知觉内容的预测模型指定了丰富的反事实明确的概率密度，编码了对SMC的掌握。

对PPSMC的一个很好检验是，它能否解释正常知觉在场缺失的情况。一个重要例子是联觉（synaesthesia），其中广泛报道称，联觉的“并发物”（concurrents，例如，有时与无彩色字形诱导物一起感知到的不存在的颜色）不被体验为世界的一部分（即，联觉者通常对其并发体验保持完整的现实检验能力）。PPSMC通过注意到与联觉并发物相关的预测模型在反事实上是贫乏的来解释这一点。引起与并发物相关感觉信号的隐藏（环境）原因，并没有为大脑学习嵌入丰富而深刻的统计结构。特别是，联觉并发物在多大程度上依赖于对其隐藏原因的主动采样，这是非常缺乏意义的。根据PPSMC，正是这种比较上的反事实贫乏，解释了为什么联觉并发物缺乏知觉在场。SMC理论本身难以解释这一现象——尤其是因为它首先就难以解释联觉（Gray 2003）。

认为知觉在场唯一地依赖于反事实丰富性，这一观点面临一些挑战。人们可能会认为，一个人对某个物体越熟悉，被编码的反事实关系库就越丰富。如果确实如此，那么一个人对某个物体越熟悉，它就应该显得越真实。但表面上看，熟悉度与知觉在场是否像这样紧密相连，目前尚不清楚。14 此外，某些知觉体验（例如对蓝天的体验）似乎具有高度的知觉在场感，尽管将感觉信号与可能动作联系起来的反事实关系库显然很贫乏。一个初步的回应是，在场感可能并不依赖于反事实丰富性本身，而是依赖于一种“归一化”（normalized）的丰富性，这种丰富性是基于对反事实丰富性的高阶期望（例如，对于蓝天而言，这种期望就会很低）。这些考量也指向了“被感知的客体性”（perceived objecthood）与“被感知的在场感”（perceived presence）之间可能存在的重要区别，而对这一问题的恰当探讨已超出了本文的范围。

5 主动推理

5.1 反事实预测加工与主动推理

主动推理在本文中已多次作为一个重要概念出现。然而，它比涉及被动预测推理的预测加工（PP）基础知识更难把握。这部分是因为可以区分出几种不同意义上的主动推理，而这些意义此前尚未得到充分阐述。

一般而言，主动推理可以被用来驱动行动，或者改善知觉预测。在前一种情况下，行动是通过激活经典反射弧来最小化本体感觉预测误差而产生的（Friston et al. 2010）。这意味着存在生成模型，这些模型预测随时间变化的本体感觉输入流（而不仅仅是终点），同时也意味着本体感觉预测误差的预期精度会短暂降低，这对应于感觉衰减（sensory attenuation）（Brown et al. 2013）。

在后一种情况下，参与行动是为了生成新的感觉样本，目的是最小化知觉预测中的不确定性。这可以通过几种不同的方式实现，正如科学假设检验中的实验设计类比所表明的那样。可以选择那些（i）预期会确认当前知觉假设；（ii）预期会证伪这些假设；或（iii）预期能消除竞争性假设之间歧义的行动（Bongard et al. 2006）。当科学家试图寻找反对当前假设的证据时，与试图在不同假设之间做出决定时，可能会执行不同的实验。以完全相同的方式，主动推理可能会为这些不同的目标规定不同的采样行动。

这些区分强调了主动推理意味着反事实的预测加工（PP）。为了让大脑选择最有可能确认、证伪或在当前预测模型之间做出决定的行动，它必须编码与潜在（但未执行的）行动相关的预期感觉输入和精度。这在前面描述的动眼控制例子中是显而易见的（Friston et al. 2012）。在这里，眼跳（saccades）是基于感觉预测误差的预期精度来引导的，以便最小化当前知觉预测中的不确定性。请注意，该研究保留了这样一个高阶先验：在任何时候只存在单一的知觉预测，这排除了消除歧义意义上的主动推理。

与这些对主动推理的新解读相关，出现了一些相关的观点。寻找证伪性或破坏性证据与最大化贝叶斯惊奇度（Bayesian surprise）（Itti & Baldi 2009）密切相关。这也提醒我们，最好的统计模型通常是那些能够以最少的自由度（模型参数）成功解释最多方差的模型，而不仅仅是那些本身产生低残差误差的模型。此外，消除竞争性假设的歧义是从贝叶斯模型选择和优化转向模型比较，在模型比较中，竞争性模型之间的仲裁是通过在准确性和模型复杂性之间进行权衡来调节的（Rosa et al. 2012）。

主动推理的这种寻求信息（或“信息趋向性”，infotropic）的作用，为自由能原理提供了一种不同的诠释，该原理此前曾被简单地解释为预测误差的最小化。相反，现在的观点是，系统通过诱导关于感觉信号原因的最具预测性的模型，能最好地确保其长期生存，而这需要破坏性和/或消除歧义的主动推理，以便始终对当前最佳模型进行测试。这种观点有助于消解所谓的“暗室问题”（dark room problem）（Friston et al. 2012）的担忧，在该问题中，预测误差是通过预测简单的事物（例如，没有视觉输入）然后琐碎地确认这一预测（例如，通过闭上眼睛）来最小化的。16 此前对这一挑战的回应诉诸于这样一种观点：高阶先验与低层级预测误差的琐碎最小化是不相容的：平均而言并随着时间的推移，闭上眼睛（或停留在暗室中）预计不会带来稳态的完整性（Friston et al. 2012; Hohwy 2013）。也许更优雅的观点是考虑，破坏性和消除歧义的主动推理暗示了探索性的采样行动，这独立于关于感觉信号本身动态的任何高阶先验。还需要进一步的研究，看看反映信息趋向性主动推理的成本函数如何能被明确地整合到预测加工和自由能原理中。

5.2 主动内感受推理与反事实预测加工

当将反事实预测加工（PP）和主动推理应用于内感受时，我们能得出什么结论？在某种意义上，支撑情绪和心境的预测模型是否编码了将虚构的内感受信号（及其可能的原因）与自主神经或异稳态控制联系起来的反事实关联？如果是这样，情感体验的哪些现象学维度依赖于这些关联？尽管这些仍是悬而未决的问题，我们至少可以勾勒出这一领域的轮廓。

我们已经看到，外感受中的主动推理意味着反事实处理，因此可以根据动作在（证伪或）确认或消除感觉预测歧义方面的预期效果来选择动作。同样的论点也适用于内感受。为了使主动内感受推理能够有效地消除预测模型的歧义，或（证伪或）确认内感受预测，预测模型必须配备与自主神经或（在更高层级上）异稳态控制的可能效果相关的反事实关联。至少在这个意义上，内感受推理也涉及反事实期望。

话虽如此，反事实主动推理在内感受环境中的表现方式可能存在实质性差异。例如，假设当前的内感受预测与稳态完整性相容，生物体不断试图证伪这些预测，（从长远来看）可能是不适应的。通俗地说，我们不想为了检查基本变量是否总是能够恢复，而不断将它们推向生存极限。这让我们回想起前面的观点（第4.1节），鉴于维持基本变量稳态的必要性，预测控制更自然地适用于内感受而非外感受。此外，内感受预测模型所编码的反事实关联的因果结构，无疑与视觉等情况大不相同。这些差异可能反映了与这些不同意识内容相关的知觉在场类型中所存在的实质性现象学差异（Seth et al. 2011）。

6 结论

本文从主动稳态控制的控制论起源（Ashby 1952; Conant & Ashby 1970）这一独特视角，对预测加工（PP）进行了综述。这一视角将知觉推理从“为通用认知机制提供外部世界表征”的观念，转向了将基于模型的预测控制视为首要的生存指令，而知觉、行动和认知均由此产生。这一观点与自由能原理（Friston 2010）相一致；然而，它试图解释的是特定的认知和现象学属性，而非一般的自适应系统。由此产生了几点推论。情绪成为主动内感受推理的过程（Seth 2013）——这一过程也调动了自主神经调节，并通过行为异稳态（behavioural allostasis）影响直觉决策。内感受和外感受背后共同的预测原则，也为具身自我（embodied selfhood）底层的神经认知机制（特别是身体所有权体验）提供了一种整合性的视角（Apps & Tsakiris 2014; Limanowski & Blankenburg 2013; Suzuki et al. 2013）。在这种观点下，具身自我的体验是由大脑对跨越外感受和内感受领域的最可能是“我”的那些信号原因的“最佳猜测”所决定的。从控制论的角度来看，具身自我既是需要维持稳态的对象，也是表达异稳态互动的媒介。

源于控制论的第二条重要脉络，将PP置于认知科学中基于模型与生成主义（enactivist）视角的更广泛背景之中。一方面，控制论常被引用来支持非表征认知科学，因为它展示了简单的机制如何通过以身体为中介的智能体-环境互动，产生复杂且表面上具有目标导向的行为（Pfeifer & Scheier 1999）。另一方面，控制论的遗产表明，PP如何能够为生成主义的哲学骨架赋予机制的血肉，但这只有通过接受一种经过精细化的表征主义形式才能实现（Seth 2014b）。生成认知科学中的一个核心概念是掌握感觉运动权变（SMCs）。这一概念对于理解不同知觉模态的质性特征很有用，但正如在生成主义中所表述的那样，它缺乏坚实的实现基础。“感觉运动权变的预测性知觉”（PPSMC）通过提出SMCs是由感觉运动关系的预测模型来实现的，从而应对了这一挑战，而这一模型由主动推理必然蕴含的知觉与行动之间的连续性所支撑。掌握感觉运动权变依赖于反事实概率密度的预测模型，该模型指明了如果采取特定动作，将会发生的感觉信号的可能原因。通过将PP与生成主义中的关键概念联系起来，该理论能够解释后者处理得很好的现象学特征，例如知觉在场的体验（及其在联觉等情况下的缺失）。

考量这些问题会引出对主动推理的不同解读，在最一般的意义上，它意味着对感觉信号进行选择性采样，以最小化关于知觉预测的不确定性。在更细的粒度上，主动推理可以涉及执行动作以确认当前预测、证伪当前预测，或消除竞争性预测的歧义。这些不同的意义都建立在配备反事实的预测模型这一概念之上；并且它们将自由能原理推广到了包含贝叶斯模型比较以及优化和推理的范畴。

总之，本文概述的思想提供了预测加工、控制论和生成主义的独特整合。这种丰富的融合消解了关于知觉、认知和行动底层神经机制的内部主义与生成主义（基于模型与无模型）观点之间明显的张力；它阐述了自我和世界知觉与控制的共同预测机制；它提供了将情绪视为主动内感受推理的新观点，并展示了“反事实”预测加工如何解释意识在场的现象学及其在特定情况下的缺失。它还精细化（finesses）了主动推理的概念，使其能够参与不同形式的假设检验，从而规定不同的采样行动（一个额外的好处是，“暗室问题”得到了优雅的解决）。同时，在通过实验验证这些想法，以及将它们与不依赖内部实现的推理机制的替代解释区分开来时，也出现了新的和困难的挑战。

原文链接：https://psycnet.apa.org/record/2014-14659-005