來源：CreateAMind

論文介紹：

在這里,我們旨在通過推進全球神經元工作區的擴展(預測性全球神經元工作區(PGNW))來克服這些限制,該工作區將 GNW 的基本方面與更近期的(貝葉斯)主動推理方法相結合,以理解大腦功能。具體來說,我們提出了一個基于主動推理的視覺意識的層次化、部分可觀察的馬爾可夫決策過程(POMDP)模型。重要的是,我們利用與主動推理相關的神經過程理論,在神經生物學和模型提供的模擬之間建立明確的聯系。

首先由霍維(2013)、威特(2019)和弗里斯頓等人(2012)引入的形式化概念, 我們將認為有意識的接近或“點燃”是一個基本的推理過程,它依賴于足夠時間深度的處理水平,以將較低水平的處理聯系起來并進行協調。這種較長時間的協調被認為是生成主觀報告所必需的。在這里,主觀報告是一組更廣泛的臨時擴展行動計劃(即,擴展的行動序列)的一個例子,其生成需要在足夠長的時間內對信息進行整合、維護和處理,并且該信息足夠復雜,足以指導這種目標導向行為的受控生成。

例如,組合與諸如“我”、“看見”、“一個”、“紅色”和“正方形”之類的詞相關聯的概念內容需要表示比表示由詞“紅色”表示的感知屬性所需的更大的抽象和時間深度的內容。

建立在前面提到的這個領域的概念上的貢獻,我們用一系列詳細的計算模擬來證實我們的論點。這些模擬是基于主動推理提供的感知和行動選擇的基本原理。我們展示的模擬也是使用標準例程實現的(可通過開放訪問獲得;見軟件說明),這將允許讀者復制我們的結果,并為自己的目的定制這些模擬。這些模擬提供的原理證明在理解神經元過程時特別重要,這些神經元過程實現了基于 GNW 公式的有意識接近的信念更新。

正如我們將要展示的,手頭有一個電子實驗對象可以讓我們證明,在當前關于視覺意識的神經科學研究中,大量不同的發現是如何被大腦功能的第一原理解釋的。

我們通過模擬表明,該模型可以:1)統一以前看似矛盾的結果;以及 2)再現由GNW 預測的四向分類法的基本方面,描述有意識接近、注意力和刺激強度之間的關系。使用相同的生成模型架構,我們隨后再現了 Pitts 等人(2014 年)提出的無意視盲范式的電生理和行為結果(并對此提供機械解釋)。

接下來,我們轉向預期在視覺意識中的作用,并展示我們的模型如何擴展 GNW 理論的原始四向分類法,以包含在逐個試驗的基礎上操縱先前預期的范式——突出從這種擴展中出現的新預測。我們還描述了一個新的范例,它可以用來測試關于期望、注意力和刺激強度的可分離效應的不同模型預測。我們通過檢查 PGNW 和替代模型之間的關系來結束,并簡要地解決關于現象意識如何可能合理地位于我們的模型中的潛在問題。然而,本文主要關注的是 Block (2005)所定義的“進入意識”,它被定義為用于口頭報告、自愿行動和執行處理的信息的可用性

2.1 在分析的計算層面上,這里描述的自由能信念更新機制對于定量地解釋感知和行為選擇是必要的。至關重要的是,正如我們將在后面看到的,自由能這種信念更新方案的神經元實現的許多方面已經得到了很好的確立(至少在更粗粒度的描述水平上),并在放電率和突觸功效的相關測量方面提供了新的預測。

我們將生成模型公式化為部分可觀察的馬爾可夫決策過程(POMDP 參見圖 1)。POMDPs 對潛在變量和它們生成的觀察值之間的離散轉換進行建模。這種模型基于不同隱藏狀態因素和不同觀察(或結果)模態之間的(可能性)映射來推斷狀態和政策——由一組 A 矩陣(每個結果模態一個矩陣)給出。狀態之間的轉換由一組 B 矩陣(每個狀態因子至少一個矩陣;請參見下面的策略選擇描述)。一組 C 矩陣描述了代理人在每個時間點對觀察的優先選擇(每個結果模態一個矩陣),并量化了代理人喜歡或反對特定觀察的程度。最后,關于初始狀態的先驗信念由一組 D 向量(每個隱藏狀態因子一個)確定。a、B、C 和 D 各自是在它們各自的參數空間上具有狄利克雷先驗的分類分布。

（Such models infer states and policies based upon the (likelihood) mapping between different hidden state factors and distinct observation (or outcome) modalities – given by a set of A matrices (one matrix per outcome modality). Transitions between states are determined by the transition probabilities encoded by a set of B matrices (at least one matrix per state factor; see description of policy selection below). A set of C matrices describes the agent’s prior preferences over observations at each time point (one matrix for each outcome modality) and quantifies the degree to which agents prefer, or are averse to, particular observations. Finally, prior beliefs about initial states are determined by a set of D vectors (one per hidden state factor). A, B, C and D are each categorical distributions with Dirichlet priors over their respective parameter spaces.）

這種模型配備了可選擇的可允許的動作序列(計劃或策略;π),其中每個可能的序列被分配一個值(較高的策略值與較低的預期自由能 G 相關,相對于編碼在 C 中的優先選擇來定義)。在這類模型的上下文中,可允許的策略被指定為可允許的狀態轉換的序列,其中對于給定的狀態因子,每個時間點的每個可允許的轉換(動作) 由不同的 B 矩陣編碼。因此,動作對應于代理對狀態轉換的直接控制。觀察和隱藏狀態被分解成單獨的結果模態和隱藏狀態因子,以允許在似然映射(A)中隱藏狀態之間的交互。在分層模型中,如本文所采用的模型,第一層的隱藏狀態作為第二層的觀察值(見圖 1)。至關重要的是,層次模型還允許對深層時間結構進行推斷。一個直觀的例子是閱讀,其中模型的第一層可以推斷單個單詞,而第二層可以推斷較長時空范圍內單詞序列所包含的敘事意義(見 Friston 等人,2017 年)。例如,在任務的單次試驗的時間尺度上,信念更新等同于(例如,感知)推理,而在更長的時間尺度上,更新導致學習(我們向對數學感興趣的讀者推薦 Da Costa 等人,2020a)。從技術上講,推理指的是更新關于隱藏狀態的信念,而學習對應于更新由上述矩陣指定的生成模型的參數(關于該參數的信念)

2.2 視覺意識的深層時間模型為了模擬有意識和無意識感知之間的差異,我們基于 Pitts 及其同事(2012,2014a,2014b)介紹的范式進行了模擬任務。我們選擇這項任務是因為,只需對設計進行微小的修改,該范式就可以用于研究疏忽性失明和現象掩蔽,從而使我們能夠以一種經驗上似乎合理的方式對注意力和感官信號強度之間的相互作用進行建模。

在我們的模擬任務中,每次試驗開始時,電腦中的受試者(或代理人)都會看到一個由一排被彩色圓盤包圍的長條組成的刺激。在第 2 個時間點,條形的陣列被正方形替換,在第 3 個時間點,陣列變回條形的集合。然后要求代理人自我報告他們是否看到了正方形或執行兩個選項的強制選擇任務。我們通過要求代理監控周圍圓圈的顏色(紅色或黑色) 來操縱注意力,而犧牲了內部陣列(見圖 2)。

4.1 深層時間結構的作用有意識接近的定義(可測量)特征是主觀報告(Baars,1988;Dehaene,2014; Fleming,2019),這需要知覺、運動和聽覺-語言系統之間的處理協調,所有這些系統都在快速的時間范圍內進化。我們的模型的核心概念是,有意識的接觸是一個基本的推理過程,它只能發生在一個處理水平上,這個處理水平在時間上足夠深入, 可以整合來自較低層次的信息,并在這些較低層次上進行情境化處理。為了產生主觀報告,系統必須推斷較低水平的感知系統的狀態,將該信息整合到不受限于逐時刻的感覺流量的表示中,并使用該表示來調整更受控的、隨時間緩慢發展的動作軌跡。換句話說,在不同的目標狀態下,隨著時間的推移,在較低層次的感覺和運動表征中,時間上更深層次的編碼模式是必要的。如果沒有一個感官表征在這個更高的水平上更新預測的協方差模式(達到足夠的程度),在更高的水平上進行的更復雜的認知過程對那條感官信息的使用將受到很大的限制(即,僅通過更高水平后驗分布中的小變化來促進隱含偏差)。從技術上講,這里的洞見是,點火和全球工作空間是證據積累或同化的描述——這必然意味著一些時間敘事。這種敘述的性質變得直截了當

我們的模型提供的第一個主要見解是,許多先前的電生理學結果可以僅基于假設一個具有深層時間結構的簡單 2 級模型來再現。然后,可以通過指定基于已知的意識神經關聯似乎合理的模型的更高級別的整合功能,以及不同的隱藏狀態因素(可能對應于涉及一般認知領域的關聯皮層內的分布式處理中樞,即 van den Heuvel 等人,2012 年)如何對這些內容進行操作,來說明自我報告的意識感知與無意識感知。第二個主要的洞見來自于我們的模型如何說明了先驗預期可以無縫地適應這個結構——提供了許多新穎的、可測試的預測。

最后,值得一提的是,雖然有人提出了旨在整合其他主要意識理論的建議,如整合信息理論(Oizumi,Albantakis & Tononi,2014 年)與 VFE 和主動推理(Safron,2020a,2020b),但這些建議在很大程度上仍停留在概念分析的層面,無法提供詳細的模擬和由此產生的經驗預測,而這正是 PGNW 架構的直接結果。

5. 結論和未來方向本文介紹了全局神經元工作空間的正式擴展——預測性全局神經元工作空間——在深度主動推理架構中實現。除了解釋和統一視覺意識的神經相關文獻中不同的發現之外,這里提出的預測性全球神經元工作區模型還產生了幾個經驗預測和機械神經計算解釋,涉及 P3 和主觀報告的關系、有意識通路下推理機制的神經生物學實現以及視覺意識中預期的作用。

軟件注釋:本文中詳細描述的生成模型使用了一個通用的信念更新方案(spm_MDP_VB_X.m ),該方案是使用 freely 在 Matlab 代碼中實現的

可用的 SPM 學術軟件:https://www.fil.ion.ucl.ac.uk/spm/.用于生成這里報告的特定模擬的腳本可以從 https://github.com/CJWhyte/PGNW_ERP-1_2020.下載

未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）大腦研究計劃，構建互聯網（城市）大腦技術和企業圖譜，為提升企業，行業與城市的智能水平服務。每日推薦范圍未來科技發展趨勢的學習型文章。目前線上平臺已收藏上千篇精華前沿科技文章和報告。

??如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”

總結

以上是生活随笔為你收集整理的视觉意识的主动推理模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。