作为意识计算框架的主动推理 （机器翻译约八千字）
摘要
最近，主动推理的机械框架被提出作为发展意识的支配性理论的原则基础，这将有助于解决该领域的概念差异(威斯2018；霍维和塞斯2020).
为了证实这一承诺，我们认为，目前基于主动推理方案的建议需要进一步完善，才能成为意识的过程理论。
用机械论的术语改进一个理论的一个方法是使用形式主义，例如实现、协调和验证所提出的概念的计算机模型。
在这里，我们研究了计算建模方法如何被用来完善连接主动推理和意识的理论建议，重点是它们被发展到适应意识和实验范式的不同方面的程度和成功，以及模拟和经验数据如何被用来测试和改进这些计算模型。
虽然目前使用这种方法的尝试已经显示出有希望的结果，但我们认为它们本质上仍然是初步的。
为了改进它们的预测和结构有效性，需要根据经验数据测试这些模型，即新的和未观察到的神经数据。
主动推理要成为一种意识理论还有一个挑战，就是要将这个模型一般化，以适应广泛的意识解释；特别是解释经验的现象学方面。
尽管存在这些差距，这种方法已被证明是理论发展的一个有价值的途径，并为未来的研究提供了巨大的潜力。
关键词
主动推理。意识。计算模型。机械模型
1 意识理论与多重解释问题
意识的本质仍然是最令人困惑和最不被理解的现象之一。
在90年代初，克里克和科赫提出了一个专注于意识的神经关联(NCC neural correlates of consciousness)的研究计划，作为对身体(大脑)如何产生现象质量(意识)的理解，认为“从长远来看，意识的问题只能通过神经水平的解释来解决”(克里克和科赫1990).
NCC被定义为实现任何一种特定的意识体验所必需的最小神经元机制(Chalmers2000).
由于这一开创性的贡献，NCC项目蓬勃发展。已经进行了许多实证研究，旨在阐明支撑意识的神经机制，这导致了近年来许多理论的发展(最近的综述见Doerig等人。2021).
然而，关于它们的含义和对它们的发现的解释，几乎没有一致的意见。这个问题可能部分是由于缺乏一个统一的解释，也就是说，意识科学应该解释什么，以及在意识应该如何操作和测量上缺乏共识。我们称之为“解释问题”。
意识被描述为“一堆特征”(威斯2018)，每一个都是由不同的研究项目解决的，这些项目本身在内部就 要使用的分类学和实验范式进行辩论。让我们首先简要回顾一下研究意识的一些方法。
意识的研究跨越了两个维度:觉醒或清醒(即意识的状态)和意识(即意识的内容)(劳雷斯2005).
关于意识状态的研究，将意识作为一种时间上延伸的状态进行研究，在这种状态下，主观体验是可能的，这与作为一个整体的体验不存在的其他状态相反(例如在麻醉状态下)(Bayne2007).这些状态更好地被认为是类似于连续体中的不同“层次”还是多维空间中的“区域”,这仍然是一个悬而未决的问题。2016).
研究意识状态的神经关联的研究人员通常比较在有或没有感官刺激的情况下，大脑活动在不同状态下的差异(Bayne2007).几个例子是用功能性磁共振成像(fMRI)、磁/脑电图(M/EEG)、皮层脑电图(ECoG)测量的脑活动模式对比研究，在清醒与睡眠之间(例如，Horovitz等人。2009)，在有梦和无梦睡眠之间(例如Siclari等人。2017)，或者在清醒和麻醉之间(Alkire等人。2008)(最近的综述见Koch等人。2016).
专注于意识内容的研究调查与特定现象内容相关的神经模式，例如特定的物体、面孔、颜色或声音。Ned Block提出了一个有用的区别(1990,1992,1995)在现象意识和接近意识之间，他进一步论证了至少两种不同的NCC的存在，它们与那些结构相关联，在实验方法上也是不同的。我们依次回顾这些。
意识的现象内容指的是意识体验的主观质量，即红色和绿色体验之间的区别(方块1990；街区1992；街区1995；梅青格2000).
研究现象学包括处理意识的“难题”,这指的是努力理解“感觉”某物意味着什么。为什么看到的和听到的感觉不一样？(查默斯1995).
理解意识的主观品质，相对于理解能够报告这种主观体验的机制(有意识的接近)，需要解决至少两个问题。一个问题是指识别在任何经验中必不可少且不变的现象学性质。也就是说，根据某些理论，是什么使得任何经验成为一种经验，例如，内在的、统一的、独特的、综合的(Tononi et al .2016).
另一个问题是指特定体验的具体属性是什么——是什么让给定的体验成为这种体验，例如，为什么我们看苹果时会看到红色。为了解决这些问题，现象学研究使用内省收集第一人称数据，内省是一种专注于研究个人在世界中的生活经历的定性研究形式。这些方法虽然在解开这些主观体验方面非常有见地，但也不是没有限制。也许最大的挑战是，并不是所有的经历都同样可以内省(尼斯贝特和威尔逊1977).此外，仅仅是内省的练习就可以改变那些原始经验的内容。然而，这些限制并没有取消该方法本身的资格。它只是反映了证据来源可能有限的事实，这一概念可以扩展到每一种科学方法。然而，它们仍然是理解经验如何呈现给我们，以及我们如何赋予它们意义的重要工具。
已故弗朗西斯科·瓦雷拉(Francisco Varela)提出的神经现象学的研究传统(1996)等，例如在综合信息论的框架内（Integrated Information Theory IIT）(Haun和Tononi2019)，旨在解决和更好地描述这些现象质量的结构及其背后的神经机制。后一种方法的一个最近的例子涉及调查空间经验的研究，对此已经提出了初步的想法(Haun和Tononi2019)并得到实证的支持(宋等。2017).
在神经现象学的传统中(瓦雷拉1996)，严格的第一人称数据已经与神经生理学数据结合使用，以阐明意识的大规模动力学(Lutz等人。2002；最近的综述见贝尔科维奇-奥哈纳等人。2020).
另一方面，有意识的获取指的是使特定信息能够被主观报告并被更高层次的认知过程(如推理、规划、决策、注意力的自愿定向、动作控制等)所利用的过程。)(块2005).这些信息不需要来自感官，它也可以是关于我们自己的感知(即元认知)的内部想法，或关于我们自己的意识体验的意识(即元意识)。典型的研究进入意识的范例要求参与者报告他们的内在经验。例如，在双眼竞争实验中，当感知在同时呈现给每只眼睛的竞争刺激之间交替时，要求参与者报告(例如，通过按钮按压)他们当前的感知。有意识地感知到刺激的试验与没有感知到相同刺激的试验之间的神经表征形成对比。
另一种策略包括在收集感知报告的同时，呈现沿着已知影响感知检测的特定维度(例如，持续时间、对比度、空间频率)变化的刺激。然后对比了参与者报告的那些试验的大脑活动有意识地感知刺激和那些他们报告没有感知刺激的人(关于用于使刺激不可见的方法的概述，参见Kim和Blake2005).
也许是作为解释目标的意识领域的异质性的结果(西尼奥雷利等人。2021)，已经提出了许多关于意识的神经关联的理论，每个理论都强调一个(或几个)概述的意识解释和描述(即它的状态、内容、现象学性质、可报告性等)。)并相应地选择他们的首选方法。针对这种情况，一些人认为意识不应该被分割，而应该作为一个具有单一潜在机制的统一现象来研究。例如，巴赫曼和胡德茨(2014)认为，意识来自于代表意识内容的机制和那些启动和调节不同意识体验状态的机制之间的相互作用。这两种机制是必要的，相互依赖的:如果没有意识状态，内容就不能到达意识，没有内容被呈现就没有意识状态。
因此，在他们看来，阐明这两个方面的整合对于揭示一个充分的NCC是决定性的。相比之下，其他人则呼吁严格区分概念(block 2005).虽然已经有了具体的概念性尝试来将不同的意识理论结合在一起，或者至少整合它们的中心主张(例如威斯2020)，共同的研究议程尚未达成一致，该领域的进展在许多方面似乎已经停滞。
在这种背景下，通过使用脑功能的通用模型框架的解释性结构来解释经验发现，已经有了整合意识的不同解释和它们各自的实验范式的努力:主动推理(Wiese2018；霍维和塞斯2020).一些工作已经被推进来阐明这个框架的哪些方面可能特别适合于解释意识研究中的普遍现象(Hohwy和Seth2020).
在这里，我们旨在弄清楚这样一个问题，即由主动推理提供的计算模型框架是否以及如何被充分利用来产生、提炼和统一一个解释性的意识理论(当被广泛定义时)。在回顾主动推理作为意识的一般框架的承诺时，我们将把这个重要的问题放在一边，即意识研究计划的解释者应该是什么，即进入意识或现象学。相反，我们将从Hohwy和Seth采用的系统方法中获得灵感(2020)中，通过预测性处理为解释意识研究中的常见挑战提供框架的能力来评估预测性处理。
2 主动推理作为构建过程理论的建模框架
自由能原理表明，所有适应性生物制剂都寻求最小化长期惊奇(即熵)(Friston2010).虽然这一原则是规范性的(即公理，自明，不可证伪；艾伦2018)在本质上并没有提供大脑功能的机械论解释，它可以在建立过程模型时使用。大脑功能的过程模型是一种根据其结构、机制和信息流来指定产生认知能力的神经过程的模型(安德鲁斯2021).在自由能原理下开发的这种过程模型的一个例子是主动推理(Friston等人。2016)，它实现了一种称为预测处理的神经算法方案的变体。
预测处理是假设的核心，该假设提出大脑通过使用贝叶斯推理机制推断产生我们感官体验的世界的(隐藏)状态来寻求减少惊讶(Friston和Kiebel2009).这种推断可以通过实例化生成模型来进行，该生成模型指定了给定世界中隐藏状态的观察的可能性，以及每个状态的先验概率。神经系统使用这种生成模型来计算这些观察结果背后的原因的后验概率。这种生成模型被称为分层的，其中分层的每一层以嵌套的时标对状态进行编码，并且每一层将下面各层的隐藏状态作为观察值(Friston等人。2017；弗里斯顿等人。2018).
在预测处理镜头下，将生成模型的预测与真实观察值进行比较，模型和观察值之间的差异，即“预测误差”(形式上等同于自由能)，在层级中向上传递(Friston和Kiebel2009).神经系统的目标是最小化这些跨层级的预测误差。这可以通过两种方式来实现:通过推断最大化观察概率的世界状态，这对应于感知并且通常由预测编码方案来建模(Friston & Kiebel，2009；巴斯托斯等人。2012);或者通过在世界上取样或行动来增加满足那些预测的机会(Friston等人。2016).假设最后一个属性的模型就是我们所说的主动推理模型。
主动推理模型意味着系统不仅最小化此时此地的惊奇:它还通过政策选择过程最小化预期的惊奇。这种最小化可以通过两种方式来实现:或者通过执行一个实用的动作来最大化获得由先验编码的奖励的可能性，或者通过执行一个认知的动作来最大化通过探索获得的信息。因此，生成模型必须拥有关于未来状态的信念，以及反事实信念，这些信念编码了某种状态的概率及其以选择特定政策为条件的结果(Friston et al .2018).层次结构中每一层的状态之间的转换由上面的层来上下文化(Friston等人。2017).
这种生物还能估计其信念的精确度。因此，大脑不仅编码关于世界状态的信念，它们如何产生观察，以及它们如何随时间转变；它还量化和调节对这些信念的信心。这些所谓的精度估计可以衡量预测误差的影响(增益函数)，当以递减(自上而下)的方式部署为期望值时，它们被认为是注意力机制(Feldman和Friston2010).通过这种方式，神经系统可以根据环境和生物体的目标放大或下调上升(自下而上)预测误差(Auksztulewicz等人。2017).
综合起来，这些计算原则构成了主动推理的架构，可以用来构建特定认知现象的过程理论。
3 意识的主动推理解释
作为构建大脑功能过程理论的一个包罗万象的框架，主动推理原则上应该能够适应意识。因此，人们已经做了一些尝试，试图将主动推理提出的通用计算机制与意识的不同解释联系起来。在本节中，我们将回顾这些提案的一些示例。我们将只讨论那些专门使用来自主动推理的概念工具的，但是参见Marvan和Havlík(2021)以获得将主动推理与来自其他理论的机制相混合的提议的概述。我们也将省略意识的特定方面的理论(例如，意识存在的现象学属性，或自我)，这些理论仅基于预测编码机制而不是主动推理(例如，Seth等人。2012；Woźniak2018).
积极推理的支持者断言，意识和任何其他生物过程一样，可以用自由能原理和大脑处理的贝叶斯理论来解释，在大脑处理中，行动在减少不确定性方面起着关键作用。正如积极推理的捍卫者所说:“有意识的处理是关于推断感觉状态的原因，从而在世界中航行以躲避惊奇”(弗里斯顿2018).
意识是推理过程这一事实并不意味着所有进行推理的有机体都是有意识的。相反，主动推理框架认为，有意识和无意识的有机体或状态之间的区别在于，前者被赋予了厚重的时间和深刻的反事实生成模型(弗里斯顿2018).有意识的系统能够相对于选定的行动过程(即反事实深度)来推断尚未发生的世界状态(即时间厚度)。时间厚度和反事实深度是生成模型的分级特征，允许推断时间上更远的状态，并比较更多数量的策略。因为这两个属性被假定为意识现象的基础，所以积极推理的支持者认为意识必然是一个分级的现象。事实上，非人类有机体在展示意识信号的程度上有所不同，人类在不同的时间点或多或少有意识。这种说法是，在意识减少的状态下(例如，镇静)，大脑的生成模型可能会失去时间厚度和反事实深度。
关于有意识的内容，它们被认为是由具有最高后验概率的假设决定的，并由在层次结构的每一层做出的推论来参数化。这是最好地解释了预测错误的信念，也是将被用来对世界进行采样或对其采取行动的信念(Hohwy2012).因此，我们的现象学经验的内容是推断的状态:“(...)红肿感觉痛(...)本身是推断出的原因，被构建来适应(即最好地解释)原始的感觉流——以及它们诱导的等级阴谋”(Clark et al .2019).一些人认为意识的内容特别代表了后等级的中层信仰(克拉克等人。2019；威特和史密斯2020).这些建议与生成模型的时间和反事实深度之间的关系仍然是一个争论的问题。
一些现象学性质也可以用生成模型的层次性来解释。据说较低的水平在短时间内跟踪感觉信息，而较高的水平处理更抽象和非模态的信息
较长时间窗口内的表示。相应地，顶层可能使用离散的(和低维的)表示对信息进行编码，而较低层可能以连续的方式处理信息(Friston等人。2017).这也许可以解释为什么记忆等现象(Barron等人。2020)或想象，与更高层次的皮层相关，并在较低程度上涉及感觉系统，可以感觉到不同于典型的感觉经验，如感知球的红色(Clark等人。2019).
类似地，分层精确部署可以解释为什么人类能够关注和操纵他们自己对世界状态的信念(即元认知能力)。如前所述，自上而下的精确加权通常等同于注意力过程，其中较高水平的状态调节不同感知状态的置信度和重要性。元意识状态，即一个人开始意识到并有意识地操纵这些内部注意力过程，可以被认为是在层级中部署注意力调节机制本身的那些级别上的精确部署(Sandved Smith等人。2020).
4 作为意识计算框架的主动推理
虽然意识的许多多重解释和疑问已经通过主动推理镜在概念上得到描述，并且这些理论主张是研究的有用指南，但它们本质上仍然是初步的，并不构成严格意义上的过程理论。它们通常不提供机械的解释，机械的解释识别在产生感兴趣的现象中具有因果效应的实体、操作和组织特征，并指定相关组件如何在基础系统中实现(Craver2006；卡普兰2011).正如已经指出的，连接主动推理和意识的理论需要进一步限制和具体化，以提供一个机械论的解释。2020；威斯和弗里斯顿2020).
到目前为止，该领域的大多数研究人员都试图通过更精确的概念规范来取得理论上的进步(最新的例子见Clark等人。2019；弗里斯顿等人。2020；利马诺夫斯基和弗里斯顿2020；威斯和弗里斯顿2020).然而，正如将在剩余部分中讨论的，更好地规定理论的一个有希望的替代方案是通过建立实现其提议的计算模型(这里定义为语言理论的计算机代码形式化)( Guest和Martin2021).模拟和经验数据可以用来测试这个模型，检测任何不正确的机械假设，从而完善基本理论(Smaldino2017).
主动推理的支持者长期以来一直在他们的研究中使用计算建模实践(Friston等人。2018)，因此这种努力可能正在进行中。在下文中，我们将讨论在主动推理框架下，计算模型和实验数据是如何被用来提炼和验证意识的解释性理论的。如前所述，我们将从该修订中省略仅部分实现主动推理方案的模型，例如基于经验的模型，其参数根据预测编码机制进行事后解释(例如Boly等人2011；桑德斯等人。2014)且不涉及政策选择流程。
考虑到提供意识的神经过程理论的明确意图，我们把重点放在作为评估该领域进展的工具的机械框架上(米可夫斯基2016a).
4.1 走向解释性计算模型
4.1.1 目标现象
当建立一个机械模型时，第一步是清楚地识别和描述要解释的现象2006).然后可以通过模型产生和调节这种解释的能力来评估模型，并且可以验证或证伪作为产生感兴趣的现象的解释而提出的机制。
如前所述，该领域的挑战之一是，意识研究的目标仍然是一个备受争议的问题，并且在各种理论之间存在很大差异。因此，意识的计算模型根据其嵌入的理论框架不同地定义了它们的解释和范围。这使得对不同理论提出的机械论建议进行正式的定量比较成为一项困难的任务。
意识作为计算模型的目标也有另一个重要的限制:现象本身是主观的，这意味着它的存在只能从第一人称的角度来看(梅青格2000)并因此不能被客观地确定。计算模型无法通过现象学访谈或其他内省方法进行探索，这些方法通常用于人类研究，以详细描述内部状态和主观体验。为了避开这一限制，计算模型已经通过模拟或拟合探索意识解释的实验研究结果的能力得到了评估。例如，已经建立了计算模型来模拟传统上被认为指示意识进入机制的电生理标记(例如威特和史密斯2020).这种模拟方法也被认为是建立一个可复制的有效模型，即一个可以从已知输入产生已知输出的模型(mikowski2016b).建立这样一个模型是开始提炼意识理论的一个有希望的方法。它将允许我们调查哪些机械过程(由计算模型实例化)可以产生与意识体验相关的可观察性(实验标记)。然而，将那些输入-输出模型和模拟与主观质量正式联系起来的平行工作(Carter et al .2018)来充分验证这种方法，至少当它涉及到理解意识的现象属性时，相对于认知访问。意识的碎片化定义和关于神经和行为标记的多样性发现使得建立意识的计算模型似乎是一项特别具有挑战性的工作。如前所述，有人提出，这些问题的潜在解决方案可能是利用主动推理的大脑处理的通用机械框架。这种框架提供了一个单一的概念和形式的支架，用于定位意识的各种解释(即状态、内容、现象学、可报告性)，传统上是用不可通约的理论孤立地研究的。将解释者置于大脑功能的共同框架下，我们了解其组成部分的相互作用，这将启发我们如何理解 元素他们自己可能会相互作用产生意识。这种统一的方法有可能开发出一种机械模型，能够预测意识的各种行为和神经标记，并能够解释这些如何整合以产生意识体验。
主动推理模型离提供意识的统一解释还有多远？在本节中，我们将提供现有模型的综合(见表1).我们将把我们的讨论限制在针对传统上与意识相关的现象，如知觉意识和现象学经验。我们将省略其他高级认知能力(如工作记忆)的计算模型，但重要的是要提到这些模型可能有助于更好地描述意识，因为它们间接涉及意识(Reggia等人。2017).
使用主动推理的机械工具，已经建立了各种意识解释的预测有效模型。这样的模型提供了有意识进入标记的部分解释。正如预期的那样(维拉斯和梅隆2020)，他们也能够通过模拟元意识和元认知过程的关联来适应意识经验内容的多样性(Smith et al .2019；桑德韦特·史密斯等人。2020)，或关于幻觉的报告(Benrimoh等人。2018；Benrimoh等人。2019).最值得注意的是，这些努力中的一些阐明了意识的两个方面(例如，元意识和意识进入)如何在单一模型中相互作用，以调节内部情绪状态的可报告性(Smith等人。2019).与这些进步形成对比的是，到目前为止，还没有一个主动推理的计算模型再现了关于意识简化状态的发现，或者被用来适应现象学的结构不变性质，比如主观经验的整合性质。
研究人员使用了哪些任务作为计算模型和实验数据之间的接口？主动推理研究模拟了双眼竞争(Parr等人。2019)，掩蔽(威特和斯密2020)，无意失明(威特和史密斯2020)、特克斯勒褪色错觉(帕尔等。2019)和oddball范式(Sandved Smith等人。2020)，以及利用有意识的访问机制的工作记忆范式(Smith et al .2019)，以及引发幻觉的言语范式(Benrimoh等人。2018；Benrimoh等人。2019).所有的研究都使用了相对简单的刺激，生态效度较低。
主动推理模型模拟合成参与者对任务隐藏状态的后验信念，然后这些被用于模拟行为和神经反应。这项工作的主要贡献是使用类似的参数化生成模型来描述具有主动推理机制的隐藏状态的演化。同时，这些模型包含定制的反应模型，将这些隐藏状态映射到特定类型的行为或神经标记，解决了解释和描述的多样性。作为行为标记，感知经验的报告(威特和史密斯2020)，内部状态(史密斯等人。2019)和视觉扫视(Parr等人。2019)进行了模拟。神经标记包括模拟的放电频率反应(Smith等人。2019；威特和史密斯2020)、局部场电位(Smith等人。2019)和事件相关电位(ERPs)(威特和史密斯2020).到目前为止，还没有工作模拟大脑活动空间分布的差异。
值得注意的是，主动推理模型已经有助于在概念上整合探索意识同一方面的不同实验任务的结果。
威特和史密斯(2020)开发了一个模型，可以模仿两项研究报告P3成分的研究(一种曾经被认为是进入意识信号的标记)的调制对不同实验操作的响应:一个利用参与者的注意力，另一个利用他们的期望。作者将这些输入条件参数化到他们的模型中，以独立调整精度估计，并模拟实验，系统地改变它们的值，以理清它们对P3的影响。作为另一个例子，Parr等人(2019)模拟了关于状态转换精确度的信念如何解释由同一合成受试者执行的两个不同知觉意识任务中的意识知觉的稳定性。这两个例子说明了这种建模框架在整合不同研究结果方面的潜力。
总之，使用主动推理框架的可复制的有效模型已经被部署来适应许多意识解释。这初步但定量地表明，这个模型框架是提供意识的神经过程理论(广义定义)的一个重要候选。然而，为了进一步证明这种能力，研究需要扩展这些模型，以解释意识状态的改变和现象学经验的结构。实验也应该模拟与意识相关的其他神经标记，因为像P3这样的信号经常在它们与意识的关系上有争议2020).
在回顾了主动推理模型处理各种解释和现象的方式之后，我们现在将进入建立一个机械模型的第二步:确定对理论至关重要的组成部分，并描述它们对感兴趣的现象的影响。
4.1.2 解释性组件
我们现在将回顾这些实践是如何实现的，以完善将主动推理机制和意识现象联系起来的理论。概念工作已经表明，主动推理框架的哪些具体组成部分可能是那些驱动意识体验的部分。例如，在确定意识体验的内容时，已经做了大量的工作来模拟精确估计的作用和它们的等级配置。这一部分在主动推理中起着核心作用，因为内容是由具有最大后验概率的假设定义的，而最大后验概率又受到归因于这些信念的精确度的影响(Hohwy2012).
为了研究似然估计的精度对经验内容的影响，研究人员操纵了它们的参数值，以确定它们如何影响掩蔽和疏忽盲参数的有意识报告(威特和史密斯2020)，以及在双目竞争范例中感知转换的数量(Parr等人。2019).两个实验都表明，观察和世界隐藏状态之间映射的不确定性的增加会影响内容是否被有意识地感知。更进一步，Benrimoh等人(2018)分析了模型的不同组成部分的精度估计如何共同相互作用以影响目标，表明只要政策的高先验精度伴随着降低的似然精度，它们就可以影响感知并诱发幻觉，因为在这种情况下，先验政策将在建立具有较高后验概率的感知假设中具有增加的影响。
其他工作描述了先验在决定意识内容中的作用。Benrimoh等人(2019)展示了只有在模型中加入了不正确的先验知识，才能模拟出内容与环境不一致的幻觉。同样，威特和斯密(2020)报道了与新的感知输入一致的先验增加了有意识地接收刺激的概率。由于先验也影响不同知觉假设的后验概率，这些研究进一步验证了主动推理的假设，即这种模型成分是决定意识经验内容的成分。
与精确估计和先验知识的内容等概念相比，将主动推理与意识联系起来的理论建议的其他要素仍然没有得到详细说明。例如，生成模型的时间厚度和反事实深度被认为是意识水平的指标，在计算模型中仍然是模糊不清的。一些研究者已经将时间深度建模为隐藏状态的嵌套信念(例如威特和史密斯2020)，其他的作为模型参数的嵌套信念(即，影响层级较低级别的组件精度的信念；参见Sandved Smith等人。2020).这些机制可能是互补的，但是这些机制是否以及如何不同地调节意识水平还没有被研究。时间深度属性也被转化为有意识的访问术语，它被定义为
模型的层次结构整合来自较低层次的信息，并以自上而下的方式传递这种整合(Smith et al .2019；威特和史密斯2020).反事实属性，已被定义为由模型实例化的策略的数量，尚未被操纵来测试其对意识水平的影响，并且与时间深度的相互作用尚未被调查。
不仅建模框架的一些相关组件的计算实现不清楚。这些研究没有阐明，因此操纵，这是模型的辅助假设。他们也缺乏与其他意识理论模型准确性的正式比较。模拟方法并不是填补这些模型空白的唯一方法。经验数据也可以用于这种目的，我们将在下一节探讨。
4.2 经验测试
4.2.2 神经实现
有人认为，对诸如意识这样的心智能力的机械论解释是不完整的，除非它表明它是如何在人脑中实现的(卡普兰2011).换句话说，一个机械论的解释需要建立一个结构上有效的模型，这意味着它的结构已经显示出与实现能力的物理系统的结构相一致(米可夫斯基2016b).为了在神经科学领域创建这样的模型，研究人员需要将计算模型的实体、属性和操作映射到大脑的解剖和动力学。对于如何在大脑中实例化主动推理模型的组件，已经提出了详细的建议(Parr和Friston2018).研究人员已经测量了这些机制的行为如何能够通过相关神经结构或过程的活动来解释，或者反之亦然。例如，Schwartenbeck等人(2015)表明，根据主动推理的解剖学建议之一，参与者在奖励任务期间的多巴胺能活动可以通过以下方式预测模拟精度估计。
完整内容请参考原论文。
Active Inference as a Computational Framework for Consciousness
Abstract
Recently, the mechanistic framework of active inference has been put forward as a principled foundation to develop an overarching theory of consciousness which would help address conceptual disparities in the field (Wiese 2018; Hohwy and Seth 2020).
For that promise to bear out, we argue that current proposals resting on the active inference scheme need refinement to become a process theory of consciousness. One way of improving a theory in mechanistic terms is to use formalisms such as computational models that implement, attune and validate the conceptual notions put forward.
Here, we examine how computational modelling approaches have been used to refine the theoretical proposals linking active inference and consciousness, with a focus on the extent and success to which they have been developed to accommodate different facets of consciousness and experimental paradigms, as well as how simulations and empirical data have been used to test and improve these computational models. While current attempts using this approach have shown promising results, we argue they remain preliminary in nature. To refine their predictive and structural validity, testing those models against empirical data is needed i.e., new and unobserved neural data. A remaining challenge for active inference to become a theory of consciousness is to generalize the model to accommodate the broad range of consciousness explananda; and in particular to account for the phenomenological aspects of experience. Notwithstanding these gaps, this approach has proven to be a valuable avenue for theory advancement and holds great potential for future research.
Keywords
Active inference.Consciousness.Computational model.Mechanistic model
