文 | 追問nextquestion
預(yù)測編碼理論作為一種解釋大腦信息處理的理論框架，近年來在神經(jīng)科學(xué)、認(rèn)知科學(xué)與人工智能領(lǐng)域引起了廣泛關(guān)注。拉杰什·拉奧（Rajesh Rao），現(xiàn)任華盛頓大學(xué)計算機科學(xué)與工程系教授及神經(jīng)技術(shù)中心聯(lián)合主任，早在25年前便前瞻性地運用預(yù)測編碼理論解釋視覺系統(tǒng)的運作機制。
在本期播客中，拉奧分享了他對預(yù)測編碼和腦機接口領(lǐng)域的最新研究成果與見解，并探討了他對大語言模型、大腦研究的未來方向等多個領(lǐng)域的思考，此外，他還討論了對破譯古印度文字的興趣以及相關(guān)的工作。以下內(nèi)容整理自拉奧與保羅·米德爾布魯克斯（Paul Middlebrooks）2024年12月在“大腦靈感”（Brain Inspired）的對談。
保羅·米德布魯克斯
Paul Middlebrooks
卡內(nèi)基梅隆大學(xué)助理研究員，
播客“Brain Inspired”主理人
他在匹茲堡大學(xué)馬克·索默實驗室獲得認(rèn)知神經(jīng)科學(xué)博士學(xué)位。隨后在范德堡大學(xué)Jeffrey Schall, Geoff Woodman, and Gordon Logan實驗室從事博士后研究，研究運動皮層和基底神經(jīng)節(jié)神經(jīng)群活動如何影響自由行為小鼠的自然行為。
拉杰什·拉奧
Rajesh Rao
華盛頓大學(xué)計算機科學(xué)與工程系教授及神經(jīng)技術(shù)中心聯(lián)合主任
他與Dana Ballard共同提出了 1999 年的腦功能預(yù)測編碼模型。他在感知和決策的貝葉斯模型方面做出了貢獻(xiàn)。在腦機接口領(lǐng)域，他于 2007 年首次展示了直接通過大腦控制人形機器人的技術(shù)。他的研究興趣涵蓋計算神經(jīng)科學(xué)、腦機接口和人工智能以及印度河文字和印度古典繪畫。 他獲得的獎項包括古根海姆獎學(xué)金、IEEE 研究員獎、富布賴特學(xué)者獎、NSF CAREER 獎、ONR 青年研究員獎、斯隆管理學(xué)院教員獎學(xué)金以及 David and Lucile Packard 獎學(xué)金。著有Brain-Computer Interfacing，合著有Probabilistic Models of the Brain，Bayesian Brain。
01 預(yù)測編碼的起源
保羅：預(yù)測編碼的理論源頭通常會被追溯到亥姆霍茲（Hermann von Helmholtz）基于推理和預(yù)測的感知理論。然而，就預(yù)測編碼相關(guān)的神經(jīng)元的研究而言，預(yù)測編碼的起源是怎樣的呢？
?圖：艾賓浩斯錯覺（Ebbinghaus illusion，左）和繆勒-萊爾錯覺（Müller-Lyer illusion，右）都可以用亥姆霍茲的感知理論解釋。他提出了一個革命性的觀點，稱為“無意識推理”（unconscious inference），強調(diào)感知不僅僅是感官輸入的直接反映，而是大腦通過推理和預(yù)測對感官信息進(jìn)行解釋和構(gòu)建的結(jié)果。亥姆霍茲的理論暗示了感知的預(yù)測性，即大腦會基于過去的經(jīng)驗和當(dāng)前的感官輸入，預(yù)測未來的感官信息。這種預(yù)測性機制在現(xiàn)代認(rèn)知科學(xué)中得到了進(jìn)一步的發(fā)展，例如預(yù)測編碼理論（predictive coding）。圖源：@大峰_Design
拉杰什：那時我跟隨我當(dāng)時的導(dǎo)師巴拉德（Dana Ballard）在羅切斯特大學(xué)攻讀博士學(xué)位。我和導(dǎo)師的相遇頗具戲劇性。原本我要攻讀理論計算機科學(xué)博士，但某天在復(fù)印室偶遇巴拉德教授。他說：“我有個暑期研究助理職位，要不要試試？”我答應(yīng)了，從此迷上了計算機視覺研究。我們當(dāng)時在破解一個難題：如何通過視覺皮層表征（如Gabor濾波器）重建遮擋物后面的物體。
我們的初步思路是借鑒視覺皮層的表征機制。我們嘗試使用Gabor濾波器的回應(yīng)重建遮擋物之后的物體，結(jié)果發(fā)現(xiàn)，這些濾波器不能重建圖像，因為它們存在非正交性問題，導(dǎo)致簡單線性組合失效。后來我們思考能否在重建誤差成本函數(shù)上進(jìn)行梯度下降，根據(jù)正交濾波器的響應(yīng)重建圖像。這就引出了優(yōu)化神經(jīng)元回應(yīng)的想法。
?圖：Gabor濾波輸出示例（上）。Gabor變換是一種短時加窗Fourier變換，F(xiàn)ourier變換是一種信號處理的有力工具，可以將圖像從空域轉(zhuǎn)換到頻域，并提取到空域上不易提取到的特征。但是Fourier變換缺乏時間和位置的局部信息。Gabor變換簡單理解起來就是在特定時間窗內(nèi)做Fourier變換，是短時傅里葉變換中窗函數(shù)取為高斯函數(shù)時的一種特殊情況。因此，Gabor濾波器可以在頻域上不同尺度、不同方向上提取相關(guān)的特征。另外，Gabor函數(shù)與人眼的作用相仿，所以經(jīng)常用作紋理識別上，并取得了較好的效果。如果在二維空間中，使用一個三角函數(shù)(a)（如正弦函數(shù)）與一個高斯函數(shù)(b)疊加，我們就得到了一個Gabor濾波器(c)（下）。圖源：@Yiwei Zhang
保羅：預(yù)測編碼的大致想法是怎樣的？我先說說我的理解。預(yù)測編碼的基本原理是，你在大腦前端有一些預(yù)測的想法，然后你通過大腦向后發(fā)送這些想法。以視覺為例，那些傳入的感官信號就會與這種預(yù)測相遇，這時預(yù)測與這些信號之間就會產(chǎn)生差異，這一差異會再度向前傳播。是這樣嗎？
拉杰什：這就是傳統(tǒng)預(yù)測編碼模型的基本想法，傳統(tǒng)視覺模型（如休伯爾-維澤爾理論[Hubel-Wiesel theory]）強調(diào)前饋傳遞：從初級視覺皮層（V1）到顳下皮層（IT）的逐層特征提取，最終觸發(fā)認(rèn)知和行為。但當(dāng)我們審視皮層解剖結(jié)構(gòu)時，每個腦區(qū)既發(fā)出前饋連接，也接收來自高級腦區(qū)的反饋連接。這一想法可以追溯到休伯爾與維澤爾。傳統(tǒng)想法通常認(rèn)為感知是通過前饋傳遞完成的，一個圖像閃過時，就會有從V1、V2、V4視區(qū)一直到下顳葉皮層的前饋傳遞，而后這一圖像被識別。基于相關(guān)的認(rèn)知，如果你作出關(guān)于行動的決定并按下行動按鈕，行動就會隨之而來。
保羅：如果只能看到物體的邊緣部分，比如只看到了桌子的腿，還能認(rèn)出那是一張桌子嗎？
拉杰什：這種分區(qū)域而治的現(xiàn)象在人工智能領(lǐng)域也屢見不鮮。整個人工智能領(lǐng)域被劃分為不同的子領(lǐng)域，有人在做視覺，有人在做運動控制機器人，還有人在做基于邏輯的高級人工智能。這與神經(jīng)科學(xué)和認(rèn)知科學(xué)的研究現(xiàn)狀非常相似，人們總是專注于對特定區(qū)域和模式的研究。
學(xué)界對反饋連接的普遍忽視實在令人震驚。如果你觀察每個皮層區(qū)域，就會發(fā)現(xiàn)它不僅會發(fā)送前饋連接，還會接收來自高階區(qū)域的反饋連接。但當(dāng)時著名的視覺神經(jīng)科學(xué)家認(rèn)為反饋連接的功能不過是調(diào)控注意力，對于對象感知而言只是次要的。
預(yù)測編碼理論扭轉(zhuǎn)了這種認(rèn)識，它指出大腦的根本任務(wù)是建立世界的內(nèi)在生成模型，大腦持續(xù)生成假設(shè)并與感官輸入比對。二者之間的不匹配被稱為預(yù)測誤差（predictive error），預(yù)測誤差通過前饋通路反饋回去，被用來更新預(yù)測。也就是說，前饋通路實際上并不攜帶原始信號，而是攜帶預(yù)測誤差。我認(rèn)為這是一個重大發(fā)現(xiàn)，與傳統(tǒng)思維不同。
保羅：這是一個史無前例的洞見嗎？
拉杰什：這個想法在當(dāng)時實際上已經(jīng)呼之欲出了。我當(dāng)時正在閱讀戴維·芒福德（David Mumford）等人的論文，他在其中談?wù)撉鹉X與皮層以及不同皮層區(qū)域之間的聯(lián)系。還有詹姆斯·阿爾伯斯（James Albus），他在人工智能的背景下討論這個問題，并就小腦做了一些工作。他對人工智能和機器人控制器中的層級結(jié)構(gòu)也有非常有趣的想法。類似的想法最終可能會追溯到唐納德·麥凱（Donald MaKay），他在20世紀(jì)50年代寫過一篇論文，叫做《自動機的認(rèn)識論問題》（The epistemological problem for automata）。他在其中提出這樣的想法：如果你能把誤差信號從一個模塊發(fā)送到另一個模塊，就能在層級結(jié)構(gòu)的不同層級之間建立抽象表征。
我們所做的工作本質(zhì)上是將許多已經(jīng)隱秘存在的想法加以利用，并以數(shù)學(xué)方法來實現(xiàn)這些想法。我們發(fā)現(xiàn)，如果將神經(jīng)反應(yīng)解釋為預(yù)測誤差，就能更好地解釋一些令人費解的效應(yīng)，如末端抑制（end stopping）、上下文調(diào)制（contextual modutation）、方向（orientation）以及對比效應(yīng)（contrast effects）等。僅憑前饋模型則很難解釋這些效應(yīng)。
保羅：麥庫洛克和皮茨（McCulloch-Pitts）也強調(diào)反饋的重要性。他們在繪制神經(jīng)元小圖時，不同神經(jīng)元構(gòu)成一個反饋環(huán)路（feedback loop）。
?McCulloch-Pitts Neuron，第一個神經(jīng)元計算模型，首先完成 I 和 w 的線性加權(quán)求和，然后再計算激活函數(shù)的結(jié)果。這本質(zhì)是一個線性分類模型，作用是對輸入進(jìn)行二分類。這符合生物神經(jīng)元的特點，生物神經(jīng)元對輸入信號所產(chǎn)生的輸出就是：興奮、抑制。那么，我們就可以通過MP神經(jīng)元模型預(yù)測出樣本的目標(biāo)。圖源：kenhub.com
拉杰什：是的，他們的確在強調(diào)環(huán)路的重要性。當(dāng)時有很多人試圖用動力系統(tǒng)理論來解析這些環(huán)狀網(wǎng)絡(luò)的特質(zhì)，但將這種基礎(chǔ)理論研究與解剖結(jié)構(gòu)相對應(yīng)，才是真正的突破。我們現(xiàn)在所做的是試圖將其映射到解剖學(xué)上，尤其是映射到大腦皮層上。大腦皮層可分為六層，前饋連接進(jìn)入中間層，即第四層（內(nèi)顆粒層），然后是來自淺層的反饋。
?皮層不同層級的細(xì)胞與成像。圖源：kenhub.com
費勒曼-范-埃森層級結(jié)構(gòu)（Felleman & Van Essen Hierarchy）或許有助于理解這一點。如果我們將費勒曼-范-埃森層級結(jié)構(gòu)解釋為進(jìn)化過程中產(chǎn)生的一個生成模型，用于對世界進(jìn)行本質(zhì)建模。這就意味著你可以從這個生成模型中抽樣，并生成動物所面臨的情境及其與環(huán)境相互作用的例子，推理就是更新你所擁有的關(guān)于世界的預(yù)測。我認(rèn)為其中的關(guān)鍵想法是，推理是在所有不同皮層區(qū)域的群體水平上快速更新的神經(jīng)反應(yīng)。在較慢的時間尺度上，這些不匹配或誤差則可以用來更新權(quán)重、學(xué)習(xí)或參與突觸可塑性。
?費勒曼-范-埃森對獼猴大腦視覺區(qū)域的層次結(jié)構(gòu)。圖源：semanticscholar.org
02 預(yù)測編碼理論的過去與現(xiàn)在
保羅：你最有名的論文是1999年的論文*，那一定是你被引用次數(shù)最多的論文吧。你在一次演講中鼓勵研究生們說：“看，堅持你的想法，最終也許就會開花結(jié)果”。
*Rao, Rajesh PN, and Dana H. Ballard. "Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects." Nature neuroscience 2.1 (1999): 79-87.
拉杰什：我想表達(dá)的是，這篇論文能夠發(fā)表的原因之一是它提供了一種前瞻性的想法，例如，基于誤差神經(jīng)元與下一皮層區(qū)域之間存在前饋連接預(yù)測它們存在于大腦皮層的第二層（外顆粒層）和第三層（外錐體細(xì)胞層）；或者，能否觀察到更深層，例如第五層（內(nèi)錐體細(xì)胞層）的神經(jīng)元？它們會產(chǎn)生怎樣的反應(yīng)？
根據(jù)預(yù)測編碼模型，深層神經(jīng)元存儲的是對身體狀態(tài)或運動反應(yīng)的評估。當(dāng)時驗證其預(yù)言的實驗技術(shù)尚不成熟。直到十年后，隨著光遺傳學(xué)和雙光子成像技術(shù)的突破，學(xué)界才開始系統(tǒng)性驗證這些假設(shè)。現(xiàn)在它已成為連接主義與貝葉斯推理的重要橋梁。
如果把時間快進(jìn)到2000年末，就會發(fā)現(xiàn)那篇論文的引用次數(shù)開始不斷攀升。如今，越來越多的人試圖從不同方面研究這一理論。弗里斯頓（Karl Friston）在這篇論文發(fā)表10到20年后在news & views上撰寫的文章中談及這篇論文對他的研究的影響*。后來他提出的自由能原理（free energy principle）以及最近廣為人知的主動推理（active inference）都是在此基礎(chǔ)上的延伸。
*Friston, Karl. "Does predictive coding have a future?." Nature neuroscience 21.8 (2018): 1019-1021.
保羅：當(dāng)時你能夠預(yù)測到這篇文章的影響力會如此之大嗎？
拉杰什：當(dāng)時我并不相信這篇文章會激發(fā)人們?nèi)プ鰧嶒?，其實論文最初備受質(zhì)疑，Nature Neuroscience的編輯曾透露首輪審稿人拒絕撰寫評論，也許是因為這一理論有悖于他們對大腦皮層工作原理的傳統(tǒng)思考。
直到科赫（Christof Koch）和波吉奧（Tomaso Poggio）用福爾摩斯的《失馬得馬》（The Adventure of Silver Blaze）中“獵犬未吠暗示熟人作案”的隱喻，來闡釋預(yù)測編碼通過"未發(fā)生的預(yù)期"揭示深層信息。自此，學(xué)界才開始真正理解其價值。因此，這篇文章在發(fā)表初期文章的引用量實際上很少。10到15年之后，這一理論才真正流行起來。當(dāng)然，反對者一直都在，事實上至今仍有很多人不相信反饋真的會影響實際感知。
?圖：偵探問福爾摩斯還有沒有什么其他要點，福爾摩斯說：晚上狗的行為很奇怪。偵探不解：那只狗在夜間明明什么也沒做。夏洛克·福爾摩斯回答：這就是不尋常之處。預(yù)測編碼的價值之一就在于，它可以通過關(guān)注"本應(yīng)發(fā)生但未發(fā)生的事"揭示被忽略的信息。圖源：libro.fm
然而，我認(rèn)為現(xiàn)在已經(jīng)有明確的證據(jù)表明，在感覺運動任務(wù)中，動物做出一個運動動作之后，會有一個推理副本（inference copy）讓其做出預(yù)測。大衛(wèi)·施耐德（David Schneider）實驗室和格奧爾格·凱勒（Georg Keller）實驗室提供的大量證據(jù)表明*，當(dāng)運動或四肢按壓杠桿并產(chǎn)生聽覺反應(yīng)時，聽覺皮層中能夠發(fā)現(xiàn)類似預(yù)測誤差信號的抑制。純粹的感覺實驗中也會看到類似預(yù)測誤差的報告。
Keller, Georg B., and Thomas D. Mrsic-Flogel. "Predictive processing: a canonical cortical computation." Neuron 100.2 (2018): 424-435.
保羅：這給我們什么啟示？預(yù)測編碼尚未被普遍接受，但技術(shù)進(jìn)步正在驗證其假設(shè)？
拉杰什：科學(xué)理論的使命正在于此。好的理論應(yīng)具備可證偽性。作為一名理論家，我們的工作就是提出足夠明確的理論，并將其與解剖學(xué)聯(lián)系起來。在此過程中，也許一些新的數(shù)據(jù)能夠激發(fā)新的理論，并引領(lǐng)這一領(lǐng)域向前發(fā)展。只要理論是合理的，與現(xiàn)有數(shù)據(jù)相匹配，提出新的理論就不足為懼。就像我們當(dāng)年用"末端抑制"和"上下文調(diào)制"等現(xiàn)象，結(jié)合解剖證據(jù)構(gòu)建預(yù)測編碼框架，即使部分假設(shè)被證偽，只要推動新實驗和新理論，就是成功。當(dāng)前研究者應(yīng)繼續(xù)整合實驗數(shù)據(jù)與計算建模，同時從演化角度追問大腦的根本任務(wù)。
保羅：你是否認(rèn)為預(yù)測編碼是某種關(guān)于大腦運作模式的通用理論？
拉杰什：我認(rèn)為這只是智能拼圖的一部分，別忘了ChatGPT和Transformer模型也基于預(yù)測機制。預(yù)測很重要，因為動物必須預(yù)測才能生存。在進(jìn)化的某個階段，大腦開始建立世界模型，以便能夠預(yù)測即將出現(xiàn)的情境。
無論是在人工智能還是自然智能中，世界模型或預(yù)測模型都能帶來顯而易見的好處。這一模型有助于應(yīng)對世界的不確定性，并彌補從肌肉傳感器到大腦的延遲，從而提高存活的幾率。此外，如果你有能力預(yù)測并擁有模型，那么你就可以做規(guī)劃。這樣一來，你就有能力做出比被動反應(yīng)生物更復(fù)雜的行動。我認(rèn)為，不論是從計算視角出發(fā)，還是基于演化和生物學(xué)的視角，建立這樣的一個內(nèi)部模型都是必要且有益的。
03 將運動引入預(yù)測編碼模型
保羅：在此之后，你開始了對皮層的感覺運動理論的研究。這一轉(zhuǎn)變是如何發(fā)生的？
拉杰什：原因是多方面的。當(dāng)我重新思考大腦存在的演化意義時，通常會追溯到一些最原始的生物行為——比如趨利避害或者覓食行為。在這個過程中，需要借助感知來盡量減少誤差。因此，感知與運動緊密相連，運動可以讓生物改變位置或?qū)Νh(huán)境的不同部分進(jìn)行采樣，感知則告訴它們運動成功與否。
保羅：從時間順序來看，是先感知后運動嗎？
拉杰什：兩者互為因果。在某種意義上可以說是先有感知，例如生物具有一個關(guān)于營養(yǎng)不足的內(nèi)部感知，這一感知可能會驅(qū)使它行動。而當(dāng)它移動并攝入一些營養(yǎng)物質(zhì)后，內(nèi)部狀態(tài)會發(fā)生改變。一個只有感知而沒有運動的生物是不可理喻的。即便是捕蠅草也有抓住昆蟲并消化的動作，它只是不會像生物那樣在空間中運動。
保羅：回到這兩篇論文之間長達(dá)25年的鴻溝，將運動引入預(yù)測編碼模型似乎是一個大的突破。我們剛剛詳細(xì)討論了運動的重要性。你能否總結(jié)一下，你是如何將運動融入預(yù)測編碼框架的？
拉杰什：我認(rèn)為，真正促使我走上這條道路的第一項觀察結(jié)果是，即使是初級視覺皮層V1、初級體感皮層S1或初級聽覺皮層A1這樣的初級感覺區(qū)域中，也會觀察到運動的影響。卡蘭迪尼·哈里斯（Brooke Holey）實驗室和戴維·施耐德（David Schneider）實驗室的論文表明*，傳統(tǒng)的感覺區(qū)域中能夠觀察到與運動相關(guān)的反應(yīng)。不僅如此，從解剖學(xué)角度來看，初級感覺區(qū)域（如V1、A1、S1、軀體感覺皮層）的第五層細(xì)胞會向皮層下運動區(qū)域發(fā)送軸突。V1將軸突發(fā)送到上丘，A1將軸突發(fā)送到下丘。
*Holey, Brooke E., and David M. Schneider. "Sensation and expectation are embedded in mouse motor cortical activity." Cell reports 43.7 (2024).
有趣的是，信息不僅僅是從大腦皮層的第四層發(fā)送到第二層或第三層，而后到達(dá)第五層，第五層也會將信息傳回第二層和第三層。表層和深層之間于是形成一個循環(huán)。如果表層從第四層接收感官信息，深層將信息輸出到運動中心，那么每個皮層區(qū)域內(nèi)都會形成一個感覺和運動之間的循環(huán)。
強化學(xué)習(xí)中使用的馬爾可夫決策過程（Markov Decision Process，MDP）的思想有助于澄清感覺與運動之間的循環(huán)。簡單來說，強化學(xué)習(xí)認(rèn)為智能體的每個動作都會改變環(huán)境狀態(tài)，而下一個狀態(tài)僅取決于當(dāng)前狀態(tài)與動作。這構(gòu)成了世界運行的"前向模型"（Forward Model）。與此同時，策略函數(shù)會根據(jù)當(dāng)前狀態(tài)選擇最優(yōu)動作。當(dāng)我們將世界模型（預(yù)測）與動作策略（決策）結(jié)合，就形成了“預(yù)測→行動→再預(yù)測”的智能循環(huán)。
?圖：馬爾可夫決策過程（Markov Decision Process, MDP）是數(shù)學(xué)和計算機科學(xué)中用于建模序貫決策問題的一種框架。它是強化學(xué)習(xí)（RL）的基礎(chǔ)理論之一，廣泛應(yīng)用于人工智能、控制理論、經(jīng)濟學(xué)和機器人學(xué)等領(lǐng)域。MDP的核心思想是：在馬爾可夫性的假設(shè)下，通過策略選擇動作，以最大化累積獎勵。
強化學(xué)習(xí)的目標(biāo)是學(xué)習(xí)策略（policy），即給定世界狀態(tài)中的最佳行動模式。如果將頂部的模型和底部的策略結(jié)合起來，就會得到一個根據(jù)你的感覺輸入預(yù)測下一個狀態(tài)的函數(shù)，并形成預(yù)測與行動之間的循環(huán)。任何皮層區(qū)域的感官運動模塊都在自己的時空尺度上按照這種模式運行。
最后的問題是，不同的層次結(jié)構(gòu)和不同的大腦皮層區(qū)域之間是如何相互作用的？為什么會有反饋連接？事實證明，從計算的視角來看，如果你想以一種非常豐富的方式模擬世界，那么你需要做的就是讓較高層次調(diào)節(jié)較低層次的動態(tài)。大腦需要根據(jù)任務(wù)的不同，改變低層計算的函數(shù)。例如如果你的任務(wù)是開車去某個地方 ，那么你要加載的程序就是上車、確定目的地然后開車。你唯一需要做得是將已經(jīng)學(xué)習(xí)到的策略植入到當(dāng)前的目標(biāo)中。加載新程序可以通過自上而下的調(diào)節(jié)來完成。也許前額葉皮層會將這些程序加載到低級區(qū)域。
保羅：那么前額葉皮層是怎么形成的？
拉杰什：我們的假設(shè)是，所有區(qū)域最初都在各自的時空尺度上運行，而隨著皮層層級的升高，信息處理的時間尺度逐漸延長，抽象程度遞增。這時會有一群神經(jīng)元對當(dāng)前的情境或任務(wù)進(jìn)行編碼，特定目標(biāo)在前額葉皮層被實例化并被維持，直到目標(biāo)實現(xiàn)為止。在維持目標(biāo)的同時，前額葉皮層還會調(diào)節(jié)包括軀體感覺區(qū)域在內(nèi)的其他所有與實現(xiàn)目標(biāo)相關(guān)的區(qū)域。因此，即使是軀體感覺皮層、視覺皮層、聽覺等初級感覺區(qū)域也有來自高級區(qū)域的背景信息。
在不同尺度運作的皮層區(qū)域會構(gòu)成層級結(jié)構(gòu)。整個過程中，復(fù)雜任務(wù)被分解為層層嵌套的子任務(wù)，直到脊髓層面對肌肉的毫秒級控制。這就是脊髓環(huán)路的工作原理。隨著不同區(qū)域的層級遞增，子任務(wù)被逐層實現(xiàn)，進(jìn)而向更高層級翻轉(zhuǎn)，進(jìn)入下一個目標(biāo)。
?前額葉皮層。圖源：flintrehab.com
保羅：這種目標(biāo)序列編程機制從何而來？
拉杰什：對目標(biāo)進(jìn)行編程是通過“學(xué)習(xí)”實現(xiàn)的，人工智能領(lǐng)域?qū)⒅Q作課程學(xué)習(xí)（curriculum learning）。我們?nèi)祟愒诔錾?，甚至在母親的子宮中時，就開始學(xué)習(xí)這些模塊。從胎兒期的肢體運動嘗試，到幼兒期的抓取練習(xí)，我們逐步積累動作基元庫。簡單技能組合成復(fù)雜能力。前額葉的抽象目標(biāo)建構(gòu)，正是基于這些底層運動原語的豐富儲備。
保羅：我想我們都有過特定目標(biāo)完成之后的迷茫，這種感覺會持續(xù)到下一個目標(biāo)的出現(xiàn)。不同目標(biāo)之間是如何轉(zhuǎn)換的呢？前額葉皮層如何參與其中？
拉杰什：在當(dāng)前的模型中，你首先要有一個高層級的目標(biāo)，并將之向下分解，隨著在每個更高層次的抽象動作或策略中向下延伸，它會在較低層次生成一個函數(shù)。該函數(shù)的輸出基本上是狀態(tài)到動作的映射。然后，每個實際的行動都是另一個抽象行動的子目標(biāo)，對于更低級的狀態(tài)而言，這一實際行動又是一個需要繼續(xù)分解的抽象行動。抽象行動會不斷分解下去，直到脊髓。這意味著大腦的不同層級在復(fù)制相同的模塊。這似乎印證了蒙卡斯特爾的想法：大腦皮層中有類似的東西，不同的大腦皮層區(qū)域的算法可能是相似的。
這種想法對于一名理論家而言有不可抗拒的誘惑力。當(dāng)前的核心挑戰(zhàn)在于：能否在計算科學(xué)框架下構(gòu)建與之等效的數(shù)學(xué)模型？盡管尚無法確證大腦是否真實存在此類生物機制，但這并不妨礙我們進(jìn)行理論建模的探索。值得注意的是，主動預(yù)測編碼理論展現(xiàn)出跨問題域的應(yīng)用潛力，然而該機制與神經(jīng)生物系統(tǒng)的實際運作模式之間的對應(yīng)關(guān)系，仍需通過跨學(xué)科實驗進(jìn)行系統(tǒng)性驗證。
我所相信的是一種更為廣泛的觀點，即不同皮層區(qū)域的區(qū)分不是依靠其功能，而是在于它們與什么區(qū)域相聯(lián)系。實際情況并非如傳統(tǒng)的觀點所認(rèn)為的，不同皮層區(qū)域有著截然不同的編碼方式，有些人可能覺得視覺皮層在進(jìn)行邊緣檢測，而聽覺皮層不可能進(jìn)行邊緣檢測，運動皮層則更不相同。然而，從感覺和運動的角度來思考，就會發(fā)現(xiàn)不同區(qū)域總是同時包含著二者，只是在某些區(qū)域，感覺或運動被著重強調(diào)，但它們?nèi)匀痪哂懈杏X推理和運動控制的基本原理，而且在多個層面上共同運作。
04 增強技術(shù)與腦機接口
保羅：鑒于你剛才的描述，前額葉皮層中有更高層次、更抽象的目標(biāo)，這一目標(biāo)在更低的層次上實現(xiàn)。從演化的視角來看，人類的下一步會走向何處？我們會變得更加抽象嗎？演化的下一個里程碑是什么？
拉杰什：在預(yù)測這方面，人類總是變現(xiàn)很差，我們對未來發(fā)展大加猜測，但歷史證明我們總是猜錯。
話說回來，至少就人類進(jìn)化而言，從生物學(xué)的角度來看，我們可能不會增加新的大腦皮層區(qū)域或新的大腦結(jié)構(gòu)，但在使用工具、文化知識和工具方面，我們確實取得了驚人的進(jìn)步。從人類自我增強的角度來思考，人類最初利用石頭等工具來自我增強，我們還使用輪子來提高移動速度，最近我們能夠用飛機飛行。與此類似，由于記憶容量的局限性，我們使用書寫和語言將事情記錄下來。
如果這些都屬于工具使用，那么我們當(dāng)然可以借助當(dāng)前已有的設(shè)備增強知識和信息獲取能力。腦機接口或許就是利用當(dāng)前的設(shè)備進(jìn)行自我增強。如果大腦本身在生物學(xué)上的運行速度和記憶能力是有限的，那么用人工記憶、人工處理能力和人工通信能力就能補足這種不足。但這會涉及很多倫理問題，大多數(shù)學(xué)者不想過多涉及這一領(lǐng)域。
保羅：你是如何將倫理考量融入研究中的？
拉杰什：我是一個神經(jīng)技術(shù)中心的合作領(lǐng)導(dǎo)人，我們中心有一個神經(jīng)倫理學(xué)團隊。每個開發(fā)腦機接口應(yīng)用的工程團隊中都有一名倫理學(xué)家，負(fù)責(zé)向他們積極反饋最終用戶會如何看待這個項目以及項目的長期影響。作為工程師，我們對建造偉大或新穎的事物感到興奮，但我們并不能像訓(xùn)練有素的倫理學(xué)家那樣預(yù)見后果。
很多時候，使用設(shè)備的患者不能提供明確的描述，這時候倫理學(xué)家的訪談就有必要?；颊呖赡軙f自己失去了主觀能動性，或患者的家屬報告說患者性情大變。迫在眉睫的任務(wù)就是如何阻斷這種變化，讓患者重拾能動性。通過倫理學(xué)家來找到這些問題的答案，能幫我們在問題變得更糟糕之前找到其解決方法。往往這是技術(shù)商業(yè)化之前亟需解決的問題。
保羅：這在學(xué)術(shù)研究中也是懸而未決的問題。如果我在大腦里加入腦機接口或某種假肢后性情大變，那么這到底是假肢的錯，還是我自己的錯？誰該為此負(fù)責(zé)？
拉杰什：這些一直以來都是爭論不休的問題，腦機接口和人工智能讓這些問題變得更加棘手。
05 神經(jīng)協(xié)同處理器
保羅：你當(dāng)前在做的是神經(jīng)協(xié)同處理器?？梢院唵谓榻B一下相關(guān)的研究嗎？
拉杰什：我認(rèn)為，當(dāng)前談?wù)撃X網(wǎng)絡(luò)，即腦與腦之間的直接交流，還為時尚早。但如果我們接受這個挑戰(zhàn)，就應(yīng)當(dāng)檢視當(dāng)前的技術(shù)能做什么 ，以此來促進(jìn)腦對腦交流的發(fā)展。腦電圖或許是很好的開始。
腦電圖可以用來解碼一些簡單的信息，例如，當(dāng)你看著一個閃光燈——我們稱之為穩(wěn)態(tài)視覺誘發(fā)電位——借助腦電圖可以解碼你盯著它看的頻率。如果你盯著兩盞不同的閃光燈，其中一盞會觸發(fā)你視覺皮層的振蕩，我們就能從中解碼你的意圖；如果你正在想象做某個動作，比如移動你的手，腦電圖就能從運動皮層中解碼出這一意圖。此外，我們還可以用經(jīng)顱磁刺激直接向大腦傳遞信息。
保羅：經(jīng)顱磁刺激就像是在大腦外加了一個線圈，然后對準(zhǔn)大腦的一小部分發(fā)出非侵入性的、無損傷的脈沖。這些脈沖可能會影響原有的思維或行為。
拉杰什：特別是當(dāng)脈沖被送到視覺皮層時，你會看到類似于小光點或條狀物的閃光，也就是光幻視。我們做了一些概念驗證，并發(fā)表了幾篇論文，但并不意味著可以將這項技術(shù)商業(yè)化，這些設(shè)備太笨重了。然而，如果能夠在不同的人身上連接腦電圖與經(jīng)顱磁刺激，它們就能刺激大腦并記錄大腦的信息，這就形成了雙向腦機接口。我們可以從一個大腦記錄信息，經(jīng)解碼編碼后傳遞給另一個大腦，并實現(xiàn)真正意義上的腦際通信系統(tǒng)。這就是我們所說的“增強”。現(xiàn)在，我們利用神經(jīng)技術(shù)來增強人腦的交流和處理信息的能力。
?圖：《黑客帝國》劇照。劇中對未來腦機接口和腦際通訊技術(shù)的暢想，即便到今天也攝人心神。“你是選擇紅色藥丸，還是選擇藍(lán)色藥丸？”圖源：《黑客帝國》
保羅：我們當(dāng)前發(fā)展到了什么階段？未來人類會是怎樣的？
拉杰什：我認(rèn)為，從某種意義上說，當(dāng)前正在做的是神經(jīng)協(xié)同處理器。也就是說，一種設(shè)備可作為大腦的輔助工具，既能解碼來自大腦的信息，又能將信息編碼傳回大腦。
保羅：這意味著它在聆聽大腦的聲音，然后按照算法對其進(jìn)行編碼并將大腦的內(nèi)容進(jìn)行分類。這是一個信號傳遞過程，還是說它能理解信號？
拉杰什：大腦協(xié)同處理器必須內(nèi)置某種形式的人工智能。我們提出的神經(jīng)協(xié)同處理器是一個人工神經(jīng)網(wǎng)絡(luò)。這本質(zhì)上是生物神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的交互系統(tǒng)，兩者需要協(xié)同適應(yīng)。當(dāng)前面臨的挑戰(zhàn)是，它們?nèi)绾喂餐m應(yīng)以真正實現(xiàn)目標(biāo)？
從醫(yī)學(xué)視角來看，如果想要替代失去的功能，比如有人中風(fēng)了，你想讓他恢復(fù)運動功能，那么這個設(shè)備就可以通過刺激脊髓替代受損的皮層功能。此時，人工智能需要自我訓(xùn)練，同時患者也需學(xué)習(xí)控制這個替代回路。這里有一個核心的人工智能問題，如何確保人腦與這種人工設(shè)備能夠?qū)崿F(xiàn)共同的目標(biāo)？例如，當(dāng)患者無法自主抓取物體時，設(shè)備通過視覺誤差信號（如目標(biāo)物位置偏差）觸發(fā)脊髓刺激。理論上可采用反向傳播算法訓(xùn)練人工智能——但難點在于反向傳播需通過患者身體和大腦完成，這顯然不符合傳統(tǒng)人工智能訓(xùn)練范式。
在理想情況下，如果你想訓(xùn)練提供刺激的神經(jīng)網(wǎng)絡(luò)，就必須以某種方式獲得誤差信號。不幸的是，誤差信號現(xiàn)在處于外部任務(wù)空間中。為了能夠完成這一任務(wù)，人工智能需要一個內(nèi)部模型，或者說前向模型。你的大腦就是這樣一個前向模型。接下來對它進(jìn)行刺激，會導(dǎo)致你的大腦動力學(xué)以特定方式運動，如果你能預(yù)測這種動態(tài)變化，就能想出實現(xiàn)特定目標(biāo)的最佳刺激方式，使其變成了一個控制問題。
保羅：作為神經(jīng)科學(xué)家，我想大腦最神奇的地方之一就是它的適應(yīng)能力很強。那么大腦會進(jìn)行錯誤的學(xué)習(xí)嗎？這一點可以檢驗嗎？
拉杰什：這實際上是一個非常重要的問題，尤其是在感覺刺激領(lǐng)域。例如，人們試圖通過人工刺激軀體感覺皮層恢復(fù)觸覺。我們是否應(yīng)該讓刺激盡可能自然？當(dāng)你刺激軀體感覺皮層時，病人通常會說，我感覺這與我用自己的手觸摸時產(chǎn)生的觸覺感受不一樣。有時候研究者會說，你只是還不習(xí)慣。如果你的大腦一直接收這些新奇的信號，它們就會成為一種自然觸覺。
保羅：這就像訓(xùn)練，就像我試圖說服我的孩子們：“別擔(dān)心，繼續(xù)練習(xí)，會越來越容易的”。但這個過程很痛苦。
拉杰什：是的。痛苦感在此起著關(guān)鍵作用，因為如果你未能傳遞"自然化刺激"，學(xué)習(xí)過程可能變得異常漫長。這里存在權(quán)衡：若能以某種方式使用大腦的"語言"——即通過電刺激、光刺激等方式傳遞脈沖，使其更易被大腦解析——相較于人工脈沖集式的刺激，學(xué)習(xí)速度可能大幅提升。我認(rèn)為這是個值得探討的問題。
保羅：那么，這些刺激更像是噪音，還是世界的自然統(tǒng)計？
拉杰什：這要參考特定區(qū)域的神經(jīng)元從其他神經(jīng)元接收信息的方式。例如，如果已知在群體水平上存在特定頻率的活動模式（如β頻段振蕩），就可以考慮在振蕩的特定相位施加刺激，或嘗試與這種振蕩同步。這可能比不考慮腦區(qū)當(dāng)前狀態(tài)隨意施加刺激更有效。關(guān)鍵在于必須同時進(jìn)行記錄和刺激。不能只是刺激腦區(qū)，還必須通過記錄了解該腦區(qū)正在發(fā)生什么，然后根據(jù)實時情況調(diào)整刺激參數(shù)，以持續(xù)傳遞可理解的刺激信號。
保羅：你剛才提到需要以一種特定腦區(qū)期待的方式輸入刺激，這是一種非常具有預(yù)測編碼意味的想法。
拉杰什：是的，這是一種讓大腦更快學(xué)習(xí)的方法。你可以忽視大腦的反應(yīng)，只是不停地輸入，大腦最終可能會理解這種刺激模式。問題是，這個過程可能非常漫長。因此，在提供刺激的過程中，對大腦區(qū)域發(fā)生的情況進(jìn)行反饋是有意義的。
保羅：應(yīng)當(dāng)如何研究大腦與這個向大腦輸入信息的外部設(shè)備之間的相互作用呢？
拉杰什：神經(jīng)協(xié)同處理器是解決這個問題的一種方法，即如果你能夠調(diào)整提供刺激的神經(jīng)網(wǎng)絡(luò)，使外部任務(wù)空間中的誤差最小化，那么你就能減輕大腦的學(xué)習(xí)負(fù)擔(dān)。這不是一個穩(wěn)態(tài)系統(tǒng)，我們稱其為“共適應(yīng)系統(tǒng)”。如果只有單方具有適應(yīng)性（如大腦自適應(yīng)而刺激模式固定），學(xué)習(xí)壓力將完全由大腦承擔(dān)。若雙方都具備適應(yīng)能力，則挑戰(zhàn)在于能否使兩者優(yōu)化相同的成本函數(shù)或目標(biāo)函數(shù)——這正是構(gòu)建協(xié)同適應(yīng)、共同進(jìn)化系統(tǒng)的核心工程難題，也是未來人工智能與腦機接口一起發(fā)展的可能方向。
保羅：在神經(jīng)協(xié)同處理器方面，你還有什么需要補充的嗎？
拉杰什：神經(jīng)協(xié)同處理器的想法與我們早期做的腦對腦交流工作有關(guān)。經(jīng)顱磁刺激并不是一個全新的想法。我們的真實想法是，科幻小說中關(guān)于心靈感應(yīng)的討論由來已久，隨著生物識別技術(shù)不斷進(jìn)步，越來越多的公司對其產(chǎn)生了興趣，現(xiàn)在也許可以嘗試將之帶入現(xiàn)實。有趣的是，如果在多名患者身上植入腦機接口，可能真的會出現(xiàn)非常原始的腦對腦交流。因為只要你有能力進(jìn)行刺激，就可以把非常簡單的信息從一個人的大腦傳送到另一個人的大腦。一旦這被證明可行，我們就向?qū)崿F(xiàn)心靈感應(yīng)邁出了一步。
06 大語言模型的得與失
保羅：當(dāng)前人們會基于特定的人工智能模型假設(shè)大腦就是如此運作的，然后將目前正在運行的人工智能模型映射到大腦過程中，并經(jīng)常發(fā)揮作用。這是否影響了你對大語言模型的思考？
拉杰什：是的，當(dāng)相關(guān)論文發(fā)表的時候，我被深深吸引住了。其核心思想就是預(yù)測編碼，只是他們沒有利用預(yù)測誤差進(jìn)行推理，內(nèi)部表征也沒有更新，但學(xué)習(xí)顯然是由預(yù)測誤差驅(qū)動的。其分層架構(gòu)同樣引人注目——通過軟注意力層逐步構(gòu)建動態(tài)表征——每個時間步都將表征傳遞至所有層級，規(guī)模極其龐大。這種純基于預(yù)測的人工系統(tǒng)僅通過預(yù)測下個詞語就能實現(xiàn)如此成就，實在令人著迷。它甚至沒有循環(huán)反饋結(jié)構(gòu)，也就是說，這不是一個回歸模型（regressive model）。實際上，它同時處理過去與未來的信息。這與在主動預(yù)測編碼模型的感覺方面類似，感覺處理模塊持續(xù)基于先前狀態(tài)預(yù)測未來，但缺失動作生成模塊。
在主動預(yù)測編碼架構(gòu)中，除預(yù)測網(wǎng)絡(luò)之外，還有一個策略網(wǎng)絡(luò)（或控制網(wǎng)絡(luò)）控制著下一個輸入的生成，二者密切互動。根據(jù)任務(wù)的不同 ，控制網(wǎng)絡(luò)會向預(yù)測網(wǎng)絡(luò)提供行動信息，這正是Transformer中所缺失的。近期將強化學(xué)習(xí)引入Transformer的嘗試，可視為控制器的回歸。更值得注意的是，研究表明Transformer實現(xiàn)了某種超網(wǎng)絡(luò)（hyper networks）機制——這正是我們主動預(yù)測編碼模型的核心：高級皮層通過超網(wǎng)絡(luò)調(diào)控低級皮層的功能運算。
保羅：我想了解你對Transformer這個深度學(xué)習(xí)模型架構(gòu)的看法。
拉杰什：我認(rèn)為它們很棒但不夠完善。作為預(yù)測模型，其捕捉世界統(tǒng)計規(guī)律、物理動態(tài)的能力卓越，但不足以構(gòu)成真正的智能。正如Paul Cisek和Buzsaki等學(xué)者指出的，智能本質(zhì)關(guān)乎行動與運動。缺乏控制模塊（如ChatGPT等Transformer模型不具備能動性感知）是其根本缺陷。
保羅：如何實現(xiàn)能動性呢？
拉杰什：對于能動性而言，必須通過與環(huán)境交互的行動能力獲得。我們因能作用于世界（包括言語這種運動行為）而建立能動性——行動引發(fā)后果，通過觀察后果與目標(biāo)達(dá)成的關(guān)系，逐步構(gòu)建"我能改變世界"的認(rèn)知。而純預(yù)測的系統(tǒng)缺乏以行動引導(dǎo)預(yù)測、實現(xiàn)目標(biāo)的機制，因此難以具備真正的能動性。
保羅：你認(rèn)為能動性能夠被建構(gòu)起來嗎？
拉杰什：是的，我認(rèn)為任何開始與世界互動的系統(tǒng)，其所具有的與環(huán)境交互的行動能力和目標(biāo)生成機制都與能動性有關(guān)。能動性需要策略或控制系統(tǒng)，以及一個與之相匹配的世界模型。
07 大腦研究的未來方向
保羅：早些時候，我們只能記錄單個神經(jīng)元的活動。當(dāng)時的技術(shù)還不足以測試預(yù)測編碼理論框架下的假設(shè)。后來，神經(jīng)元的連接組學(xué)發(fā)展起來，現(xiàn)在，我們有了超高密度記錄技術(shù)，神經(jīng)元記錄技術(shù)，除此之外，我們還有人工智能模型和強大的算力。這些技術(shù)突破中，你認(rèn)為哪項最具革命性？
拉杰什：這是個棘手的問題，選擇其中一個很可能會得罪一大批其他領(lǐng)域的同行。對理論神經(jīng)科學(xué)家而言，這是黃金時代，也是思考更大規(guī)模理論的大好時機，畢竟，有如此多的數(shù)據(jù)可供使用。
我讀研究生的時候，只有芒福德的書和論文，還有科赫和喬爾·戴維斯（Joel Davis）寫的一本叫做《大腦大規(guī)模神經(jīng)元理論》（Large-Scale Neuronal Theories of the Brain）的書。這些理論在當(dāng)時就已經(jīng)存在了，只是沒有數(shù)據(jù)加以驗證。如今情況截然不同：某天我可能沉浸于大規(guī)模神經(jīng)記錄數(shù)據(jù)，驗證預(yù)測編碼理論中的層級誤差傳遞；次日則鉆研連接組學(xué)，檢驗解剖連接是否符合理論假設(shè)。
當(dāng)然，人工智能始終是新創(chuàng)意的源泉。人工智能領(lǐng)域瞬息萬變，可以從中挑選出一些瑰寶，看看它們是否與理解大腦有關(guān)。身處信息爆炸時代，要想真正取得進(jìn)步，就必須訓(xùn)練大腦成為高效的信息采集者，從海量數(shù)據(jù)中構(gòu)建新理論。雖然任務(wù)艱巨，但相比數(shù)據(jù)匱乏的年代已是巨大進(jìn)步。我認(rèn)為，現(xiàn)在是積極合作的階段，計算機科學(xué)家、人工智能專家、神經(jīng)科學(xué)家和心理學(xué)家都應(yīng)勇于提出宏大理論，這正是突破學(xué)科邊界的最佳時機。
保羅：這里可能存在一個悖論：當(dāng)工具極大豐富時，宏觀理論思考反而變得更困難。在數(shù)據(jù)洪流中，如何培養(yǎng)理論思維？
拉杰什：這是一個很好的問題。對我而言，理論構(gòu)建始于計算視角的規(guī)范性思考，即先從規(guī)范性的角度來思考，之后再尋找與之相關(guān)的大腦中的數(shù)據(jù)，從計算開始，自上而下地深入到神經(jīng)科學(xué)的研究。另一種方法是自下而上的研究，這種方法是從對特定腦區(qū)的研究出發(fā)，試圖從理論上超越這一個腦區(qū)，因而對這一區(qū)域與所有其他相連區(qū)域的互動角度來進(jìn)行思考。在此之后是對更大范圍的行為的考量。
我在特里（Terry）的實驗室做博士后的時候， 作為理論家訪問了許多不同的實驗室。我詢問研究V1區(qū)域的人，既然V2與V1是相通的，為什么不同時研究V2區(qū)域以及它們之間的相互作用呢？那個人回答說，他會在弄明白V1之后研究V2區(qū)域。
然而，如果大腦的工作方式不能進(jìn)行還原，如果V1的特性與V2和其他結(jié)構(gòu)密切相關(guān)，他的研究路徑注定是走不通的。我認(rèn)為，作為神經(jīng)科學(xué)家，我們所面臨的挑戰(zhàn)是，大腦是一個經(jīng)由數(shù)千年進(jìn)化而成的復(fù)雜機器。如果使用還原論 ，就很難理解整個大腦發(fā)生了什么。也許我們沒有能力了解整個大腦，但我們必須設(shè)法選擇正確的抽象層次，并希望能將這些抽象層次從行為層一直聯(lián)系到分子層。這需要群體的通力合作。特別是在這個信息大爆炸的時代，進(jìn)行整體性的研究尤為困難，但我們不能失去希望。我們已經(jīng)在路上了，應(yīng)該對此持樂觀態(tài)度。
08 后記
預(yù)測編碼理論為理解大腦的信息處理機制提供了強有力的框架，其在神經(jīng)科學(xué)、人工智能與腦機接口等領(lǐng)域的應(yīng)用前景廣闊。隨著技術(shù)的進(jìn)步與跨學(xué)科合作的深入，我們有望在未來揭示大腦的更多奧秘，并推動人類智能與技術(shù)的進(jìn)一步發(fā)展。
拉杰什的研究經(jīng)歷對于許多研究者而言也是一種鼓舞，他的理論從提出到獲得大范圍的認(rèn)可和驗證之間間隔了10-20年。然而，正如他激勵后輩時所言：“堅持你的想法，也許最終就會開花結(jié)果”。
為了閱讀體驗，本文對聽稿進(jìn)行了適當(dāng)?shù)鼐庉嫛?/p>
原對話指路：
https://www.thetransmitter.org/brain-inspired/rajesh-rao-reflects-on-predictive-brains-neural-interfaces-and-the-future-of-human-intelligence/
熱門跟貼