记忆预测不对称

我最近读了“识别与生成”。作者提出了一个问题：“读课本和写校样都觉得符合‘学习’的定义，为什么简单的就不能做呢？”答案是：“认可并不一定意味着理解，推动你能产生的东西可以帮助揭露你实际知道的东西。”

这让人想起杰夫·霍金斯倡导的“记忆预测”框架。该框架说，识别是通过生成来完成的。来自顶级生成模型的预测和来自感官的观察之间存在着持续的对话。差异被记录为从无意识跳跃到有意识水平的意外：

如果你曾经在一段楼梯上错过了一步，你就会知道你有多快就意识到有什么不对劲。你把脚放低，当它“穿过”预期的楼梯踏板的那一刻，你就知道你有麻烦了。脚没有任何感觉，但是你的大脑做了一个预测，这个预测没有实现。

“智力论”，第91页。

乍一看，该框架并不能很好地符合识别和生成之间的不对称。这种不对称性可以通过强调这样一个事实来解决，即大多数预测都是非特定的或“模糊的”。如果一组预期结果中的一个发生了，模糊预测不会导致惊讶。霍金斯承认这一观点：“预测并不总是准确的。相反，我们的大脑会对即将发生的事情做出概率预测。有时我们确切地知道将会发生什么，有时我们的期望分布在几种可能性之间。“。(同上，第92页)霍金斯在书的其余部分没有太多地阐述这一点，但对我来说，这似乎是至关重要的。特别是，它解释了识别和生成之间的不对称性。

回到学习数学的例子：主观上，当我读到证明的时候，我感觉我知道发生了什么，因为我可以看到下一行紧随其后的是一个有效的逻辑规则的应用。(也就是说，该步骤是与我的预期一致的一组事情之一。)。然后，当我被要求重现这一步时，我惊讶地发现我不知道怎么做-因为我的预测是模糊的，每一步都有多件合理的事情要做，但我不知道到底应该做哪一件。另一方面，如果我知道为什么要采取证明中的每一步，那么我就可以唯一地预测每一步&并且重现证明。

顺便说一下概率预测的机制：如果你想象“概率预测”意味着计算所有可能的感官体验的概率分布，这听起来很困难。然而，所有需要的是“预测”是抽象的--它越抽象，与之一致的观察集就越大，因此与之隐含关联的概率分布就越广。没有必要将概率分布表示为大脑中低水平感觉区域的模糊激活模式-激活功能等效的单个尖锐的、高水平的抽象标签会更有效。然后，大脑可以懒惰地评估无论发生什么观察到的惊喜程度(即概率)，相对于预期。

从这个意义上说，一句话抵得上一千张图片：“棕狗”与海量的图片是一致的。这句话可能看起来不像是概率分布-它看起来很具体。然而，从某种角度来看，这是一个空白的分布，涉及狗的形象可能具有的所有可能的属性，事实上，要使其具体化，必须具备这些属性。当我看到一只棕色的狗时，我可能会认出它，但这并不意味着我会画一只，或者我想象中的那只和你想象的很像。

这实际上与统计物理有关。有一个定义良好的过程，用于构建显式概率分布，表示仅知道高级抽象(在本例中，是随机变量函数的期望值或“矩”)，而分布的所有其他细节是不确定的情况。我怀疑大脑可以完成这样的事情，就像狗可以做微积分一样。(TL；DR：他们当然不会，但他们可以近似地解决一个问题，人们也可以用微积分提出并正式解决这个问题。)。

关于数学和心理模型的另一个问题是，我一直认为证据或推导就像故事一样：主人公被这个问题困住了--我们的英雄有公理和规则(设置)，她想要得到结果，但不立即知道如何得到结果(冲突)。然后她记起了这个很酷的把戏(比如区分被积函数)，瞧，问题解决了(解决方案)。我怀疑这个框架有助于回忆。它还将重点放在为什么要做每一步(选择步骤的直觉)，而不仅仅是如何做(即证明步骤合理的规则)。