主动推理-信息组织
2026年07月03日 23:54
发言人 00:00
也许哺乳动物大脑最迷人的能力之一是它能够产生灵活的行为，这种行为能在不同的情境中得到普遍化应用。打个比方，你花了几个星期的时间，专门学习如何烹调出最地道的烤宽面条。你在自己的厨房里掌握了这门手艺，那里你对所有厨具的位置、食材和器具一清二楚，还有厨房的布局也都了如指掌。最后你被邀请到朋友家去做你那闻名遐迩的烤盘面条，尽管你从未在他们厨房里操作过，你依然能顺利的找到并且有效率的烹饪。但这怎么可能呢？但实际上你从未真正面对过那种特定的情况，所以这应该是一个全新的问题，对吧？
发言人 00:45
答案就在于你的大脑具有的泛化能力，你能够剥离出自己厨房特有的感官背景，抽取出做烤宽面条的抽象步骤。同时你知道厨房运作的一般原则，所以只需快速扫一眼烤箱和厨具的位置，就能把那个特定布局关联到你对厨房的内在模型中。这种泛化过程需要将对世界的理解组织成一个多用途的连贯框架，即认知地图。
发言人 01:24
这段视频是系列视频的前篇，是两部分的。第一部分，今天我们将奠定认知地图问题的基础，介绍一些基本概念，并通过现代神经科学的实验数据进行探讨。在第二部分，我们将深入探讨解决认知地图问题的一个特定计算方法。托尔曼、简爱跟鲍姆鸡，它可能是通向首个人工海马大脑模型的基石。如果你感兴趣，敬请期待。
发言人 02:02
设想我们把一只老鼠放进一个类似这样的迷宫，训练它找到迷宫尽头的美味奖励。经过几次在相似迷宫A的训练后，你把这只老鼠放入新迷宫壁，后者有几个放射状分叉。外观是这样的，通常情况下老鼠会跑向熟悉的上部路线，但如果阻断这条路会发生什么呢？现在动物面临一个选择，他该选择走哪条替代路线？我们来想想可能的情况，一种可能性是老鼠通过关联学习，这意味着它们会选择与最初导向食物的路线最相似的路径，路径酒货时中的任意一条。然而如果动物拥有某种空间布局的内在地图，他们会选择路径6，尽管它指向食物方向，但从未经历过，因此与奖励没有直接关联。而且这确实是现实生活中经常观察到的现象。
发言人 03:08
这是美国心理学家爱德华托尔曼在20世纪30年代进行的一个实验的一个例子。该实验促使他创造术语认知地图，用来描述动物类似周围空间心理地图的概念。然而，直到40年后，神经科学家才得以窥探大脑，了解这种地图是如何在神经活动中体现出来的。
发言人 03:36
尽管认知地图作为世界的一般表示方式，但正如我们接下来会看到的，他们历史上通常是在研究空间行为的背景下被研究的。主流观点认为，在哺乳动物的大脑中，认知地图的主要执行者是海马结构，包括海马体。海马体具有海马状结构以及NTORHINALCRTEX，起到信息进出海马体的通道作用。这些结构的奇妙之处在于存在具有空间选择性的神经元。这位理解知识如何以地图形式组织到单个细胞层面的理解铺平了道路。
发言人 04:18
让我们简要回顾一下构建这类地图的主要类型的神经元。海马体的标志是位置细胞，当动物处于环境中的特定位置时，这些细胞会变得活跃。人们认为他们以环境依赖的方式编码当前位置，因为同一个细胞在不同环境中的反应截然不同。位于NTORHINALCORTEX的网格细胞是位置细胞的上游，他们负责生成网格状活动模式，它们在环境中移动时会以规则的周期性模式激发，排列在六角网格上。值得注意的是，这种规律模式非常稳定，并且在特定的环境中基本保持不变。ENTORHINALCORTEX还拥有被称为对象向量细胞，当动物在环境中的某个特定距离和方向远离任何物体时，这些细胞会激活。海马体也有类似对象向量细胞的神经元，它们对特定对象有选择性响应，而不是对其他物体，被称为地标细胞。这两个区域还有表示边界存在的边界细胞、记录动物面向方向的头像细胞以及其他几种类型的细胞。一个动物园。
发言人 05:46
然而一个总体模式是可以辨别的。从所有这些例子中你可以看到ENTURHINALCURTEX提供了一种通用的坐标系统，使得大脑能够执行向量计算并估算距离。海马体则形成更具体的编码，向大脑提供了在这些坐标系统中的特定位置和地标的信息。尽管这类神经元传统上是在研究空间行为时发现的，但重要的是这种选择性并不局限于物理空间。例如，如果你训练一只老鼠去按压杠杆以调整声音的频率，你会看到海马体中某些神经元会对特定的频率范围产生选择性反应。就像传统的地点细胞，但在这个一维的生平空间中，肾脏皮质的神经元也发展出一种频率依赖的活动模式。但它是周期性的，类似于在频率空间的移位中被压扁的网格细胞。
发言人 07:00
在另一项研究中，受试者被训练在一个高度抽象的二维空间中导航，该空间以腿部和颈部长度为特征的鸟类轮廓，参与者可以通过控制器独立调整腿和颈部的长度。任务是将一只鸟变成特定的形态，同时通过FMI监控他们的大脑活动。有趣的是当人们在概念化的鸟类空间中，在脑海中移动时，它们的NTORHINALCORTEX的活动呈现出六边形对称形，这与网格细胞编码惊人的一致。所有这些都表明，海马体核验TURHINALCURTAX协同工作可能确实构建了一个多维度和多模态的世界表。但为什么同样的机制会被用来在这两种看似相似算法的空间和非空间领域中解决计算任务呢？我们必须找到一种概念化的统一方法，将它们归为单一类型的问题。幸运的是，存在一个简单而优雅的数学形式主义及图论，它连接了物理和抽象空间。
发言人 08:20
请注意到目前为止，我们看到的所有任务中的元素都具有通过某种关系连接的概念。例如房间中相邻的位置在物理上相互连接，你可以沿着水平和垂直方向在它们之间移动。类似的家庭成员可以落在类似树状的结构中，具有一对一的关系，比如父母、兄弟姐妹等。这类问题自然可以用图来描述本质。
发言人 08:50
上图是一个数学结构，由称为顶点和节点的一组点以及连接顶点对的一组线称为边。现在顶点可以代表任何类型的对象或实体，而边可以对应于顶点之间的任何种类的关联或关系。例如我们可以构建一个二维空间的图，通过将每个位置节点以类似于网格的方式连接到其四个相邻节点。然而，为了有效执行任务，你必须知道在任何时候你在这张图上的位置，否则一开始组织知识就毫无意义了。
发言人 09:35
为了跟踪你的位置，你可以利用所谓的路径积分。在物理空间中，它指的是利用自运动线索，如移动速度和方向来积累运动向量并更新你的位置。例如，你知道朝着北方走几步，然后向西再向南，最后向东走，会带你回到原点。许多动物种类，如昆虫、鸟类、啮齿类动物和人类都能进行路径积分。实际上，在接下来的视频中，我们将详细探讨网格细胞网络能够执行路径积分，这可以在具有吸引子动力学的神经网络中进行建模。
发言人 10:19
然而对于任意图，你可能需要一个更抽象但类似路径积分的概念，那是一组有限的规则，用于添加不同类型的关联。例如跟林皆兄弟，父辈等同于父辈，以此类推。相同的图可以用于泛化。请注意鸟类在二维空间中的导航任务本质上与在房间中走动相似，连接的底层结构本质上是一致的，不同之处在于输入的感官线索类型。同样如果你有一个家族树的内模型，不仅可以用于不同的家族，还可以应用于分类学，因为它也有树状结构。只需重新标记关系，你就可以开始了。因此总结起来，如果海马齿状回系统能够构建这些关系图，并在这上面进行路径积分和跟查找，那么这个系统如何被大脑在不同的模态下重用就完全说得通了。
发言人 11:30
我们首先怎么知道要构建哪些图呢？大脑如何形成这种结构化的表示呢？要理解这一点，我们首先需要探讨另一个非常重要的概念，集潜在空间的概念。顾名思义，潜在空间是那些无法直接通过外部线索观察到的东西。例如让我们通过执行交替任务的老鼠的眼睛来看待世界，这意味着它在一个梯形迷宫中奔跑，每次到达分岔口时都需要决定是向左还是向右转弯。现在任务的设计是，奖励总是交替在两个分支之间，所以动物必须学会，如果在前一个回合中向左转并得到了美食奖励，那么现在应该向右转，反之亦然。
发言人 12:28
让我们试着思考一下这只老鼠的大脑中必须建立的什么样的心理模型，或者说认知地图，换句话说，为了执行这项特定任务，需要什么样的相关行为变量及其结构。首先，它涉及空间组件，因为你必须知道在这个梯形迷宫中的实际位置并更新你的位置，所以我们有理由期待在海马体中找到传统的位置细胞。但请注意，仅仅关于物理位置的信息不足以解决获取最大奖励的问题。由于动物应该知道每个回合都需要改变方向，他必须记住前一个转弯的方向。换句话说，有一个额外的抽象变量用于编码你要去的方向和你已经去过的地方。要完整的捕捉这项任务的所有相关信息，你需要一个认知地图的配置。他既要追踪迷宫中物理2D空间的位置，也要追踪左转和右转这种抽象空间中的位置。
发言人 13:39
这里还有另一种思考方式，一开始当动物还没有学会这项任务的特性，只是在探索迷宫时，他的认知地图只有对2D位置进行编码力的空间成分。但在多次尝试过程中，老鼠逐渐学到，我需要交替方向，因为奖励似乎总是在与前一次相反的通道上当这种情况发生时，认知地图会新增一个维度，对队友的心理映射会分裂成两个克隆版本，一个用于左转任务，另一个用于右转任务。现在突然间你需要在这个扩展的空间中更新位置，它现在多了一个额外的维度。惊人的是我们发现了细胞其活跃度不仅受到物理位置的影响，还受到未来转弯方向的调控。这类神经元被称为分裂细胞，它们独特的编码着在完整扩展的认知地图中的位置，这非常符合海马体负责记录所有任务相关变量的理念，无论这些变量多么抽象。这种左右试验的分割维度是一个隐性空间的例子，因为它并非直接从感官线索中可观察到，没有灯具会告诉你该转向哪里，相反，你需要根据先前的观察来推断在隐性空间中的位置。
发言人 15:16
另一个例子是训练动物在虚拟现实中奔跑，执行所谓的塔基类任务。简单来说，当他们在跑道上奔跑时，他们会收到两侧的视觉提示，最后需要选择是左转还是右转。奖励的方向是由哪个侧面的塔数量更多来指示的。因此比如说如果你左边总共遇到9座塔，右边只有7座，这就暗示你需要左转才能获得奖励。因为这边的塔数量更多塔的数量或者说两侧的差距构成了隐性政治空间。
发言人 16:00
事实证明海马体中有神经元在这个隐性空间中形成场所领域。不难看出隐性空间中的位置，乃至他们在认知地图中的存在都极为关键。但问题在于，这并不直接源自单个感官线索，相反，隐性空间是基于一系列感官观察的构建，比如记住之前的决策会对其产生影响。但首先为什么要费心去构建这种关系图呢？
发言人 16:36
在本视频的开头我们看到了一个例子，说明在一种环境下学到的知识如何成功的被应用到其他情境。这是因为一旦构建了结构化的表示形式，它就能脱离特定的感官观察而得到抽象。你知道西北到东南方向，无论在你的房间还是本地公园，都会形成一个闭环。这样的泛化实际上需要一个分解式的表示形式。
发言人 17:08
直观来说，分解意味着什么？设想你正在买车，想预测驾驶它会有多大的乐趣。为了简化所有可能的汽车空间，由特定型号和颜色构成，目标是最大化你的主观幸福感。吉伽玛，这是一个由两种变量，车型和颜色决定的函数，存在某种隐藏的伽马分布，但你并不知道，因为你需要试驾所有可能的车型和颜色组合才能找到它。然而，分开学习颜色轴上的幸福感分布，比如驾驶不同颜色的特斯拉，以及学习沿车行轴的幸福感分布，比如驾驶红色配置的每种型号是有道理的。如果两种分布独立，比如你偏好蓝色而不是黄色，这与汽车型号无关，那么这种底层的二维分布就说成是可分解的。
发言人 18:14
从数学上讲，我们可以描述联合分布为两个相应的一维分布的乘积。你只需要知道这两个因素，就可以预测联合分布。这意味着这样的分解使得你可以预测之前从未遇到的组合的伽马值。另外要注意，因为你只需要知道一对一维分布相比存储所有可能组合的二维分布，所需信息量要少得多。而对于大脑信息储存的问题更为关键，因为认知地图的维度要多得多。
发言人 18:58
同样的在大脑中每一种体验都会被分解为结构部分，即这个关系图上的位置以及感觉部分，定义了外部世界的特定环境。实际上，这种分解的证据可以在海马体中的单个神经元反应中观察到。回想一下，海马体内的网格细胞，特别是其中的中央部分，能在不同的环境中保持稳定，形成这种坐标系统。关于这种结构基础的信息会被输入海马体。由海马体的另一部分边缘区提供的一系列纯感官线索信息，这一部分不具备明显网格活动模式。
发言人 19:55
海马体接着形成联合表示，将这两股信息流整合起来，并将特定的感官信息嵌入到结构骨架中，可由一个名为海马体内马在映射的著名现象来展示这种分解式和联合表示的差异。本质上它指的是位置细胞在其在不同感官环境中的放电模式的改变。比如当动物在房间中间时，某一神经元可能开始活跃，但当你通过喷洒薄荷味的东西改变环境后，那特定的位置，请注意这与空间细胞完全不同，他们对这类环境变化很大程度上是不变的，只关心空间。
发言人 20:48
好了让我们试着把所有东西联系起来。在这段视频中，我们在行为和细胞层面都看到了证据，证明大脑必须有一个内在的世界模型，即认知地图。尽管名称中包含地图。相反，认知地图是一种有组织的方式，用来将知识系统化，构建成某种结构。这些表示的主要目的是有效地利用外部世界固有的规律性和重复性，以减少计算投入并泛化你的知识。比如像这样的传递规则，如果A比B大，B又比C大，那么A必然比C大。这一规则在许多不同的情景中使用，从距离和捕食者大小到声音频率和薪水都适用。所以并不需要每次都学习这种传递结构，你可以复用它。
发言人 21:49
我们也讨论了如何将这些结构骨架视为组织知识的关系图。这种图需要考虑潜在空间，这些空间并非直接可观测，而需要根据一系列感官观察进行推断。纳入潜在空间，使得海马能够跟踪抽象变量，比如累积塔任务中的感官证据量，以及左右交替任务中所处的空间位置。
发言人 22:23
最后，我们探讨了为何将知识分解为结构和感官要素对大脑来说是有益的，因为它能促进知识的泛化，使得问题在计算上更为可行。这种分解式的表示证据在内嗅皮质中可以找到，其前部和后部分别向海马体提供两条独立的信息流。而海马体随后会生成一个统一联合的表示，将这种结构嵌入到感官背景中，以解决特定的行为任务。
发言人 22:59
从在迷宫中奔跑，按下声音频率感到在朋友家的厨房里煮意大利面。我知道这信息量很大，还有很多细节未提及，但实际上这段视频所描绘的是一个充满争议和正在进行研究的领域，目前我们还缺乏统一的理解。希望在视频系列的第二部分中，我们将更清楚的阐述这些概念和实验观察，尝试构建一个能够泛化和学习潜在空间的计算系统。
发言人 23:37
同时如果你对计算神经科学的深入话题感兴趣，一定要去看看我们的赞助商BRINILNT点ORG的相关内容。Prevent是拓展你在ste m领域知识和学习新技能的理想平台，与传统的基于教科书的学习不同，present的课程经过精心设计，旨在高度互动和吸引人，让学习成为一种愉快且有益的经历。实践、练习和经验的可视化，让你能在实际应用的背景下对基本概念有深入理解。将解决问题的技巧融入你的认知地图中。
发言人 24:18
Brant提供了各类课程，覆盖各个水平和背景。从数学和计算机科学的基础到神经网络和微分方程，每月都有新课程上线。例如如果你想了解大脑的计算模型，可以查看他们关于强化学习的速成课程，该课程涵盖了这一框架的基础知识。在这里，一个人工代理通过反复试验与错误来接受训练。
发言人 24:43
不要犹豫，立即进入prevent，开始用小步骤扩大你的知识库，访问BRILLINT点ORG，开始体验为期30天的brilliant全部内容免费使用，并且首批通过此链接注册的人将能享受20%的premium会员折扣。如果你喜欢这个视频，请按下赞按钮与朋友和同事分享，并在还没订阅的话就关注这个频道，同时考虑在沛特人上支持我提出视频主题并享受额外内容。敬请期待我们即将带来的更多有趣话题，再见，感谢你对我们大脑的关注。