贝叶斯大脑的神话 The myth of the Bayesian brain

贝叶斯大脑的神话

The myth of the Bayesian brain

DOI:10.1007/s00421-025-05855-6

• 概要: 本文对贝叶斯大脑假说进行了批判性分析，认为该假说在认知神经科学中虽然数学上优雅且具有统一性，但其在生物学上的可行性、实验支持和可证伪性存在问题。文章对比了动态系统理论、生态心理学等替代框架，探讨了贝叶斯推理在预测和适应行为中的局限性，并提出其更像是一种有用的隐喻而非生物学上可验证的机制。
• 推荐理由: 适合对贝叶斯大脑假说的理论争议感兴趣的研究者，提供了一个批判性视角，有助于理解该领域的挑战和替代方法。

摘要

“贝叶斯大脑假说”——即神经系统实现或近似贝叶斯推理的观点——在过去二十年中已成为认知神经科学领域的主导框架。尽管该假说在数学上优雅、概念上统一，本文认为，它处于一种模糊地带：介于有益的隐喻与可检验、生物学上合理的机制性解释之间。我们批判性地审视了贝叶斯大脑假说的核心主张，重点指出了其不可证伪性、生物学上的不可行性以及实证支持的不一致性。该框架在容纳多样化研究发现方面展现出惊人的灵活性，这反而引发了对其解释力的担忧，因为其模型往往可通过事后调整以适应几乎任何数据模式。我们将贝叶斯方法与替代性框架进行对比，包括动力系统理论、生态心理学和具身认知，这些框架无需诉诸概率推理即可解释预测与适应性行为。尽管存在诸多局限，贝叶斯大脑假说依然持续流行——其驱动力与其说是来自实证基础，不如说是源于其数学上的优雅、隐喻的力量以及制度惯性。

关键词：贝叶斯大脑假说 · 预测编码 · 自由能原理 · 认知神经科学 · 理论神经科学 · 具身认知 · 神经科学哲学 · 动力系统理论 · 不可证伪性

贝叶斯热潮

每一场科学革命都始于承诺确定性的优美方程，继而通过日益繁复的修正来解释异常现象，最终以一长串引文收场，捍卫那些从未真正映射到生物现实的数学虚构。

“贝叶斯大脑假说”是当代认知科学与神经科学中最具影响力的框架之一，自21世纪初兴起以来，已从根本上重塑了我们对神经功能的理解（Doya 2007；Friston 2010；Knill 和 Pouget 2004）。其核心是一个看似简单却极为深刻的主张：大脑本质上是一台精密的预测机器，利用贝叶斯推理来解释感官信息，并持续更新关于世界的内部模型（Friston 2005；Lee 和 Mumford 2003；Rao 和 Ballard 1999）。根据这一观点，神经处理的核心目标是通过概率推理最小化预测误差——本质上是在从单个神经元到大规模网络的各个层次上近似实现贝叶斯定理（Bogacz 2017；Friston 2010；Ma 等 2006）。这一观点彻底背离了传统的刺激—反应模型，将大脑重新定位为一个主动的、进行假设检验的器官，而非被动接收感官信息的装置（Clark 2015；Friston 2010；Gregory 1980）。这一范式转变激起了广泛热情，也引发了日益增长的争议：贝叶斯大脑究竟是一个真实的机制性解释，还是仅仅是一个引人入胜的隐喻？（Bowers 和 Davis 2012；Colombo 和 Seriès 2012；Jones 和 Love 2011）

这一思想的学术渊源可追溯至赫尔姆霍兹关于“感知即无意识推理”的观点，但其现代形式及迅速崛起主要发生在2000年代初期。在早期认知计算方法的基础上，卡尔·弗里斯顿（Karl Friston）、杰弗里·辛顿（Geoffrey Hinton）和安迪·克拉克（Andy Clark）等研究者发展出日益复杂的数学模型，用贝叶斯术语描述感知、行动与学习。其中，弗里斯顿的“自由能原理”（FEP）及其推论“主动推理”，或许是这一路径最雄心勃勃的延伸，试图从热力学与信息论中推导出神经组织的基本原理。与此同时，克拉克影响深远的《Whatever Next?》一文将预测加工定位为潜在的“大脑统一理论”，而辛顿在生成模型方面的工作则在贝叶斯框架与神经网络实现之间建立了关键联系。这些研究者及众多同行共同将最初仅限于视觉研究的专门方法，拓展为如今几乎涵盖所有认知领域的宏大范式。

贝叶斯大脑假说的解释范围以惊人速度扩张，已从感知延伸至动作、注意、学习、决策，甚至精神疾病。该框架的特别吸引力在于其数学上的优雅与表面上的统一能力——它承诺提供一种通用语言和一套计算原则，将神经生物学、心理学与精神病学等传统上彼此分离的领域纳入一个连贯框架之下。例如，精神分裂症被重新解释为层级预测编码网络中“精度加权”的紊乱，而安慰剂效应则被重新概念化为强先验信念对身体状态的影响。这种广泛的覆盖范围已将贝叶斯大脑从“又一个神经功能理论”提升为“定义范式”的框架，塑造着多个领域的研究问题、实验设计与结果解读。然而，恰恰是这种无所不包的特性——它似乎能解释一切——引发了一些人的质疑：贝叶斯大脑是否正滑向“万能理论”的陷阱，反而在科学上缺乏约束力，最终什么也解释不了？

这些担忧并非前所未有。越来越多的批判性研究已对认知科学与神经科学中贝叶斯框架的经验、机制与概念基础提出质疑。例如，Bowers 和 Davis（2012）警告称，许多贝叶斯模型过于灵活而无法证伪，常依赖事后参数拟合而非做出有风险的预测。Jones 和 Love（2011）指出，理性贝叶斯模型通常约束不足，常忽视机制细节，有沦为隐喻而非科学理论之虞。Colombo 和 Seriès（2012）进一步指出，许多此类模型主要作为描述工具，缺乏与可识别神经机制的对应关系，从而使得从“贝叶斯行为”推理“贝叶斯大脑”的过程极为脆弱。其他批评则强调，在知觉模型中经验性地约束先验与损失函数极为困难（Colombo 2018），以及自由能原理在试图通过单一变分形式解释生命、认知与行动时所表现出的形而上学过度延伸问题（Colombo 和 Wright 2021）。与本文批判最直接相关的是 Williams（2018；2020）及 Williams 与 Colling（2018）的工作，他们指出，自由能原理因其普适范围与数学一般性而实质上不可证伪，其通过在不同分析层次间转换解释立场来回避经验反驳。本文在这些批判基础上，系统分析修辞策略、隐喻与机制间的概念滑移，以及制度激励如何共同强化了一个不可证伪且生物学上不可行的框架的持续存在。

贝叶斯方法的数学复杂性，在日益计算化的神经科学领域中赋予其相当的声望。复杂行为与神经反应可被形式化为概率分布、似然函数与先验信念——为以往仅具描述性或现象学特征的领域带来了令人满意的严谨性。这种量化精确性使研究者能够推导出具体、可检验的预测，并将复杂模型拟合于行为与神经数据。该方法在建模某些知觉现象（如视觉错觉、多感官整合、情境效应）上的成功，增强了人们对其广泛适用性的信心，从而在神经科学研究中引发了名副其实的“贝叶斯热潮”。然而，这种流行度的激增也引发重要问题：贝叶斯模型的数学优雅是否被误认为经验充分性或机制洞察力？

尽管贝叶斯大脑假说无疑广受欢迎且看似解释力强大，本文主张，它在概念上仍处于“有益隐喻”与“合法机制解释”之间的模糊地带。虽然它无疑催生了富有成效的研究计划，并提供了对神经功能的引人注目的解释，但一旦接受批判性审视，其作为解释性理论的地位便深陷困境。这一挑战不仅是技术性的，更是概念性的——关乎神经科学中“科学解释”的本质，以及何为对神经功能的“满意解释”。下文将论证：当贝叶斯大脑的支持者被追问其机制主张时，他们常退守至隐喻或抽象层面；而当隐喻的松散性受到质疑时，他们又重申其机制抱负，并指向实现细节。我认为，这种概念滑移威胁着该方法的科学完整性，亟需批判性审视，以判断它究竟是真正解释了大脑功能，还是仅仅维持了解释的表象——它究竟是一个仍具生命力的模型，抑或已跨越界限，沦为科学神话。

贝叶斯视角也彻底改变了我们对大脑、身体与环境之间关系的理解（Allen 和 Friston 2018；Clark 2015；Kirchhof 和 Kiverstein 2019）。通过将感知视为推理、将行动视为检验感知假设的手段，它挑战了传统上对“感知”与“行动”之间的界限划分（Clark 2013；Hohwy 2013；Seth 2014）。这对具身认知与延展心智的概念具有深远影响——暗示大脑的首要目的并非精确表征世界，而是通过预测促成与世界成功互动（Clark 2015；Gallagher 和 Allen 2018；Kirchhof 2018）。然而，无论这一重构多么引人入胜，它都引发了一个深刻的实现问题：神经组织究竟如何编码概率分布、执行贝叶斯更新或表征精度估计？（Fiser 等 2010；Pouget 等 2013；Sanborn 和 Chater 2016）这些关于生物学可行性的疑问，与该框架的数学优雅性形成张力，在大量文献中，理论抱负与机制现实之间的鸿沟仍未得到充分解决（Bowers 和 Davis 2012；Nelson 等 2018；Williams 和 Colling 2018）。

此外，科学研究的社会动力学也助推了该框架的迅速崛起（Kuhn 1962；Latour 1987；Smaldino 和 McElreath 2016）。贝叶斯方法为研究者提供了强大的数学形式体系、计算模型以及跨学科协作的通用语言（Clark 2013；Griffiths 等 2010；Hohwy 2013）。职业激励机制倾向于奖励那些在主流范式内工作的研究者，而资助机构往往优先支持在既有框架基础上构建的研究，而非从根本上挑战它们的研究（Nelson 等 2018；Romero 2017；Smaldino 和 McElreath 2016）。这些社会学因素虽外在于理论本身的科学内容，却深刻塑造了贝叶斯大脑假说在神经科学中如何被发展、评估与制度化（Kuhn 1962；Latour 1987；Longino 2020）。理解这些动力机制，对于评估该理论不仅是否为真，更在于它为何能在面临重大概念与经验挑战的情况下仍持续存在并保有影响力，至关重要（Ioannidis 2005；Smaldino 和 McElreath 2016）。

这些考量引发了对贝叶斯大脑假说解释连贯性与经验可行性的深层担忧。尽管其被广泛采纳且数学上高度复杂，该框架却常在隐喻与机制之间摇摆，灵活调整以容纳相互矛盾的发现，而缺乏清晰的约束。其统一多样领域的强大能力，既是其最大优势，也是其最严重弱点。初看是理论优雅，细察之下却可能反映出令人不安的表述松散——这种松散削弱了框架的解释连贯性，并为不加批判的采纳大开方便之门。要评估其真正的科学价值，我们必须严格考察其概念承诺、经验支持与生物学可行性。

虽然本文旨在对贝叶斯大脑假说及自由能原理（FEP）提供严谨的哲学与科学批判，我们承认某些措辞可能令读者感到异常直接。这是有意为之。本文时而尖锐或严厉的修辞风格，旨在反映当前所涉认识论与制度问题的严重性。具体而言，我们希望揭示：某些理论框架尽管长期存在概念与经验缺陷，仍能获得不成比例的影响力。这种风格承袭科学哲学的悠久传统——在面对那些无法通过常规经验手段纠正、不可证伪或过度延伸的解释系统时，直接批判往往是必要的。我们的批判并非针对个人或群体，而是指向当代神经科学中的系统性倾向：将隐喻与机制混为一谈，将数学优雅误认为生物学可行性。尽管如此，我们仍谨慎修订了可能过于轻蔑或无谓煽动性的语言，希望读者将本文的批判理解为一种有原则的干预，而非情绪化的论战。

本文结构如下，旨在明确批判的利害关系，并为读者提供清晰的论证路线图： 首先，我们将解析贝叶斯大脑假说及其相关框架（包括预测编码与自由能原理）的核心理论主张。 其次，我们将检视许多贝叶斯模型所特有的“隐喻—机制”模糊性，继而深入分析其不可证伪性与过度灵活性。 接着，我们将转向该假说的生物学与神经生理学局限，包括计算与代谢可行性问题、实现难题以及与经验数据的错位。 在阐明神经动力学的非高斯统计特性对贝叶斯基本假设构成根本挑战之后，我们将介绍替代性框架——动力系统理论、生态心理学与具身认知——它们对感知与行动提供了更具生物学可行性的解释。 最后，本文将以一段虚构对话收尾，凝练核心概念张力，并反思为何贝叶斯隐喻尽管在经验与机制层面存在缺陷，却仍持续流行。由此，我们清晰划定了科学解释与诱人抽象之间的界限。

贝叶斯大脑究竟主张什么？

一个好想法的危险之处，并不在于它无法解释任何事物，而在于它可以被扭曲到能够解释一切。当一个理论变得足够灵活，以至于能在同一数学框架下涵盖烛焰与皮层柱状结构时，我们或许该质疑的就不再是它的范围，而是它的实质。

在我们能够充分评估这些担忧之前，首先必须澄清“贝叶斯大脑假说”究竟主张什么。尽管不同研究项目之间存在差异，其核心主张通常包括：

感知作为概率推理

贝叶斯大脑将感知不视为对感官数据的被动接收，而视为主动的概率推理过程（Knill 和 Pouget 2004；Friston 2005；Rao 和 Ballard 1999）。感官输入被视为证据，大脑利用这些证据检验并更新其关于世界的内部模型。我们所感知的并非世界本身，而是大脑对感官输入成因的最佳预测——这一预测受先验期望与特定感官数据在不同可能成因下之似然性的约束（这一过程常在预测编码模型中以示意图方式呈现：先验信念与传入的感官输入相结合，生成知觉估计与误差信号，如图1所示）。

行动作为预测误差最小化

在此框架下，运动行为被视为通过改变感官输入以使其与预测对齐，从而最小化预测误差的尝试——这与感知中通过调整预测以匹配输入的做法相反（Adams 等 2013；Brown 等 2013；Friston 2011）。这一观点将运动控制重构为类似于感知的过程，二者均被理解为贝叶斯推理的形式。关键区别在于推理的方向：感知根据输入更新预测，而行动则修改输入以实现预测。

学习作为贝叶斯信念更新

在贝叶斯框架中，学习是持续更新内部模型以响应预测与实际感官输入之间不匹配（即预测误差）的过程。这种更新被假定遵循贝叶斯规则，即结合先验信念与似然函数以生成后验信念（Behrens 等 2007；Mathys 等 2011；Tenenbaum 等 2006）。随着时间推移，这种推理机制被认为会不断精炼大脑的生成模型，使其对外部世界的结构与动态做出越来越准确的预测。

这些核心主张已在若干相关框架中得到扩展与深化，其中最著名的是：

预测编码模型 描述预测误差如何在层级神经系统中被计算与传递——高层级向低层级提供预测，并接收误差信号作为反馈（Bastos 等 2012；Clark 2013；Rao 和 Ballard 1999）。

自由能原理（FEP） 试图将感知、行动与学习统一于单一目标之下：最小化变分自由能，据称这近似于随时间累积的预测误差或“惊奇”（Friston 等 2006；Friston 2010；Parr 和 Friston 2019）。

主动推理 将这些思想延伸至决策与规划领域，提出智能体选择那些能最小化预期自由能或最大化预期信息增益的行动（Friston 等 2011, 2017；Parr 等 2020）。

尽管这些框架在数学细节与范围上各有不同，它们共享一个基本假设：贝叶斯推理，或某种功能等价物，构成了神经系统的基本运作原则。

为澄清贝叶斯大脑假说在不同实现形式中的修辞与概念滑移，表1总结了核心术语及其在不同语境、模型层级与叙事意图下的含义变化。表2进一步扩展这一观点，展示这些术语如何常常随语境彻底转变含义——同时承担技术性、修辞性与隐喻性功能。

值得注意的是，“贝叶斯大脑”理论在主张上差异巨大：从神经回路层级对贝叶斯规则的字面实现（强机制模型），到仅将贝叶斯推理视为“仿佛如此”的计算层级描述。一些研究者采用近似抽样方法（例如神经群体中的蒙特卡洛抽样），另一些仅在行为层级讨论贝叶斯整合，还有一些则仅赋予其纯粹隐喻角色。这种异质性使得明确讨论的是哪一种“贝叶斯版本”至关重要。

尽管贝叶斯大脑假说的核心主张相对清晰，其作为真实机制性解释的地位仍深陷争议且长期悬而未决。这种模糊性反映了理论神经科学中一个更广泛、更持久的问题：隐喻性描述与真正基于生物学的神经功能解释之间可能发生的混淆。要切实解决这一问题，我们必须在语言、经验承诺与证据标准上，明确而审慎地区分这些不同的解释模式。

从隐喻到机制——抑或神话

隐喻是一种承诺，机制是它的兑现，而神话则是承诺从未兑现后残留之物。

贝叶斯大脑假说最初并非作为一种机制提出。与许多具有影响力的科学思想一样，它始于一种隐喻——一种用以重新诠释感知、行动与学习等核心认知过程的概念透镜。该假说并未提供一个基于生物学细节、完全具体化的神经功能模型，而是提出了一种宽泛而统一的框架，将大脑描绘为一台推理引擎，持续生成并更新关于世界的概率模型。这种框架为传统刺激—反应模型提供了一种灵活的替代方案，使人们得以将大脑功能重新构想为预测、不确定性与统计优化。作为一种启发式工具，“大脑是贝叶斯推理引擎”这一观念极具力量：它提供了一种叙事，能够跨分析层次整合多种现象。然而，科学中的隐喻蕴含着一种隐性契约——它们最终必须转化为生物学上可行、经验上可检验的机制性解释（Craver 2007）。当这种转化未能实现——当隐喻持续塑造理论与研究，却缺乏明确实现路径或可证伪性时——它们便跨越了一道门槛，成为自我封闭的叙事：修辞上引人入胜，经验上却无根基。

为精确区分这些概念，我们简要定义以下三类：

1. 隐喻：隐喻是一种类比工具，将一个理解领域映射到另一个领域（Lakoff 和 Johnson 1980）。在科学中，隐喻常对理论发展不可或缺，可作为构建模型或假设的脚手架（Hesse 1970）。但隐喻本身不是解释：它是指南，而非根基。
2. 机制：机制则相反，是嵌入物理系统中的因果具体、经验可处理的过程。机制性解释需明确指出产生现象的组分、操作及其组织方式。它是最终评判大脑功能主张的标准（Bechtel 2011；Craver 2007；Machamer 等 2000）。
3. 神话：神话是当隐喻持续存在却未能转化为机制时所残留之物。它是一种抗拒经验挑战、灵活吸纳矛盾发现、依靠修辞魅力而非证据支持来维持信念的叙事。科学中的神话未必为假——但它们不可证伪，因此在认识论上是惰性的。

这一分类有助于澄清当前围绕贝叶斯大脑假说的争论所涉及的核心问题，即明确区分隐喻、机制与神话。预测编码框架，以及后来的自由能原理，最初并非作为机制模型提出，而是作为富有启发性的隐喻——数学形式体系，邀请人们以概率术语重新诠释神经功能（Clark 2013；Knill 和 Pouget 2004；Friston 等 2006；Friston 2010；Hohwy 2013）。这些隐喻极具生成力：它们激发了理论创新、计算模拟，并促使人们在多个认知领域重新诠释经验发现。然而，仅具生成力并不足以赋予科学合法性。在许多情况下，这些概念未能演变为基于生物学的机制。“内部生成模型”、“精度加权预测误差”与“马尔可夫毯”等术语，除非与具体、可检验的神经基质及因果过程相联系（某些近似模型曾尝试如此，但往往缺乏足够约束或经验验证），否则仍只是隐喻性的占位符。在此之前，它们的作用更接近持久的叙事装置——数学上流畅、修辞上动人、经验上模糊。

此外，当这些隐喻受到挑战时，支持者往往退守抽象层面，而非转向机制性解释。当神经数据无法支持预测误差编码时，理论便转向另一个分析层次；当行为与贝叶斯最优性相矛盾时，先验就被重新定义。这种灵活性并非稳健性的标志，而是修辞绝缘的表现。正如波普尔（Popper 2014）所警示的：一个无法被证伪的理论——因为它能解释任何结果——便不再属于科学范畴。

问题不在于贝叶斯大脑最初是作为一种隐喻提出的——所有科学理论皆始于此。问题在于，它至今仍停留在隐喻层面，却被当作机制来辩护。正是这种悬而未决的状态，使隐喻蜕变为神话。

在接下来的章节中，我们将探讨这一“神话化”过程如何在认知神经科学的若干关键领域中展开，包括感知、运动控制、精神疾病建模与人工智能。这些领域均因贝叶斯框架的修辞魅力与数学吸引力而被重塑，却往往缺乏相应的经验支持或机制具体性。我们主张，除非支持者能够严格证明其概念如何映射到可识别的神经机制，否则贝叶斯大脑假说必须被重新归类——它并非对大脑功能的真实解释，而是一种持久、美学上吸引人、但最终经验上空洞的隐喻。

“仿佛”问题

说大脑表现得“仿佛”是一个贝叶斯推理引擎，并不能算作一种解释——而是一种推卸责任。当数学公式看起来很美，但生物学现实却拒不配合时，我们就用这种“仿佛”的说法来安慰自己。这是一种表面上显得具有机制性的表达方式，实际上却根本没有提供任何真正的机制性说明。

贝叶斯大脑假说常常以一种“仿佛”式的解释模式运作：即大脑的行为“仿佛”它在执行贝叶斯推理，但并不声称神经组织中实际实现了贝叶斯计算（Colombo 和 Seriès 2012；Danks 2014）。这种语言表述并不仅仅是修辞风格的选择，而是揭示了该理论在解释地位上的根本性模糊（参见 Ramsey 2007）。它允许理论家借用数学的权威性，同时回避对生物实现过程中复杂细节的承诺。

“仿佛”问题以多种方式显现出来。首先，对神经过程的描述总是不可避免地滑向意向性语言——神经元“预期”、“预测”或“表征”概率分布——这暗示了某些认知操作，而理论本身却在同一时间否认这些操作在实现层面上真实存在（Brette 2019）。其次，贝叶斯推理的数学本身要求对明确的概率分布进行计算，但支持者却常常声称大脑并不需要显式地表征这些分布（Sprevak 和 Smith 2023）。这就导致了解释在字面意义与隐喻意义之间不稳定地摇摆，其解读取决于具体的实证语境。原本作为一种理论便利的做法，迅速演变为一种修辞策略。

更严重的问题在于，“仿佛”式的表述方式使得该理论能够在保持叙述吸引力和科学声望的同时，系统性地逃避明确的机制性承诺，除了少数计算神经科学中的具体实现案例外，这些案例需要单独评估。当神经数据未能与贝叶斯预测相符时，退回到“仿佛”这一术语就能维持该框架的修辞力量，尽管它依然脱离生物现实（Bowers 和 Davis 2012；Jones 和 Love 2011）。这种语言上的模糊尤其体现在诸如“大脑最小化预测误差”或“神经元编码精确度权重”之类的表述中——这些短语暗示了机制性主张，却又因其隐喻性质而免于被证伪（Litwin 和 Miłkowski 2020）。

因此，“仿佛”问题揭示了一个更深层的问题：如果没有对实现方式的具体承诺，贝叶斯大脑模型就有沦为丹尼特（Dennett 1987）所说的“自由漂浮的合理性”（free-floating rationales）的风险——即仅仅识别出某种计算功能，却不约束这些功能在物理系统中如何实现。要突破这一僵局，就必须放弃“仿佛”术语所提供的舒适感，明确指出究竟哪些神经操作才真正构成——而不仅仅是模拟或近似——贝叶斯推理（Zednik 和 Jäkel 2016）。

因此，对“仿佛”式推理的依赖，不仅仅是一种语言上的捷径，更是一种概念上的缓冲机制——它保护理论框架免受经验检验的冲击，同时维持其修辞上的连贯性。但这种起初作为隐喻便利的做法，逐渐演变为一种解释上的模糊。正如我们将在下一节看到的，这种模糊性并非孤立现象，而是反映了一种更深层的理论倾向：即将隐喻与机制混为一谈，而这正威胁着将一个曾经富有创造力的思想，转变为一种自我封闭的科学神话。

隐喻、机制，还是神话：贝叶斯大脑的概念漂移

当一个隐喻不再被审视其局限性，反而开始被当作普遍真理加以捍卫时，它就变成了一个神话。贝叶斯大脑最初诞生于一种类比，逐渐发展为一种范式，最终固化为教条——然而，它从未真正证明自身的生物学合理性。

本节借鉴马尔（Marr）著名的三层次解释框架，即区分计算层面、算法层面和实现层面（Marr 1982）。我们并不反对贝叶斯模型在计算层面的实用性，在这一层面上，它们常作为有用的抽象工具，用于描述任务结构或统计推理。我们的批评焦点在于不同层次之间的概念滑移：隐喻性或计算层面的主张常常被不恰当地默认为蕴含了机制性的承诺，而缺乏在算法或实现层面上的充分约束。正是这种修辞和解释上的模糊性——而非概率建模本身——才是我们所认定的核心问题。澄清这一区别，对于评估该理论框架的科学地位至关重要。

无论出于有意的灵活性，还是概念上的不清，贝叶斯大脑假说的解释地位至今仍令人惊讶地模糊不清——尽管它常常以一种成熟科学理论的数学形式被呈现出来。其表面上的精确性有时掩盖了机制层面的含混，使得该框架能够在不同描述层次之间自由切换，却缺乏明确的经验约束。仔细审视后会发现，许多所谓的“贝叶斯大脑”模型在认知神经科学和精神病学中，并非真正意义上的过程模型——即描述真实神经机制的模型，而更多是统计性描述，只是用贝叶斯术语来刻画行为或神经数据，且往往是事后拟合（Bowers 和 Davis 2012；Jones 和 Love 2011）。

如前所述，贝叶斯解释涵盖广泛的诠释光谱，从纯粹隐喻性的框架（仅提供宽泛的概念指导），到计算层面的近似模型（描述感知与认知的功能目标），再到强机制性主张（声称指定了大脑中推理过程的实际神经实现）。这种模糊性在对神经活动的解释中尤为明显。

以那些将神经信号识别为“预测误差”或“先验预期”的研究为例。这些解释通常建立在相关性证据之上（O’Reilly 等，2012；Poldrack 2011）。从相关性推理出“表征”关系并不总是有充分依据，但这种推论却常常在修辞上被当作神经实现的证据。如果某个脑区的神经活动与从拟合行为数据的贝叶斯模型中提取出的数值相关，研究者就宣称该区域“表征”或“编码”了相应的贝叶斯变量。这反映出一个更广泛的问题：逆向推论（reverse inference）。一个贝叶斯模型能够拟合观察到的数据，这一事实并不意味着大脑必然实施了贝叶斯规则，或明确地表征了贝叶斯变量。

这里的一个核心问题是“物化”（reification）——即将数学构造当作物理实体或神经生物学过程来对待（Krakauer 等，2017）。先验（priors）、似然（likelihoods）和后验（posteriors）是帮助我们描述概率关系的数学术语，但尚不清楚大脑是否真的以这些特定方式“划分自身”，或是否以任何显式形式操作这些量。与预测误差相关的神经活动，可能源于潜在的动力学过程或结构约束，而这些并不一定对应于显式的贝叶斯计算。

当这些观点受到质疑时，贝叶斯大脑的支持者通常在两种立场之间来回切换。一方面，他们可能退守到较弱的立场：贝叶斯模型仅提供一种有用的“仿佛”式描述，无需承诺具体的实现细节。另一方面，当出现看似符合贝叶斯预测的证据时，他们又会提出更强的机制性主张。这种概念上的模糊性——在抽象与实现、隐喻与机制之间的摇摆——使得该框架能够吸收相互矛盾的发现而不受惩罚，从而在保持解释吸引力的同时，免于经验上的证伪。

这种概念上的灵活性，使得我们很难明确界定该假说究竟对大脑的真实功能提出了什么主张。

隐喻与机制之间的区分至关重要。如果贝叶斯大脑主要是一种隐喻或高层描述，那么它就不应以其机制准确性来评判，而应以其启发价值、能否生成可检验的预测来评估。然而，如果它做出的是机制性主张，它就必须具体说明：抽象的贝叶斯计算是如何映射到生物过程和神经结构上的。诉诸马尔（1982）的“计算层面”并不能免除该框架的经验责任。如果计算层面的理论过于灵活而无法被证伪，或者缺乏算法和实现层面的约束，那么它的科学价值就会大打折扣。一个连贯的理论必须将其计算目标与生物学上合理的机制联系起来，并允许在每一层面都接受经验上的反驳。

缺乏这种清晰性，该假说就有沦为哲学家卡尔·波普尔（Karl Popper）所说的“形而上学研究纲领”（Popper 2014）的风险——虽具影响力，但最终无法被证伪。

贝叶斯大脑假说的可证伪性标准

要将贝叶斯大脑假说作为一项科学理论来评估，它必须产生足够具体的预测，以便能够被经验证据所反驳。以下条件在原则上可以证伪该假说或其相关框架（例如预测编码、主动推理）的核心主张：

1. 缺乏预测误差的神经信号：被假定为编码预测误差的神经群体（例如感觉皮层中的失匹配反应），在预期被违背的条件下应表现出系统性差异（Egner 和 Summerfield 2013）。如果此类差异未被观察到——即使先验被明确操控——这将挑战预测编码框架。
2. 未能检测到先验驱动的调制作用：该理论预测，先验预期会调制神经活动和行为结果。若设计用于分离先验影响的实验（例如基于线索的概率性预期）未能显示出此类调制效应，则会削弱贝叶斯假设（Teufel 和 Fletcher 2020）。
3. 神经反应缺乏层级结构：预测编码模型假设信息处理具有层级性。如果自上而下的预测与自下而上的误差信号未能按预期方式交互——例如，对高级脑区的干扰并未影响低级脑区的误差反应——这将违背其核心架构假设（Clark 2013）。
4. 缺乏精确度加权的证据：一个关键主张是，大脑会根据不确定性动态调整预测误差的权重。如果实验证据表明，对不确定性的操控并未调制神经增益或功能连接（例如通过fMRI或电生理信号），则与该机制相矛盾。
5. 违反行为上的贝叶斯最优性：在严格控制的任务中，当先验概率和似然函数被明确定义时，若行为持续偏离贝叶斯最优——且这种偏离无法用噪声、启发式策略或近似计算来解释——则将证伪其规范性主张（Rahnev 和 Denison 2018）。
6. 神经实现机制的否定：所提出的神经实现机制（例如概率性群体编码、基于采样的近似计算）必须通过实证加以验证。如果研究未能识别出符合这些计算角色的神经群体或动态模式，则该框架的机制合理性将被削弱。
7. 临床模型的预测失败：如果基于贝叶斯理论对精神疾病（例如将精神分裂症解释为精确度加权异常）的解释，无法在独立数据集中预测症状模式、治疗效果或神经相关物，则该理论的应用价值将下降（Fletcher 和 Frith 2009）。

上述标准共同表明，贝叶斯大脑模型必须像任何科学理论一样，接受同等严格的经验证实或证伪。若缺乏明确的预测和可证伪的条件，该框架就有沦为一种灵活叙事的风险，而非真正的机制性解释。

表3展示了面对否定性数据时常见的回应方式——尽管这些回应在修辞上有效，却逐渐消解了该框架的经验约束力。

这些标准并非旨在规定具体的实验范式，而是为了凸显：若要使贝叶斯大脑假说成为可检验的科学理论，就必须澄清其理论承诺。它们的作用在于划定可证伪性的边界，而不预设这些边界已在当前的经验研究实践中被真正落实。在真正开展有意义的实验检验之前，明确这些边界是必要前提。

具体案例。上述抽象关切并非纯理论问题，它们已在实证文献中有所体现，尤其是在频繁引用预测加工和自由能原理（FEP）模型的研究中。例如，在临床领域，关于精神分裂症的贝叶斯模型提出，阳性症状源于预测误差的精确度加权异常（Adams 等，2013；Fletcher 和 Frith 2009；Friston 等，2014）。尽管这一观点在概念上具有吸引力，但这类模型往往约束不足，且很少对症状特异性或治疗结果做出可证伪的预测。

在知觉神经科学中，听觉失匹配负波（MMN）常被置于预测编码框架下进行解释（Garrido 等，2009；Teufel 等，2013；Teufel 和 Fletcher 2020）。然而，类似的神经反应也可由更简单的机制（如适应或动态滤波）来解释，这使得将其推理为层级性预测误差计算的做法值得怀疑。

每个例子都具体体现了上述理论关切。

最后，在线索整合范式中，例如Ernst 和 Banks（2002）经典的视觉–触觉研究，研究者常常通过事后模型拟合来证明行为的贝叶斯最优性。而其中的先验和似然函数通常是从行为数据中反向推理得出的，而不是独立获得的。这些案例清楚地展示了灵活解释和事后调整——即概念滑移的典型特征——如何在实际建模中发挥作用。

关于描述性效用的说明。尽管本文对贝叶斯大脑假说的机制性和经验性主张提出了强烈批评，但必须承认，贝叶斯模型在某些情境下仍具有有用的描述功能（Jones 和 Love 2011）。它们在数据拟合和不确定性形式化方面的优势，使其成为总结行为趋势或设计实验范式的重要工具。然而，这类用途应与关于神经实现的主张明确区分开来。一个能够拟合行为数据的贝叶斯模型，并不必然构成大脑中存在贝叶斯计算的证据。将描述充分性与机制有效性混为一谈，正是本文试图澄清的核心混淆之一。

不可证伪性与灵活性

一个能适应所有结果的理论，实际上并未做出任何预测。当先验可以事后调整以容纳任何观察结果，精确度参数又能解释任何偏差时，我们已不再从事科学——而是面临陷入一种过度灵活的解释框架的风险。

也许贝叶斯大脑假说最令人担忧的方面在于，它具有非凡的灵活性，能够容纳广泛的经验发现，甚至包括那些看似相互矛盾的结果。通过调整自由参数——例如先验、似然函数、噪声分布或假设的处理层级——贝叶斯模型（尤其是在其定义模糊、事后应用的情形下）几乎总能被定制以拟合任何观察到的数据模式（Bowers 和 Davis 2012；Jones 和 Love 2011）。这种灵活性体现在以下几个方面：

首先，当行为数据未能符合贝叶斯最优性的预测时，研究者常常诉诸辅助性假设——例如“次优”的先验、认知能力的限制，或使用近似算法——来解释这些偏差（Rahnev 和 Denison 2018；Sanborn 和 Chater 2016）。尽管这些调整在特定实验情境中可能是合理且必要的，但其累积效应使整个框架变得异常弹性，难以受到经验挑战。结果是，几乎任何观察到的行为——无论其与规范性预期多么不一致——都可以被事后解释为在某种限定的、隐喻的或间接的意义上是“贝叶斯的”，从而模糊了“解释”与“合理化”之间的界限。

其次，当神经数据未能与预测的贝叶斯模式一致时，支持者可以轻易地在不同分析层次之间转移理论焦点。他们甚至可以辩称，单个神经元并不执行贝叶斯计算，而是此类计算在神经群体层面才涌现出来。或者，贝叶斯框架可以在更抽象的计算层面被调用，此时其有效性并不依赖于直接的神经实现（Colombo 和 Seriès 2012；Kiefer 和 Hohwy 2018）。一个特别典型的例子是：当Kaliukhovich 和 Vogels（2014）在猕猴IT皮层的单细胞记录中未能观察到预期的重复抑制效应时，预测编码的支持者并未将其视为对理论的挑战，而是辩称贝叶斯过程可能发生在不同的空间或时间尺度上，或仅在特定任务条件下才会显现（Walsh 等，2020）。

第三，该假说涵盖多个时间尺度，从瞬时的知觉过程到长期的进化动态。这种广泛的适用范围使得支持者在受到质疑时，能够灵活转移解释重点。例如，如果当前的神经活动看起来并非明确的贝叶斯过程，它仍可被重新解释为一种近似贝叶斯解，而这种解是通过进化或发展过程逐渐形成的（Griffiths 和 Tenenbaum 2006；Perfors 等，2011）。

这些问题与认知神经科学中长期存在的关于“不可证伪性”的批评密切相关，尤其是针对那些高度抽象、数学形式复杂的理论框架。自由能原理（FEP）整合并扩展了贝叶斯大脑假说，也因此成为此类批评的焦点。正如Williams（2020）和Colombo 与 Wright（2021）有力论证的那样，FEP 广泛的数学形式体系和概念上的弹性，使其几乎可以容纳任何经验结果，从而变得难以——甚至不可能——被证伪（见图2）。

这里的危险在于“特设性故事”（just-so stories）的无节制泛滥——即事后编造的叙事，用于解释观察到的现象，却未能产生具有风险性、可检验的预测，因而无法真正证伪理论（Gigerenzer 1998；Marcus 和 Davis 2013）。尽管叙事性解释在科学中具有一定作用，但当它们制造出一种理解的假象，却缺乏真正的解释力和经验约束时，问题就出现了。支持者可能会辩称，这种理论上的灵活性恰恰反映了神经系统的真正复杂性和适应性，而非理论本身的缺陷——但恰恰是这种辩护本身揭示了核心问题：一个永远不会面临“出错风险”的理论，最终将丧失其作为科学性解释框架的地位（Lakatos 2014）。

这种理论上的松散性威胁着整个科学学科的根基。毕竟，一个能解释一切的框架，实际上并未对任何具体现象做出解释（Lakatos 2014；Popper 2002）。为了让贝叶斯大脑假说超越一种富有吸引力的解释视角，并确立为真正意义上的科学理论，它必须明确阐述出具体的、可检验的条件，在这些条件下，特定的贝叶斯机制将被证伪——例如，识别出理应编码预测误差的神经回路，并表明若这些回路缺失，理论将受到动摇；或明确指出某些实验情境，在这些情境中，非贝叶斯机制明显无法近似贝叶斯推理。许多这类事后调整的做法，与其说是旨在提高理论准确性的真正科学修正，不如说是修辞上的防御——是在面对矛盾证据时，为维护该框架的连贯性与权威性而采取的战略性操作。方框1列出了其中一些最常见的做法及其应对方式。

Box 1：贝叶斯大脑的十二种常见辩护及其应对方法

经验与生物学上的缺陷

大脑或许在用数学低语，但它说的是血肉之言。无论概率模型多么精巧优雅，都无法克服神经组织那些顽固的事实：它的代谢限制、它的非高斯动态特性，以及它根植于身体的进化历史——后者优先考虑的是生存，而非统计上的最优性。

除了概念层面的担忧之外，贝叶斯大脑假说还面临重大的经验和生物学挑战，而这些挑战在理论讨论中常常被低估。

神经生物学实现的挑战

首先是大脑如何（甚至是否）能够编码完整的概率分布。贝叶斯模型通常在可能世界状态的概率分布上进行运算，常常涉及高维、连续的空间。对于受限于有限资源的神经系统而言，表征这样的分布构成了重大挑战。研究者已提出一些可能的机制，包括群体编码、基于采样的表征以及分布式编码方案。然而，这些设想仍 largely属于推测，且面临巨大的实现困难（Fiser 等，2010；Pouget 等，2013）。

其次是实时进行显式贝叶斯更新在计算上的不可行性。即使是简单问题，精确的贝叶斯推理在计算上也极为繁重，而对于复杂问题则变得不可行。尽管存在近似推理方法（如变分推理、蒙特卡洛采样等），并且已被提出作为生物学上可能的策略，但这些方法仍需要复杂的计算过程，对生物系统的可行性构成压力，尤其是在高压情境下需要实时决策时（Griffiths 等，2015；Sanborn 和 Chater 2016）。

神经处理的时间动态也带来另一重挑战。贝叶斯更新通常被建模为一个序列化过程，但真实的神经系统却以并行、递归的方式在多个时间尺度上运行。如何将这些实际的动态模式与理想化的贝叶斯更新相协调，仍然是一个难题（Pouget 等，2013）。

经验上的不匹配

除了实现机制方面的担忧之外，关于大脑中存在贝叶斯处理过程的实证证据充其量也只是好坏参半、不一致的。尽管一些研究报道了与贝叶斯预测相符的行为模式，但同样数量可观的研究揭示了系统性的偏差，这令人质疑该框架的普遍适用性。人类的知觉和决策过程经常表现出显著且稳定的认知偏见和启发式策略，这些显然不符合贝叶斯原则，包括基础比率忽视（base-rate neglect）、可得性偏差（availability bias）和锚定效应（anchoring effects）（Kahneman 和 Tversky 2013；Tversky 和 Kahneman 1974）。这些偏差并非偶然事件，也不能简单归结为噪声；相反，它们是在广泛的任务、人群和实验情境中反复观察到的稳定且可复现的模式。

这些发现引发了一个重要问题：大脑是否真的在执行概率推理？抑或贝叶斯模型只是事后拟合那些源于完全不同、甚至更偏向启发式认知机制的行为？

在神经层面，支持贝叶斯处理的证据同样模棱两可、分布不均。尽管一些研究识别出与贝叶斯模型预测相关的神经信号，但这些发现经常在不同实验任务、刺激条件和个体参与者之间表现出不一致性。此外，基于启发式、动力系统或适应机制的非贝叶斯模型，往往能够以同等甚至更高的简洁性和解释清晰度，解释相同的神经活动模式（Rahnev 和 Denison 2018）。

或许最成问题的是，贝叶斯框架难以解释神经反应对情境的高度敏感性和任务依赖性。同一神经回路在不同行为情境、注意状态或动机因素下可能执行不同功能——这种灵活性与严格的贝叶斯公式难以兼容（Gilbert 和 Li 2013）。这些缺陷表明，尽管贝叶斯原则可能在某些明确定义或受控实验条件下成功捕捉到神经处理的某些方面，但它们尚不足以作为对大脑在各种情境、环境和现实挑战中实际运作方式的全面或可推广的解释（Gigerenzer 和 Gaissmaier 2011；Summerfield 和 Tsetsos 2015）。

重新审视“成功案例”：贝叶斯模型真正解释了什么？

贝叶斯大脑假说的支持者经常引用一系列著名的实证发现——如最优多感官整合、视觉错觉和运动控制——作为大脑执行贝叶斯计算的证据。这些案例常被引为“成功”，用以证明该框架具有预测力和解释力（Ernst 和 Banks 2002；Körding 和 Wolpert 2004；Weiss 等，2002）。然而，仔细审视后发现，这些发现往往与多种理论解释相容。特别是当先验和似然函数是事后拟合、需要强事后假设才能与数据对齐，或未能确立贝叶斯原则的任何明确神经实现时，尤其如此（Bowers 和 Davis 2012；Jones 和 Love 2011）。那些看似支持该假说的现象，实际上可能只是反映了模型的描述灵活性，而非机制真实性的证据（Marcus 和 Davis 2013；Rasmussen 和 Eliasmith 2013）。

多感官线索整合。一个经典例子来自关于视觉-触觉整合的研究，这些研究发现人类以统计最优的方式整合感官线索，符合贝叶斯模型的预测（Ernst 和 Banks 2002）。这些发现常被解释为证据，表明大脑根据各感官输入的相对可靠性，计算加权平均值。然而，此类行为也可能源于经验驱动的校准或具身策略，而无需显式的概率推理。此外，在时间受限或使用新异刺激的任务中，已观察到偏离最优整合的现象（Arnold 等，2019；Stanford 等，2005），这表明贝叶斯拟合可能反映的是特定任务的调适，而非一种普遍的认知策略。

视觉错觉。贝叶斯模型也被用于解释经典的知觉错觉，例如阿德尔森的棋盘阴影错觉（checker shadow illusion），或在模糊输入下的运动错觉（Knill 和 Richards 1996）。这类解释通常假设大脑利用先验知识来“解释掉”意外的感官输入。然而，这些模型中的先验通常是从错觉本身反向推理出来的——这引发了循环解释的担忧。在许多情况下，基于生态约束或知觉启发式的非贝叶斯解释提供了同样合理、甚至更为简洁的替代方案（Purves 等，2011）。

感觉运动控制。在运动行为中，基于贝叶斯推理的最优反馈控制模型被广泛用于解释人类如何在不确定性条件下规划和纠正运动轨迹（Todorov 和 Jordan 2002）。这些模型在捕捉某些运动行为特征方面取得了显著成功，例如运动效率、变异性随尺度变化以及对干扰的适应性反应。然而，它们依赖于对代价函数、内部前向模型和噪声分布的理想化假设——这些假设往往高度抽象，难以通过实证验证。关键的是，这些内部变量在生物系统中无法直接测量，通常是在事后调整以拟合观察到的数据，而非作为先验明确设定。虽然这种灵活性使模型能够适应广泛的行为模式，但它极大地削弱了模型生成关于实际神经机制的新颖、可证伪预测的能力（Wolpert 等，2011）。

病理生理学。贝叶斯大脑框架另一个广受推崇的“成功案例”是其在精神疾病中的应用，尤其是精神分裂症。预测编码理论提出，诸如幻觉和妄想等症状源于对预测误差的精确度加权异常——即要么赋予低层次感官信号过高的权重，要么赋予自上而下的先验过低的权重（Adams 等，2013；Corlett 等，2019；Friston 2016）。尽管这一解释在事后具有令人信服的连贯性，但它仍面临本文通篇讨论的相同问题。这些模型通常通过调整先验或感官输入的相对权重来解释观察到的症状，却很少预测在特定条件下哪些患者会表现出哪些症状（Sterzer 等，2018）。此外，非贝叶斯的替代模型——例如基于神经调制紊乱（Hu 等，2015）、突触修剪异常（Sekar 等，2016）或皮层动力学异常（Uhlhaas 等，2009）的模型——同样可以解释类似的症状表现，而无需诉诸概率推理。贝叶斯解释虽然在数学上优雅，但其风险在于更像一种叙事框架，而非对病理生理机制的真正理论（Williams 2018）。在缺乏对预测误差精确度的直接经验标记，或对症状发生、治疗反应缺乏可证伪预测的情况下，这类模型所提供的无非是一种描述性的重新诠释（Bowers 和 Davis 2012；Colombo 2018）。

这些案例揭示了一个共同模式：被解释为贝叶斯“成功”的经验现象，往往依赖于将数据拟合到对实现机制漠不关心的灵活模型中。尽管这些模型可能提供有用的描述工具，但它们并不必然证明大脑在执行贝叶斯推理，也无法证实常与贝叶斯大脑假说相关联的机制性主张。一个突出的例子是使用预测编码框架对听觉失匹配负波（MMN）进行建模。尽管贝叶斯模型可以模拟出MMN波形，但通常需要精细调整的先验，并假设存在层级化的精确度加权机制，却未能识别出实现这些机制的具体神经回路。而非贝叶斯的替代模型——例如基于局部适应、赫布可塑性（Hebbian plasticity）或动态共振的模型——已在无需诉诸层级推理的情况下重现了类似的MMN特征，这引发了人们对贝叶斯解释是否具有独特解释价值的质疑。

神经生物学约束与贝叶斯实现的不可行性

即使最精巧的计算，一旦超越了生物学可能性，也会沦为毫无意义的噪声。理论上的贝叶斯推断与真实神经生理之间的差距，远不止是近似程度的问题——它是一种根本性的范畴错误，就像试图在算盘上运行量子算法一样。

贝叶斯大脑假说的核心假设

贝叶斯大脑假说建立在至少五个关键假设之上，这些假设值得仔细审视：

1. 完整概率分布的表征：该框架假设神经系统能够编码并操作关于可能世界状态的完整概率分布，包括先验信念、似然函数和后验概率（Ma 等，2006；Pouget 等，2013）。
2. 实时贝叶斯更新：它预设神经回路能够足够快速地执行或近似贝叶斯推断，以支持实时的知觉与决策（Knill 和 Pouget 2004；Friston 2010）。
3. 层级误差传递：预测编码变体假设存在特定的层级组织结构，其中高层向低层发送预测，并接收经过精确度加权的预测误差作为反馈（Rao 和 Ballard 1999；Friston 2005）。
4. 精确度加权：模型假设神经系统能够根据情境因素和不确定性，动态调整预测误差的“精确度”（即方差的倒数）（Feldman 和 Friston 2010；Hohwy 2012）。
5. 生成模型：也许最根本的是，它假设大脑维持着关于世界的内部生成模型，能够模拟预期的感官输入（Hinton 2007；Clark 2013）。

神经波动的非高斯特性

对贝叶斯大脑假说一个关键却常被忽视的约束，是神经波动的统计特性。大多数贝叶斯模型隐含或明确地假设神经噪声符合高斯（正态）分布——这种选择更多是出于数学上的便利，而非生物学上的真实。然而，越来越多的实证证据表明，神经活动在大脑组织的多个时间和空间尺度上，始终表现出明显的非高斯统计特性：

1. 重尾分布：神经波动通常遵循重尾分布，包括幂律分布、对数正态分布和Lévy稳定分布，而非高斯分布（Beggs 和 Plenz 2003；Chialvo 2010；Freyer 等，2009；Metzler 和 Klafter 2000；Touboul 和 Destexhe 2010）。这类分布意味着大幅值事件的发生频率远高于高斯假设下的预期，从根本上改变了神经计算所必须运作的统计环境。
2. 无标度动力学：神经信号的功率谱通常呈现幂律形式（1/f^β），表明时间相关性在多个时间尺度上持续存在（He 等，2010；Miller 等，2009；Linkenkaer-Hansen 等，2001；Touboul 和 Destexhe 2010）。这种无标度特性与许多贝叶斯模型所依赖的“时间无关噪声”假设相矛盾。
3. 双稳态与多稳态：神经活动常表现出多峰分布，反映的是在不同动力学状态之间的转换，而非围绕单一平衡点的连续波动（Deco 等，2011；Freyer 等，2009；Kinouchi 和 Copelli 2006）。此类双稳或多元稳态动力学无法被假定后验分布为单峰的传统贝叶斯框架充分捕捉。
4. 乘性噪声过程：证据表明，神经波动涉及的是乘性而非单纯的加性噪声成分，即噪声的方差依赖于系统状态（Buice 等，2010；Roberts 等，2019）。这些乘性相互作用所产生的统计特性，与贝叶斯模型中通常假设的加性噪声有本质区别。

这些神经波动的非高斯特性给贝叶斯大脑假说带来了严峻挑战，表明许多贝叶斯模型所依赖的简化假设可能系统性地歪曲了大脑功能的真实本质。在非高斯噪声条件下，传统贝叶斯推断在分析上变得不可行，而近似方法往往无法捕捉真实神经活动的丰富统计结构。

尽管支持者可能辩称，大脑可能实现了专门算法以在非高斯条件下执行贝叶斯推断，但此类实现将需要远超标准贝叶斯方法的计算资源，并引入额外的复杂性层次，进一步削弱其生物学合理性。

同时，神经系统中非高斯统计特性的普遍存在，暗示大脑可能依赖于与标准贝叶斯理论所假设的根本不同的计算原则。动力系统方法能够自然地解释非高斯波动、临界性以及多稳态，提供了一个引人注目的替代路径。这些框架可能比贝叶斯大脑假说核心的、理想化的概率推断模型，更真实地刻画神经计算。

神经解剖学上的不一致：与贝叶斯处理不兼容的脑结构与回路特性

贝叶斯大脑假说面临的不仅是抽象的计算挑战，还有具体的神经解剖学不一致，这些结构性和功能性特征从根本上动摇了其生物学合理性。真实的神经组织的这些属性构成了任何数学优雅都无法克服的障碍：

• 树突整合动力学：与贝叶斯模型所需的精确加权求和相反，真实神经元中的树突整合表现出高度非线性、依赖情境的特性。树突含有电压门控离子通道，会根据输入的时空模式形成复杂的整合区域，产生超线性或亚线性求和（Branco 和 Häusser 2010；London 和 Häusser 2005；Polsky 等，2004）。这些动力学产生的输入-输出函数无法映射到贝叶斯计算所需的线性加权平均（即先验与似然的结合）。此外，单个神经元常表现出分支特异性的可塑性，而非全局性的权重调整（Losonczy 等，2008），这与突触权重代表一致概率模型中统计参数的假设相矛盾。

• 神经调制对回路动力学的影响：贝叶斯框架通常假设存在稳定的计算机制，其参数可调（如精确度加权）。然而，多巴胺、乙酰胆碱和去甲肾上腺素等神经调质会从根本上重构回路特性——不仅仅是调整权重，而是定性地改变输入-输出函数、内在兴奋性，甚至可塑性的方向（Dayan 2012；Marder 等，2014）。这导致情境依赖的处理模式，无法被描述为稳定贝叶斯架构内的简单参数调整。这些神经调质系统的广泛影响意味着神经回路在本质上不同的计算模式之间不断切换——这一观察与贝叶斯原则的一致性应用相矛盾。

• 递归连接模式与吸引子动力学：皮层和皮层下回路表现出密集的递归连接，产生吸引子动力学、振荡模式和亚稳态（Brinkman 等，2022；Deco 和 Hugues 2012）。这些动力学产生时间依赖性，违反了序列贝叶斯更新所依赖的马尔可夫假设。此外，抑制性中间神经元的普遍存在导致“赢家通吃”动力学和竞争性抑制，迫使神经表征趋向分类化而非概率化——这在皮层各区域观察到的尖锐调谐曲线和双稳态活动模式中可见一斑（Buzsáki 2006；Isaacson 和 Scanziani 2011）。这些模式表明，神经回路围绕吸引子动力学组织，而非贝叶斯处理所需的连续概率分布。

• 稀疏、同步的编码方案：贝叶斯模型通常依赖分布式表征，在高维空间中编码完整的概率分布。相反，实证证据表明，真实的神经活动高度稀疏且具有时间结构。许多脑区表现出群体活动，其中同时活跃的神经元不足10%，且放电时间锁定于持续的振荡节律（Fries 2015；Olshausen 和 Field 2004）。尽管稀疏编码在代谢上高效且适合特征提取，但它对需要在神经群体中进行连续概率采样或整合的实现构成了挑战。产生稀疏、同步活动的时间和解剖约束不仅仅是计算限制——它们反映了可能与贝叶斯推断假设根本不兼容的架构原则。在这样的系统中编码和维持完整的后验分布，需要当前神经生理数据所不支持的协调性和表征带宽（Olshausen 和 Field 2004）。因此，这种不匹配不是程度问题，而是表征格式和底层生物物理可行性的问题。

• 解剖特化 vs. 领域通用的贝叶斯处理：大脑表现出极端的解剖特化，不同区域具有不同的细胞类型、回路模式和处理原则——从小脑独特的神经元类型，到感觉皮层的柱状组织，再到基底神经节的独特微回路（Harris 和 Shepherd 2015；Nelken 2004）。这种神经解剖多样性与假设大脑各处运行统一贝叶斯处理原则相矛盾。如果贝叶斯推断是核心组织原则，我们应预期计算架构有更高的统一性；相反，我们观察到的是区域特异的连接模式，这些模式针对特定变换而优化，而非通用的概率推断。

• 基于精确度的层级结构在发育上的限制：贝叶斯大脑框架内的预测编码模型假设存在层级组织的精确度加权机制。然而，考察神经回路的发育轨迹可知，这些所谓精确度加权的连接是根据基因引导的原则和活动依赖的修剪机制发展的，并未纳入统计精确度信息（Katz 和 Shatz 1996；Wong 和 Ghosh 2002）。那些据称实现层级信息传递的层间连接，是通过分子引导线索和关键期机制发展的，对预测编码所需的统计特性不敏感。这些发育约束产生的回路架构更多由胚胎学和分子因素决定，而非贝叶斯推断的统计要求。

• 非参数化的可塑性机制：突触可塑性机制——被认为是贝叶斯模型中学习统计关系的基础——其运作原则与贝叶斯更新不相容。长时程增强（LTP）和长时程抑制（LTD）依赖于共激活检测、突触后钙离子水平、逆行信使和结构重组，而非基于误差的统计参数更新（Feldman 2012；Malenka 和 Bear 2004）。这些机制产生类似二元的、阈值依赖的变化，而非贝叶斯更新所需的连续参数调整。此外，稳态可塑性旨在维持整体活动水平，而非统计准确性（Turrigiano 和 Nelson 2004），其方向常与贝叶斯学习预测相反。

这些神经解剖学上的不一致共同构成了对贝叶斯大脑假说任何字面解释的不可逾越的挑战。从树突整合到回路模式再到可塑性机制，神经组织的基本组织原则反映了进化压力下对鲁棒性和能量效率的优先考虑，而非实现概率推断。尽管数学模型或许可以抽象掉这些生物学细节，但一个真正科学的大脑功能理论，不能忽视其所声称解释的物质基质的真实属性。贝叶斯计算要求与神经解剖现实之间的巨大不匹配表明，大脑所采用的组织原则本质上不同于贝叶斯框架所提出的那些。如果理论所要求的机制是生物学无法提供的，那么其数学上的优雅，也无法替代经验上的可行性。

神经生理上的不可行性

当这些假设与已知的神经系统特性相对照时，面临重大挑战：

1. 代谢与计算约束：精确的贝叶斯推断在计算上极为繁重。尽管存在近似方法，但即使是这些方法也施加了巨大的计算负担，似乎与大脑的能量预算不相容。神经组织代谢成本高昂，尽管仅占体重的2%，却消耗了人体约20%的能量（Attwell 和 Laughlin 2001；Magistretti 和 Allaman 2015）。在多个感官模态中执行完整贝叶斯推断所需的计算资源将带来不可承受的能量开销（Harris 等，2012）。
2. 时间动力学不匹配：神经处理通过复杂、并行且递归的动力学在多个时间尺度上进行。这些动力学与贝叶斯更新的序列性、迭代性特征难以匹配。大脑必须在毫秒级内对环境挑战做出反应，而复杂状态空间中的真正贝叶斯推断需要大量计算时间，造成根本性的时间错配（Csicsvari 等，1999；Hari 和 Parkkonen 2015）。
3. 表征能力的局限：在高维状态空间中表征完整的概率分布需要庞大的神经资源。简单的实验室任务可能只涉及少数变量，但现实世界的知觉涉及数千个相互作用的维度。所需的表征容量超出了神经组织中可实现的合理范围，特别是对于理论上具有无限可能状态的连续变量（Beck 等，2012；Fiser 等，2010）。
4. 噪声与变异性：神经系统在所有层次上都表现出显著的内在噪声和变异性，从离子通道波动到大规模网络动力学（Renart 等，2010）。尽管贝叶斯模型优雅地纳入了不确定性，但它们通常假设噪声分布是“良好行为”的，可能并不符合真实神经系统中复杂、依赖状态的噪声特性。这种内在的神经变异性会系统性地破坏任何试图进行的贝叶斯计算的精确性。
5. 情境依赖的处理：神经反应表现出显著的情境敏感性，同一回路在不同行为状态、神经调质影响和任务需求下扮演不同角色（Bargmann 2012；Gilbert 和 Li 2013）。这种灵活、适应性的处理方式与层级贝叶斯模型所隐含的相对刚性的计算结构相冲突。此外，神经调质系统以动态方式重构回路特性，其变化无法清晰映射到精确度加权等贝叶斯参数上。
6. 实现鸿沟：支持者提出了多种贝叶斯计算的神经实现方式，包括群体编码、概率性群体编码和基于采样的方法（Pouget 等，2013）。然而，这些提议大多仍停留在理论层面，缺乏直接的实证支持。能够执行必要计算的神经机制——如表征先验、计算似然函数，并按贝叶斯规则整合二者——尚未在生物神经回路中被令人信服地证实。
7. 发育上的不可行性：贝叶斯框架难以解释在发育过程中如何建立适当的先验和生成模型。虽然某些先验可能由基因编码，但许多必须通过经验学习获得。这就产生了“启动问题”：一个正在发育的大脑如何在缺乏足够模型来解释其经验的情况下，学会合适的概率模型？（Smith 和 Gasser 2005；Zhao 等，2024）
8. 进化考量：从进化角度看，生物体需要的是快速、高效且可靠的机制，这些机制在复杂且常常不可预测的环境中足以保障生存——而非必须实现统计最优推断的机制。自然选择倾向于在现实约束（包括有限的时间、能量和计算能力）下“足够好”的策略。完整贝叶斯推断的高计算复杂性和资源需求使其作为生物实现的候选方案极不可行，尤其当更简单、更鲁棒的启发式策略就能以低得多的成本产生适应性行为时。这些由进化压力塑造的启发式策略，尽管偏离统计最优性，但在自然环境中往往表现极佳（Cosmides 和 Tooby 1996；Gigerenzer 和 Goldstein 1996；Gigerenzer 和 Brighton 2009；Gigerenzer 2020；Marewski 和 Schooler 2011）。因此，大脑更可能实现的是这些“满意解”（satisficing solutions），而非规范性贝叶斯模型所要求的穷尽式计算。

综上所述，这些神经生物学约束表明，贝叶斯大脑假说尽管在数学上优雅，但作为对神经功能的字面解释存在严重局限。尽管某些行为在受控环境中可能看似贝叶斯推断，但其底层神经机制更可能依赖于非贝叶斯的、启发式的处理过程，这些过程与大脑的生物学现实更为一致。神经系统在代谢、时间和结构上的严重约束，常常排除了该假说所假设的那种最优计算。尽管面临这些挑战，贝叶斯框架仍在塑造理论模型，有时更多因其概念吸引力，而非经验上的合理性。这种持久影响力凸显了我们有必要更深入地审视其假设，并更愿意接受那些更适合生命系统复杂、适应性本质的替代模型。

当与以根本不同方式理解认知的其他理论框架相比时，贝叶斯大脑假说的局限性尤为明显。这些替代框架不仅提供了竞争性解释，更挑战了贝叶斯方法所依赖的基本假设。

认知的替代理论

要理解心智，你必须首先承认：它并非在概率分布的纯净领域中演化而来，而是在一个充满混乱与约束的世界中，由在环境中行动的具身生命体演化而成。认知并非源于内部模型，而是源于有机体与世界之间动态互动的“舞蹈”。

当与那些以根本不同方式理解认知的理论框架相比时，贝叶斯大脑假说的局限性变得更加清晰。这些替代框架并不仅仅是同一基本范式内的竞争性解释，而是挑战了贝叶斯模型所依赖的基础假设。贝叶斯模型从“推断、表征、误差最小化”出发，而这些替代理论则从“具身性、互动性、动态约束”出发——它们将认知视为一种涌现现象，产生于嵌入物质、时间与关系情境中的系统，持续受到身体动力学、环境可供性（affordances）以及不可逆的生活经验流的塑造。

动力系统理论

动力系统理论认为，认知产生于神经、身体与环境成分之间复杂的非线性互动（Kelso 1995；Thelen 和 Smith 1994；Van Orden 等，2003）。与关注信息处理或概率推断不同，该方法强调认知功能如何通过在多个时间尺度上展开的过程的持续协调而自组织地涌现（Beer 2000；Sporns 和 Edelman 1993）。在此框架下，预测并非内部模型选择的结果，而是时间结构化动力学的自然产物——系统的过去历史和当前状态约束其未来演化，而无需显式的贝叶斯更新（Schmidt 和 Richardson 2008；Richardson 等，2014）。

生态心理学

生态心理学拒绝“知觉需要推断、重建或世界内部模型”的假设（Gibson 1966, 1979）。相反，它提出，有机体通过探测环境感官阵列中的不变结构，直接感知“可供性”——即行动的可能性（Chemero 2009；Turvey 1992）。因此，知觉不是一个在不确定性中进行解释的问题，而是一个持续调谐于生态信息的过程。它本质上是面向行动的、关系性的、与环境耦合的，植根于实时互动，而非通过内部表征或概率推断来中介（Michaels 和 Carello 1981；Warren 2021）。这种观点与贝叶斯框架直接对立：贝叶斯假设知觉涉及构建关于感官输入隐藏原因的内部假设；而生态观认为，当信息已存在于环境结构中时，根本无需通过表征进行“绕道”。

具身认知与生成认知

具身认知强调认知过程如何受到物理身体及其与世界的感觉运动互动的塑造（Clark 1999；Shapiro 2019；Varela 等，1991）。相关的生成认知（enactive）理论则认为，认知是由有机体与环境之间的动态耦合构成的，而非发生在大脑内部的计算（Di Paolo 等，2017；Thompson 和 Varela 2001）。这些视角将解释焦点从内部模型转移到“有机体-环境系统”本身，将其视为适当的分析单位（Gallagher 2017；Noë 2004）。这些替代理论的共同点在于，将认知视为一种涌现的、情境敏感的、本质上非推断性的现象。它们认为，预测和适应性行为可以从与环境的丰富动态耦合中产生，而无需涉及概率推断或贝叶斯计算（Anderson 2014；Chemero 2009）。

重要的是，这些框架提供了与贝叶斯模型在经验上可区分的预测。例如，它们预测认知表现将对身体状态和环境情境高度敏感，而纯粹基于大脑的推断模型可能无法预见这一点（Barsalou 2008；Spivey 2007）。它们还表明，神经活动的时间动力学可能反映的是与环境的持续互动，而非内部模型的序列化更新（Kiverstein 和 Rietveld 2018；Raja 2019）。

通过认真对待这些替代理论，我们得以从更广阔、更 grounded（扎根现实）的视角看清贝叶斯大脑假说的局限性。从某一理论视角看似是“概率推断”的现象，在另一视角下可能更连贯地被理解为动态耦合、直接知觉或实时展开的具身行动。这些框架不仅仅是改变了解释重点，而是提出了概念上的替代方案，尽管它们生成严格约束性预测的能力仍是一个开放的挑战。这种多元化的取向提醒我们：数学描述无论多么优雅或内在一致，仅代表一种可能的“在自然的关节处切割”方式——而这些“关节”本身未必总在方程所指示的位置（Dale 等，2013；Richardson 等，2008）。通过松开“推断”的掌控，拥抱“互动”，这些替代理论邀请我们发展一种更贴近生命系统现实、而非形式逻辑理想的神经科学。

对这些替代理论进行全面的比较评估，超出了本文批判的范围，因为本文的重点在于揭示贝叶斯范式的局限。然而，我们承认，有必要更彻底地阐明这些方法的经验和机制承诺，我们认为这项工作是本文的必要补充。这项工作不仅需要详细说明它们的成功之处，还需澄清它们在哪些领域优于——或与贝叶斯解释存在实质性分歧。

一场虚构的对话：批评者 vs. 贝叶斯理论家

一个理论宣称的普适性越强，其隐藏的假设就越不易察觉。看似数学上的洞见，可能只是形而上学的障眼法——将认识论上的灵活性转化为“证据”，将不可证伪性包装成理论优势。

为了阐明贝叶斯大脑和自由能原理（FEP）框架核心的概念张力，我们呈现一段虚构但具有代表性的对话，发生在一位批评者与一位支持者之间（尽管此对话并非真实言论的复现）。这段建构的对话作为一种启发式工具，旨在澄清该理论在范围、可检验性和机制具体性方面的优势与脆弱点交汇之处。它并非逐字记录，而是对双方反复出现的论点的提炼。

批评者：贝叶斯理论家博士，您主张自由能原理（FEP）适用于所有自组织系统，从细菌到烛火，且大脑本质上是以贝叶斯方式运作的——不断最小化“意外”。批评者担心这会使您的理论变得不可证伪。他们说：“如果一切都在做贝叶斯推断，那这个想法就失去了经验上的约束力。”您如何回应？

贝叶斯理论家：该原理是普适的：任何维持自身完整性的系统——细菌、细胞、大脑——都可以被描述为在最小化自由能。我不认为这是缺点。这种普适性恰恰反映了自组织现象的根本性质，而非缺乏经验内容。

批评者：但批评者指出您自己的例子：烛火或细菌似乎也在“最小化自由能”。然而，没人会认为火焰真正在计算贝叶斯后验。这难道不显得荒谬吗？

贝叶斯理论家：称其“荒谬”是误解了重点。烛火的例子表明，一个物理系统可以以某种方式演化，而这种演化可用我们用于生命系统的相同数学来描述。这并不意味着火焰拥有内部生成模型。它意味着其底层动力学——熵流、热力学——可以用自由能术语来表达。同样的数学可以描述从量子现象到适应性大脑的一切。

批评者：这正是问题所在：火焰显然不会思考，也不会更新先验。如果非思考的火焰和复杂的大脑都能用“贝叶斯”或“自由能”方程来描述，看起来您似乎是在将任何自组织过程都贴上“贝叶斯”的标签。

贝叶斯理论家：你可以说在形式意义上它是“贝叶斯的”，但我视其为统一原则的证据。大脑的内部动力学实现了这一根本过程的更复杂版本。不要把“贝叶斯解释”等同于“有意识的计算”。我始终强调的是，生命系统为了存续必须减少意外，而这些动力学可以用贝叶斯术语来表述。

批评者：但如果任何现象都能被表述为贝叶斯形式，我们又如何证明它是错的？每当出现意外情况时，您难道不能不断重写模型中的“先验”，然后说：“看，它一直都是贝叶斯的！”吗？

贝叶斯理论家：该原理并非可以随意重写。它约束了你如何调整先验或似然函数。如果一个系统持续违背贝叶斯预测——例如，层级误差校正机制彻底失效——我们就需要另一种解释。我们能够不断修正贝叶斯模型这一事实，并不意味着我们不会失败；它只是说明自由能原理足够宽泛，可以为各种情境生成模型。

批评者：在日常的神经科学研究中，错觉、多感官整合和运动控制常被称为“贝叶斯的成功案例”。但怀疑者指出，这些模型参数太多，即使出现奇怪的结果也能事后拟合。那重大的证伪在哪里？难道一个足够灵活的贝叶斯模型，也能解释我撞上路灯柱这件事吗？

贝叶斯理论家：（笑）过拟合在任何建模框架中都可能发生。但我们关注的是机制细节——哪些神经群体编码先验，突触如何实现误差校正，等等。如果我们无法在真实的神经数据中定位或测量这些过程，那模型就仍停留在纯形式层面。但真正的贝叶斯神经科学正试图将数学建立在真实的生理基础之上。

批评者：然而，您自己举的烛火或细菌的例子似乎削弱了这一点。这些例子也常出现在对自由能原理的讨论中：火焰或微生物根本没有神经元，它怎么可能是“贝叶斯”的？一些观察者认为这已构成归谬——将理论推向荒谬。

贝叶斯理论家：我从未声称火焰真的在执行贝叶斯更新。关键在于自组织——数学是普适的，但具体的机制实现方式却大相径庭。烛火只有短暂的边界，而有机体拥有稳定的马尔可夫毯（Markov blanket），支持类似于贝叶斯推断的层级过程。

批评者：但您给人的印象仍是，一切现象都能纳入自由能最小化的框架，因此批评者质疑它是否真的是可检验的理论。如此广泛的适用范围，难道不会导致不可证伪性吗？

贝叶斯理论家：人们混淆了广泛适用性与缺乏可检验性。该原理本身是广泛的，但对神经系统的具体模型却是具体的。以视觉中的预测编码为例：如果理论所预测的某些误差信号或自上而下的预测在应出现的位置并未被发现，那模型就受到挑战。某些担忧是合理的——尤其是当贝叶斯模型被隐喻性地或事后使用时。但设计良好的模型确实能够做出可证伪的预测。

批评者：但如果数据不匹配，您总能提出新的先验或更新似然函数。这正是它让人感觉“滑不留手”的原因。也许烛火只是一个夸张的笑谈，但对许多人而言，它正体现了您如何通过强行套用贝叶斯或自由能叙事来“解释”任何现象。

贝叶斯理论家：我承认批评者确实这么看。我的立场是，该理论的普适性表明，像热力学最小化这样的普遍过程，延续到了生物和认知领域。如果你认为这“滑不留手”，那就随它去吧。我视之为物理学与生物学的深刻统一。一个人认为这是深刻还是可疑，可能取决于其哲学立场。

批评者（转向听众）：那么，各位看到了。贝叶斯理论家博士坚持认为，自由能原理和贝叶斯框架具有普适性，而这种普适性并不否定其可检验性。我们许多人仍持怀疑态度，尤其是当一个烛火也能被称为“自由能最小化者”时。但贝叶斯理论家博士立场坚定：数学统一了生命系统如何从物理过程中涌现，而我们的批评并未动摇其核心主张。

为何这一神话持续存在

观念的传播并非仅靠真理，而是依赖声望、数学上的流畅性，以及在混乱中许诺秩序的安慰感。贝叶斯大脑之所以持续存在，并非因为它准确描述了神经功能，而是因为它满足了我们对优雅理论的渴望——那种能通过方程让世界变得可理解的理论。

尽管存在概念和经验上的缺陷，贝叶斯大脑假说仍在认知神经科学中保持着巨大影响力。要理解这种持续性，就必须考察那些在问题重重的情况下仍维持该理论的知识与社会因素。这一框架在面对大量批评时仍具韧性，成为科学知识社会学和当代神经科学中理论固化动态的一个引人深思的案例。

数学优雅的吸引力

贝叶斯模型在科学中提供了某种珍贵之物：数学上的精确性与形式上的优雅。能够用概率论的语言表达复杂的认知现象，带来一种令人满足的清晰感与严谨感。这种数学上的可处理性，使得建模、假设检验和理论整合成为可能，而这是一些形式化程度较低的方法所无法比拟的。正如库恩（Kuhn, 1962）在其对科学范式的分析中所指出的，理论的美学吸引力——其简洁性、一致性与数学之美——往往在理论的接受与延续中起着关键作用。贝叶斯框架正是这一现象的典型代表，它为研究者提供了一种干净、形式化的语言，许诺能为神经系统的混乱复杂带来秩序。这种美学魅力并非仅仅是哲学上的好奇；它对理论如何获得支持、以及如何引导当代神经科学的经验研究，产生了真实的影响。

贝叶斯方法的数学形式化在当今神经科学日益重视计算复杂性的时代具有特殊吸引力（Kriegeskorte 和 Douglas 2018）。复杂的统计技术、计算模型和数学抽象在当代科学中享有极高声望，常常被视为理论严谨与精密的标志。这种神经科学的“数学化”趋势反映了整个科学界的普遍动向：无论解释是否充分，定量方法往往取代了定性方法（Gigerenzer 和 Brighton 2009；Gigerenzer 2020）。结果是，理论常常更多地依据其形式一致性与技术上的优雅来评判，而非依据其是否能够为生物系统产生新颖、可检验的洞见。

贝叶斯大脑假说正受益于这种对数学形式化的文化偏爱，其可信度部分来自于其数学上的复杂性，而非其经验或机制上的合理性。

此外，贝叶斯框架延续了一种悠久的传统，即在约束条件下将认知理解为理性或最优的（Anderson 2013；Chater 和 Oaksford 1999）。它提供了一种令人安心的图景：大脑本质上是理性的，针对认知问题实施统计上最优的解决方案。这与哲学和科学长期以来的追求相吻合——即在人类思维中发现潜在的理性，这一追求可追溯至认知科学史乃至启蒙时代的人类理性理想（Gigerenzer 和 Goldstein 1996）。通过呼应这些根深蒂固的理想，贝叶斯方法不仅获得了智力上的吸引力，还获得了一种文化上的正当性，使其在面对经验挑战时更具抵抗力。因此，贝叶斯观点所吸引的不仅是技术层面的考量，更是关于心智本质及其与数学秩序关系的深层文化叙事。

贝叶斯方法的技术优势进一步增强了其吸引力。它们处理不确定性、整合先验知识并基于证据更新信念的能力，使其在建模复杂系统时非常有效（Gelman 等，1995；MacKay 2003）。这种实用性激励研究者采用贝叶斯框架，而无需认同其关于神经功能的深层理论主张。然而，仅凭技术上的效用就可能滋生一种理论上的自满：成功的应用被误认为是对基础假设的证实。当研究者投入大量时间与资源开发贝叶斯模型和方法时，这种投入便形成了一种路径依赖，使得即使其基础假设仍存疑，该框架仍得以持续存在。

隐喻的力量

作为一种隐喻，贝叶斯大脑具有不可否认的力量。将大脑描绘为一台“预测机器”，不断用传入的证据检验假设，为理解神经功能提供了一种直观且富有启发性的思维方式（Clark 2013；Hohwy 2013）。即使其实现细节仍不清晰，这一隐喻仍有助于整合多样化的发现，并提示新的研究方向。认知科学家早已认识到隐喻在科学理论构建中的重要性——从“心智的计算机模型”到“神经网络”再到“动力系统”（Gentner 和 Grudin 1985；Lakoff 和 Johnson 1980）。这些隐喻不仅仅是教学工具，更是组织研究纲领、塑造理论直觉的“概念脚手架”。

预测加工这一隐喻继承了贝叶斯统计的文化权威，同时与跨越多个描述层次的“预测”和“误差校正”等直观概念相连接（Clark 2015）。其概念上的灵活性使其可应用于不同领域——从低层次的感官处理到高层次的认知，从单个神经元到大规模神经网络。这种跨领域的适用性创造出一种理论统一感，而这种统一感在常因碎片化与专业化而分裂的领域中极具吸引力（Friston 2010）。

前文讨论的模糊性——即隐喻与机制之间的滑移——可能恰恰增强了该框架的吸引力。这种概念上的灵活性使研究者能够以不同层次的承诺参与其中：从松散的启发到强机制性主张，取决于其研究目标和学科背景（Jones 和 Love 2011）。哲学家可探讨其认识论含义；计算神经科学家可发展形式模型；实验神经科学家可在其概念框架内解释神经数据——而无需在所做主张的确切地位或范围上达成一致。这种解释上的灵活性在科学社会学中被称为“边界对象”（boundary object）——一种足够灵活以适应局部需求，又足够稳固以在不同语境中保持共同身份的概念实体（Star 和 Griesemer 1989）。尽管这种灵活性促进了跨学科对话和理论创新，但也模糊了科学理论与修辞支架之间的界限，使得我们越来越难以分辨：真正的经验内容在何处结束，而隐喻性或纲领性的共鸣又从何处开始。

此外，预测加工的叙事提供了一种吸引人的综合视角，将认知科学中看似对立的传统融合起来——结合了表征主义与具身认知、计算视角与动力系统视角、心智的内源论与外源论（Allen 和 Friston 2018；Clark 2015）。这种综合特质使该框架成为跨越根深蒂固理论分歧的潜在桥梁，从而吸引了来自不同学科和哲学背景的研究者。支持者经常强调这一潜力，声称预测加工能够调和冲突的范式，推动领域超越二元对立思维，解决长期争论，而非仅仅在其中选择一方（Kirchhoff 2018）。

贝叶斯大脑这一隐喻虽强大，却也蕴含潜在的认识论风险。正如库恩（Kuhn 1962）所指出，当主导性隐喻遮蔽了挑战现有框架的观察结果时，它可能阻碍科学进步。当一个隐喻从富有成效的启发式工具转变为不容置疑的背景假设时，它就可能成为巴什拉（Bachelard 2002）所说的“认识论障碍”——一种阻碍而非促进发现的概念屏障。在贝叶斯大脑的案例中，预测隐喻的成功本身可能导致研究者忽视或重新解释与其基本前提不一致的证据，从而可能遮蔽那些或许能更好地解释某些认知与行为现象的替代理论构想（Anderson 2017）。这一担忧引出一个对认知神经科学至关重要的问题：我们不仅要问这一隐喻是否“有用”，更要追问：在什么条件下应对其进行修正、限制，甚至以更具经验基础的框架取而代之。

制度与社会因素

科学实践不仅受证据影响，也受社会与制度因素的塑造，这些因素影响着研究资助、发表与认可（Latour 1987；Longino 2020）。贝叶斯大脑假说兴起于神经科学和心理学日益数学化的时期，当时计算方法获得了声望与制度支持（Dupré 1993；Piccinini 和 Craver 2011）。这一时机使其得以受益于资助与发表方面的更广泛趋势——数学上复杂的模型往往受到优先对待。

该框架受到顶尖机构中极具影响力的学者的倡导，他们的学术权威为其提供了可信度，并通过有影响力的科学网络加速其传播（Whitley 2000）。在顶级期刊上发表的高调论文进一步巩固了其作为主流主导方法的地位，形成一种自我强化的循环：早期的突出地位带来更高的可见度、更高的引用率以及跨学科的持续影响力。这种在科学认可中广为人知的“马太效应”——即初始优势随时间不断积累和放大——有助于解释为何某些理论框架能在经验充分性仍存争议或不完整的情况下崛起并维持主导地位（Merton 1968）。

一旦成为主导范式，这类框架往往通过多种机制持续存在：资助机构优先支持现有框架内的研究；研究生被训练使用这些方法；期刊更倾向于发表扩展或应用主导范式的论文。库恩（Kuhn 1962）早在几十年前就描述了这种现象：科学范式具有自我强化的性质，常规科学在既定概念框架内运行，而非挑战其基础。贝叶斯大脑已在认知神经科学的某些领域取得了范式地位，研究者更倾向于在其假设内工作，而非从根本上质疑它。

职业激励进一步强化了这一模式。年轻研究者面临巨大压力，需在高影响力期刊上发表论文并获得竞争性资助——而实现这些目标，通过现有框架开展研究比挑战它更容易（Smaldino 和 McElreath 2016）。更安全的职业路径是扩展或应用贝叶斯框架，而非发展替代方案或揭示其局限性，这就在学术生态系统中形成了一种选择压力，偏向理论上的顺从而非创新或批判（Akerlof 和 Michaillat 2018）。此外，当代科学的出版环境更奖励新颖的、正面的发现，而非重复研究或负面结果（Ioannidis 2005；Romero 2017）。

这导致研究者面临压力，将研究调整以适应流行框架，即使证据模糊。贝叶斯模型的灵活性使其特别容易陷入这种动态：先验、精确度加权和层级深度均可调整以容纳几乎任何发现。研究者有强烈动机将其结果解释为支持或扩展贝叶斯框架，而非挑战它——导致文献系统性地过度呈现支持性证据（Ioannidis 2008；Nosek 等，2012）。

贝叶斯大脑假说的跨学科性质也增强了其韧性。当神经生理学家提出非高斯神经动力学的批评时，计算理论家可以强调其数学优雅来转移焦点；当细胞神经科学家质疑其机制实现时，哲学家则可强调其统一性的概念力量来回避（Longino 2020）。这些因素共同造成一种局面：贝叶斯大脑假说的解释局限被系统性地忽视或淡化，而其所谓“成功”则被广泛宣传和庆祝。最终，它获得了一个根深蒂固但定义模糊的范式地位——一个持久的叙事，其延续不仅依赖于选择性的经验证据，更因其数学优雅、隐喻共鸣以及累积的社会动量（Smaldino 和 McElreath 2016）。要批判性地评估贝叶斯大脑假说的现状，并推动更具认识论严谨性和科学责任感的理论神经科学，就必须清晰理解这些超经验因素的影响。

正如科学哲学家拉卡托斯（Lakatos 2014）所指出，那些通过不断调整辅助假设来容纳反例的研究纲领，可能会变得“退化”而非“进步”。当面对机制性挑战时，贝叶斯大脑假说正面临走上这一路径的风险——通过退守到越来越抽象的表述，如“近似的”推断、“层级的”皮层实现或“隐含的”贝叶斯操作，使其与可检验的神经机制渐行渐远（Bowers 和 Davis 2012）。该框架在大量批评中仍持续存在，反映了科学理论构建中的更广泛模式——美学、实践与社会因素如何与经验考量共同塑造理论选择。

这并不意味着贝叶斯大脑假说毫无科学价值，而是说其主导地位不能仅用其经验或解释上的成功来解释。要全面理解它在当代神经科学中的地位，必须同时关注其理论内容与社会语境（Firestein 2012；Longino 2020）。其韧性的关键之一在于，它在不同解释层次之间穿梭，却常常不明确承诺于任何一层。这种策略性滑移常被诉诸马尔框架所掩盖——马尔框架本应澄清解释层次，却反而成为一种修辞上的“逃生口”。如表4所示，这种在马尔（1982）分析层次之间的策略性滑移，使支持者能够在不放弃理论权威的同时，逃避经验上的责任。

后贝叶斯神经科学：动力学、约束与互动

神经科学的未来不在于解码大脑内部的“地图”，而在于理解塑造这些地图的互动“地形”。

如果贝叶斯大脑假说未能兑现其对认知的机制性解释承诺，其原因并非缺乏数学上的优雅，而在于它未能捕捉生物系统的具身性、动态性和以互动为核心的本质。超越这一范式，并不意味着放弃严谨性或预测能力，而是将理论重心从“推断”转向“互动”，从“静态先验”转向“演化中的约束”，从“内部表征”转向“系统动力学”。替代方案并非混乱，而是一种更 grounded（扎根现实）、更具经验生成力的、以约束驱动动力学为核心的科学。为了超越单纯的批判，表5提供了并列示例，展示基于约束的动力学方法如何重构那些传统上以贝叶斯假设建模的核心经验领域。这些重构方向催生了新的建模策略、假设和经验问题。

从表征到实时动力学

生物系统不是抽象的推断引擎。它们是具身的、耗能的、远离热力学平衡的开放系统，其行为源于神经、生理与环境过程之间丰富且多时间尺度的互动。这种转变——从对符号内容的推断转向由约束驱动的协调——要求我们不再将认知建模为概率分布的操作，而是将其视为在嵌套的动力学状态空间中，活动模式的稳定化过程。

在这一框架中，分析的核心单位不再是孤立变量或内部模型，而是系统在由机械、代谢、信息和情境等多重约束所塑造的“可能性空间”中的演化轨迹。这里的“约束”不仅是边界条件或限制，更是行为的生成性架构。稳定性、灵活性和适应性并非源于最优推断，而是源于在不断变化的约束下对动力学的实时调制。

将噪声建模为信号：超越高斯假设的复杂性

贝叶斯框架通常依赖加性、平稳的高斯噪声以保证数学可处理性，但实证观察却一致指向乘性、依赖状态、重尾且时间相关的噪声。这些波动并非需要被平均掉的“干扰”；它们与系统的响应能力和适应能力深度交织。后贝叶斯框架不再将认知建模为在狭窄假设下最小化预测误差，而是将噪声视为探索、变异和涌现组织的源泉。

这一视角促使我们采用不预先设定噪声结构的模拟工具，而是允许嵌套约束之间的互动塑造复杂行为。状态空间建模、噪声驱动的动力系统、智能体-环境耦合、随机共振模型等，都是有前景的路径。重要的是，这些工具不以优化为目标来复现行为，而是致力于复现那些使协调、适应性模式得以涌现的条件。

经验承诺：从受控输入到自然主义互动

后贝叶斯神经科学的研究议程始于实验重点的转移。我们不应再专注于设计越来越精确的内部先验，而应发展方法来量化身体状态、环境条件和时间依赖性如何塑造神经动力学和行为结果。这包括：

• 在多个时间尺度上测量约束的调制（例如代谢疲劳、任务切换、本体感觉权重调整）
• 分析跨系统间的协调与同步（例如脑-心、姿势-视觉、运动-呼吸）
• 将行为建模为具有内源和外源输入的互动动力系统的产物
• 设计任务以探测在不稳定、不确定性或新兴约束冲突下的适应过程

这些方法要求新的方法论承诺：

• 对神经与身体系统进行纵向、高维度的记录
• 采用对相变、分岔和非平稳性敏感的数据分析技术
• 实验设计应允许互动、学习和系统崩溃的发生，而不仅仅是固定概率下的受控选择

走向协调的科学，而非计算的科学

后贝叶斯神经科学必须提出不同的问题。我们不应再问“哪个内部模型最能解释观察到的行为”，而应问“哪些互动过程导致了协调与崩溃”？我们不应再将知觉建模为后验估计，而应探究知觉系统如何在竞争性约束中保持稳定？我们不应再用先验去约束似然，而应考察历史、发育、疲劳和情境如何调制行为的吸引子景观。

这是一种关于“约束”与“共调节”的科学，而非“表征”与“误差校正”的科学。它优先考虑流动性而非最优性，适应性而非准确性，协调而非计算。至关重要的是，它将神经科学重新带回理解真实生物体在真实环境中行动的任务——不是用“理想观察者”的语言，而是用“生活化互动”的动力学语言。

这一转变不会轻易实现。它需要新的工具、新的隐喻和新的理论严谨标准。但它承诺一种经验上锚定、生物学上合理、更能应对具身认知复杂性的神经科学。这不是关于“贝叶斯大脑”的科学，而是关于“活着、学习、在动态约束中运动的身体”的科学。马尔的“计算层面”允许抽象表述，而“算法层面”和“实现层面”则要求具体性。后贝叶斯模型必须直接面对这两个层面，将动力学建立在生物学上合理的机制之上，而非理想化的概率推理之上。

超越贝叶斯主义

一个畏惧矛盾的科学，不是在追求真理，而是在维护教条。前进的道路不需要更灵活的贝叶斯模型，而是需要勇气——放弃数学上的便利，直面生物学的现实。

对贝叶斯大脑假说的这一批判性审视，并非意图否定其贡献或无视其洞见。相反，其目的在于澄清该假说在心智与大脑科学研究中的恰当地位与局限。最后，我提出若干具体建议，以指导认知神经科学在回应这些批评的基础上如何向前发展。

首先，我们必须认识到，贝叶斯大脑假说尽管影响广泛且数学上复杂，但当它抛弃了科学最核心的两项要求——可证伪性与机制性基础时，就有滑向伪科学的风险。支持者必须明确具体的神经实现方式和可证伪的预测，以维护其科学的严谨性。例如，证伪应包括识别出系统行为持续违背贝叶斯预测的条件——比如，当神经群体在面对意外刺激时未能发出预测误差信号，或在先验信息明确且相关的情况下，行为却完全忽略先验概率。尽管一些预测编码和主动推断模型已被用于模拟观察到的神经反应，但这类模拟通常依赖事后调整的先验和自由参数，而非提出具有风险性的先验预测，因而无法被明确证伪。例如，研究者不应仅仅声称“知觉遵循贝叶斯原则”，而应识别出具体表征概率分布的神经元群体，并明确这些分布如何通过突触机制进行更新。特别是卡尔·弗里斯顿（Karl Friston）的自由能原理，亟需更清晰的操作性定义，并明确说明何种证据才构成对其的否定。尽管“马尔可夫毯”（图3）和“生成模型”等术语常被呈现为机制性概念，但它们往往只是抽象的形式化表达，未能直接映射到特定的神经生理结构或过程。

其次，我们应将理论多元主义视为对贝叶斯主导地位的有原则替代，而非软弱的妥协。视觉神经科学就是一个典型案例：尽管预测编码模型日益突出，但大量扎实的实证研究仍来自其他框架——如共振理论、神经同步模型和动态场方法——这些模型完全不涉及贝叶斯推断。它们通常强调动力学协调、振荡耦合或通过反馈实现的稳定性，而非概率计算。瑟伦（Thelen）和史密斯、吉布森（Gibson）的生态心理学，以及凯尔索（Kelso）发展的动力系统模型等具身化方法，提供了直接挑战而非补充贝叶斯表述的解释框架。这些方法基于对认知本质的根本不同前提——强调直接知觉、自组织和涌现动力学，而非内部模型与推断——并已催生出富有成效的研究纲领，而无需承担贝叶斯形而上学的概念包袱。

第三，仅以“被误解的适用范围”为由来辩护贝叶斯大脑假说是不够的。本文批判的并非某种歪曲的版本，而是与贝叶斯大脑理论相关的主流修辞和建模实践。如果该理论在隐喻与机制、普遍法则与具体模型之间不断摇摆，那么在对其科学地位进行负责任评估之前，其边界必须被清晰界定。未来的心智与大脑理论应优先考虑生物学合理性、经验可检验性和理论上的谦逊。费泽（Fiser）、贝尔克斯（Berkes）和奥尔班（Orbán）等人提出的基于采样的近似方法，是朝向生物学上更现实的概率推断实现的有希望的一步。然而，即使在近似模式下，这些模型也常常未明确说明：究竟在近似什么？这些近似如何在神经层面实现？在什么条件下大脑偏离或符合贝叶斯逻辑？支持者常回应称，近似推断缓解了生物学合理性的担忧。然而，除非这些近似本身在机制上被明确说明并受到经验约束，否则诉诸“近似”并不能澄清底层过程，反而使理论免于被证伪。这种模糊性使得贝叶斯主张在缺乏直接经验证据的情况下仍能持续存在。若无此类具体性，这些模型在计算上虽优雅，但在生物学上依然晦涩。尤其对于主动推断等框架，更需加强审查：尽管亚当斯（Adams）、希普（Shipp）和弗里斯顿提出神经调质编码精确度，但这些主张大多是事后提出，尚未产生新颖、具体且经验证实的预测。这正是本文通篇批判的核心问题：将已有发现事后套入贝叶斯语言，却未提出可证伪的假设。未来，认知神经科学必须优先发展那些真正将抽象计算原则与具体神经机制联系起来、并产生真正可检验实验预测的方法——而贝叶斯大脑文献在很大程度上未能做到这一点。

最后，我们应接受具身的、情境敏感的认知所固有的复杂性与混乱性，而不应强行将其塞入不合适的概率框架中。尽管西塞克（Cisek）和卡拉斯基（Kalaska）关于“可供性竞争”的研究为大脑如何表征行动可能性提供了宝贵洞见，但试图将此类方法纳入预测加工框架（如克拉克的工作），或用贝叶斯推断重构情绪（如巴雷特的建构情绪理论），往往正是本文所批判的问题的体现：将非贝叶斯的洞见事后套入贝叶斯语言，却未增加任何解释价值。大脑的演化目的并非实现贝叶斯定理，而是在复杂、不确定的环境中协调适应性行为，通常通过更简单、更鲁棒的机制实现。吉仁泽（Gigerenzer）及其同事所记录的启发式策略表明，有效的决策可以在无需完整概率处理的计算负担下产生。这并非补充，而是直接挑战了贝叶斯大脑假说的核心前提。前进的道路要求我们果断超越贝叶斯范式，而非继续赋予其特殊地位。克拉克的预测加工框架，尽管声称整合了行动与具身，最终仍将这些要素从属于概率推断，因而仍维持着本文所批判的生物学不可行性与不可证伪性问题。同样，特南鲍姆（Tenenbaum）在认知发展研究中使用的概率图模型，正是那种事后建模的典型：通过拟合参数来匹配已有数据，却未产生真正新颖的预测——只是用贝叶斯术语重新描述现象，而未推进机制性理解。

这一转变不仅需要方法论上的调整，更需要解释优先级的根本重定向——从抽象的概率构念，转向扎根于真实身体中大脑的物质性、动力学和情境敏感性的模型。认知神经科学不应试图拯救贝叶斯方法，而应发展新的理论框架，其起点是生物学现实和具身认知，而非必须生硬地事后适配到神经系统中的数学形式。

通过承认贝叶斯方法的根本局限，并积极拥抱更广泛的理论替代方案，认知神经科学可以发展出更细致、更具整合性且多元化的理解心智-大脑关系的路径。正如马尔在其有影响力的分析层次框架中所强调的，一个核心而持久的挑战是：以机制上具体且经验上可检验的方式，弥合计算理论、算法描述与生物实现之间的鸿沟。应对这一挑战，需要在隐喻与机制、数学优雅与生物学合理性之间谨慎权衡。科学进步依赖于构建既具解释力又扎根经验的理论。最终，贝叶斯大脑假说或许曾是一个有用的隐喻——但神经科学的未来，存在于身体、大脑与世界之间动态的、受约束的互动之中。

最终建议：五点总结

为结束本文，我们将主要批评与建议浓缩为五条简洁、可操作的要点，供理论神经科学参考：

1. 要求可证伪性与机制性基础。脑功能理论必须做出具有风险的预测，并明确生物学上合理的机制。抽象的优雅是不够的。
2. 拥抱理论多元主义。动态系统理论、生态心理学和具身认知等竞争性框架，为贝叶斯大脑假说提供了丰富且经验上扎实的替代方案。
3. 澄清理论范围与解释层次。贝叶斯大脑常模糊隐喻与机制，游走于普遍原则与具体实现之间。清晰的理论边界至关重要。
4. 避免事后合理化。近似推断、灵活先验和事后模型拟合可能使理论免于反驳。科学进步需要具备“可能出错”的脆弱性。这一批评主要针对泛化或不可证伪的贝叶斯建模应用，而非所有贝叶斯模型。
5. 以生物学为中心，而非形式主义。理论应始于真实神经系统的物理与动力学约束——而非始于事后要求生物学去适应的形式化体系。

这些建议旨在使认知心理学与神经科学重新回归经验可问责性、生物学合理性与概念清晰性的原则。遵循这些建议，认知神经科学将能发展出更严谨、更扎根生物学、更经得起经验检验的脑功能理论。我们领域的未来，不在于推理机器的优雅数学，而在于理解具身认知的混乱现实。

最后一击：一项关键实验与贝叶斯隐喻的边界

一个无论结果如何都能“解释一切”的框架，与其说是科学理论，不如说是一条形而上的安慰毯。

具体的神经预测，而非事后拟合

为了对贝叶斯大脑假说提出决定性的挑战，我们提出一项单一的、严格控制的实证测试，针对该假说最强有力、最具机制性的形式。这项“关键实验”的目标是检验大脑是否真的在执行贝叶斯式的计算——还是说这类主张之所以持续存在，仅仅依赖于事后的重新解释和参数调整。如果贝叶斯大脑假说要作为一项机制性解释继续成立，它就必须通过一项明确的实证检验——即在明确定义的条件下，对神经动力学做出清晰、预先注册的预测。

实验设置：识别一个皮层或皮层下回路，该回路在贝叶斯/预测编码理论中被明确主张在某个成熟研究的知觉任务中编码先验、似然或精确度权重。关键是预先明确：

1. 哪个神经元群体（层、脑区、微回路）编码“先验信念”，
2. 哪个群体编码“预测误差”，
3. “精确度”如何调制放电率或突触增益，
4. 当先验概率和似然被系统操纵时，这些群体将如何响应——如果它们确实在执行贝叶斯规则。

关键检验：在系统操纵感官线索的先验概率和可靠性（似然）的同时，使用实时神经记录技术（如多电极阵列、双光子钙成像）。例如，可通过预测性线索建立强先验，然后突然改变实际的似然或降级感官信号。

具体而言，研究者可训练动物完成一个具有明确先验的视觉线索任务（例如，80%的试验为明亮刺激，20%为暗淡刺激）。我们将测量被假定为表征先验的皮层区域X的多电极活动，同时记录被假定为编码精确度加权预测误差的皮层区域Y的活动，并使用实时解码技术。贝叶斯模型必须事先明确规定：在似然被操纵时，区域X和Y的放电率和局部场电位应如何系统性地变化。

如果我们在实时记录中未能观察到所预测的神经活动参数性变化——且无法通过事后参数调整来挽救——这将证伪强贝叶斯主张。

• 如果贝叶斯大脑在字面上成立：我们应观察到编码先验的神经元群体立即发生规律性变化，其变化精确匹配更新后的后验分布，且无需引入新的事后自由参数。
• 编码“预测误差”的群体 必须表现出系统性、单调性的变化，反映实验者操纵的先验与新引入的似然之间的不匹配。
• 这些放电率或突触增益的变化 必须与贝叶斯模型事先预测的时间尺度和层级结构相匹配。

任何预先注册的预测与实际神经数据之间的重大偏离，都将对该假说构成致命打击，除非支持者再次诉诸惯用的逃避方式（例如，“先验其实另有含义”）。但这种重新参数化只会证实：该理论之所以“安全”，正是因为它变得不可证伪。除非支持者能够回应方框2中总结的经验与机制性挑战，否则贝叶斯大脑应被重新归类——不再是科学理论，而是一种持久的隐喻：在教学中有价值，但在生物学上无实际作用。

逃离“我赢你输”的陷阱

一个持续存在的问题是：每当数据不符合贝叶斯预测时，支持者总会退守到以下几种策略：

1. 提出新的“近似”主张，
2. 声称存在“次优推断”或“算法约束”，
3. 临时调整先验，
4. 将解释转移到另一个层级。

一项真正具有决定性的实验，必须通过以下要求来封死这些无限的“免罪卡”：

• 提前明确规定一种唯一的近似推断形式，
• 每种实验条件下使用固定的先验，
• 禁止无限地诉诸更高层级的解释。

只有当预先注册的预测与实际测量的神经数据一致时，我们才能在字面意义上声称大脑实现了贝叶斯更新。

当一个理论变成神话

如果一个理论通过不断修改先验或重新定义“精确度参数”来化解每一次不匹配，那它已不再是经验科学，而是一种隐喻——更糟的情况下，是一种科学神话。对贝叶斯大脑假说的最终一击，恰恰出现在它表现出能够通过事后调参“解释”任何神经或行为结果之时。这种无边界的灵活性确保了它的“幸存”，但代价是牺牲了真正的预测能力——一个永远不会错的框架，也无法告诉我们大脑真实运作的任何新知识。

接受后果

如果贝叶斯大脑假说确实是可证伪的，那么其支持者应欣然接受并设计一项关键的、预先注册的实验，明确将每一个核心理论量——如先验、似然、预测误差和精确度权重——以具体、可检验的方式，与明确定义且可识别的神经群体和回路联系起来。

如果这项实验未能证实所预测的计算过程，那么强贝叶斯主张将彻底崩溃。如果支持者拒绝提出或执行这样一项决定性实验，或再次退回到无限的“仿佛”语言，那本身就构成了最终的、默认的让步：贝叶斯大脑并非认知的实现性模型，而只是一种修辞装饰——作为隐喻有价值，但作为机制性解释在科学上是惰性的——一个对失败免疫的观念，因而不适合科学。

尾声：地图与地形

大脑不是一个在真空中计算后验概率的统计学家。它是一个在世界中的身体，学习如何足够好地移动以维持生存——对这一任务而言，贝叶斯定理既非必要，也非充分。

贝叶斯大脑或许曾提供了一张诱人的地图——干净、连贯、数学上优雅。然而，这种优雅常常掩盖了它所声称要概括的混乱、动态的复杂性。但正如每一位制图者都知道的：地图不是领土。大脑的“地形”崎岖、适应性强，且彻底具身。它跳动着历史、约束与互动的脉搏，这是任何先验或后验都无法完全捕捉的。要理解心智，我们必须亲自踏上这片土地——泥泞、非线性，且充满生机。

附录：贝叶斯理论扩张的历史术语表

本附录追溯了贝叶斯大脑假说从最初源于感觉加工，发展到如今被视为一种所谓普遍原理的概念漂移过程。这一时间线揭示的不仅是历史演进，更是一种修辞上的扩张——即理论范围不断拓宽，同时其经验约束却逐渐弱化。每当贝叶斯框架新增一个应用领域，虽然带来了数学上的优雅，但也引发了关于过度延伸和不可证伪性的经验担忧。

本附录按时间顺序概述了贝叶斯大脑假说在各领域的扩展过程（见表6）。以下内容不仅是一条时间线，更是一幅修辞地图，描绘了一个理论扩张过快、以致未能被批判性消化的过程。该时间线既可作为历史参考，也可作为一则警示故事。

随着贝叶斯修辞范围的不断扩大，其经验约束却日益稀薄。这种概念漂移引发了一个紧迫问题：理论的广度是否已远远超出了其科学效用？其结果是，这一理论越来越像一种普适的隐喻，而非一个可检验的科学模型。

原文链接：

https://www.researchgate.net/publication/392124412_The_myth_of_the_Bayesian_brain