01 / 导读
导读
引用
Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian Models of Cognition: Reverse Engineering the Mind. The MIT Press.
章节概要
全书共 648 页，分为两部分，另有前言和一个简短的结语部分。这是一部多人合著的文集：三位主编撰写或合写了许多章节，各专题章节则由相应领域的专家执笔。出版社介绍说，第一部分讲授关键的数学思想，辅以心理学文献中的例子和具体模型的详细推导；第二部分讨论进阶主题及其应用，并涉及对“逆向工程”思路的批评。
第一部分：基础
第 1 章：Introducing the Bayesian Approach to Cognitive Science（贝叶斯认知科学导论）。 开篇章节由三位主编共同撰写，阐明书名所说的“逆向工程心智”的框架：把认知看作对不确定条件下推断问题的解决方案。
第 2 章：Probabilistic Models of Cognition in Historical Context（历史脉络中的认知概率模型）。 把概率方法放进关于心智的更长的思想史中，让读者在进入数学之前了解这一思路的来源。
第 3 章：Bayesian Inference（贝叶斯推断）。 由 Griffiths 和 Tenenbaum 撰写的基础章节，讲解贝叶斯推断的核心逻辑，后面各章都以此为基础。
第 4 章：Graphical Models（图模型）与第 5 章：Building Complex Generative Models（构建复杂的生成模型）。 两章均由 Griffiths 和 Alan Yuille 撰写，从基本推断推进到有结构的概率表示：先是图模型，再是如何组合出更丰富的世界生成模型。
第 6 章：Approximate Probabilistic Inference（近似概率推断）。 由 Griffiths 和 Adam Sanborn 撰写，讨论精确的贝叶斯计算不可行时该怎么办；这一话题在第二部分关于抽样和资源理性分析的章节中还会再出现。
第 7 章：From Probabilities to Actions（从概率到行动）。 由 Chater、Griffiths 和 Mark Ho 撰写，把推断扩展到决策，使第一部分以“信念如何联系到选择”收尾。
第二部分：进阶主题
第二部分以一篇简短的插曲开头，随后是十五章，多数由研究相关课题的团队撰写。
第 8–9 章：Learning Inductive Bias with Hierarchical Bayesian Models（用层级贝叶斯模型学习归纳偏置）；Capturing the Growth of Knowledge with Nonparametric Bayesian Models（用非参数贝叶斯模型刻画知识的增长）。 两章讨论模型如何学习自身的约束，以及如何随数据到来而增加复杂度。
第 10–11 章：Estimating Subjective Probability Distributions（估计主观概率分布）；Sampling as a Bridge Across Levels of Analysis（抽样：跨越分析层次的桥梁）。 前者涉及测量人们持有的信念；后者把计算层次的模型与作为过程层次解释的抽样联系起来。
第 12–13 章：Bayesian Models and Neural Networks（贝叶斯模型与神经网络）；Resource-Rational Analysis（资源理性分析）。 这两章把贝叶斯模型与神经网络模型并置，并探讨计算的局限应当如何塑造理性行为的模型。
第 14–15 章：Theory of Mind and Inverse Planning（心理理论与逆向规划）；Intuitive Physics as Probabilistic Inference（作为概率推断的直觉物理）。 分别应用于对他人目标的推理和对日常物理事件的理解。
第 16–17 章：Language Processing and Language Learning（语言加工与语言学习）；Bayesian Inference over Logical Representations（对逻辑表征的贝叶斯推断）。 应用于语言，以及对有结构的符号假设的推断。
第 18–19 章：Probabilistic Programs as a Unifying Language of Thought（作为统一思维语言的概率程序）；Learning as Bayesian Inference over Programs（作为程序上贝叶斯推断的学习）。 概率程序作为思维和学习的表征方式。
第 20 章：Bayesian Models of Cognitive Development（认知发展的贝叶斯模型），由 Elizabeth Bonawitz 和 Tomer Ullman 撰写，把这一框架应用于儿童的学习。
第 21 章：The Limits of Inference and Algorithmic Probability（推断的极限与算法概率），由 Chater 撰写；第 22 章：A Bayesian Conversation（一场贝叶斯对话），由三位主编撰写。二者转向这一方法的局限与讨论。其后是简短的结语、致谢、篇幅很长的参考文献和索引。
核心概念
第一部分
- 贝叶斯推断：根据证据更新各假设的概率，是此后所有章节所依赖的逻辑。
- 图模型与生成模型：以结构化方式描述观测数据如何由隐藏原因产生。
- 近似推断：在无法精确计算时估计贝叶斯答案的方法。
- 决策：把信念转化为行动。
第二部分
- 层级模型与非参数模型：能学习归纳偏置、复杂度可随数据增长的模型。
- 抽样与资源理性分析：关于有限的心智如何近似理性推断的解释。
- 逆向规划与直觉物理：从行为推断目标，从观察推断物理事件。
- 概率程序：既作为假设、又作为思维语言的程序。
评析
优点
- 由该方法的倡导者撰写。 出版社称三位主编为该领域的开拓者，框架性章节由他们撰写或合写；出版社还称撰稿者是处于新研究前沿的专家，第二部分各章均列出各自的专业作者。
- 有意设计的入门通道。 第一部分用七章、约 225 页，从推断的基本逻辑一路搭到图模型、近似与决策，然后才进入专门的应用。出版社说明其中包含详细的推导和延伸阅读文献，供想了解底层原理的读者使用，并有针对具体模型的简短教程和案例研究。
- 认知领域覆盖面广。 第二部分把这一框架应用于学习、社会推理、物理推理、语言、逻辑与程序式表征以及发展，因此本书同时也是一幅该方法应用版图。
- 为批评留出位置。 出版社表示本书会讨论对“逆向工程”思路的批评，结尾几章中既有关于推断极限的一章，也有一章题为编者之间的对话。
局限
- 数学要求。 书中详细给出推导和概率模型，没有接触过概率和微积分的读者即使读第一部分也会觉得进度缓慢。出版社建议的读者是高年级本科生和研究生。
- 文集式的参差。 许多章节由不同作者团队撰写，第二部分的记号、深度和节奏可能不一致，宜把各章当作相对独立的论文来读。
- 篇幅与范围。 全书 648 页，不适合在一个学期内从头读到尾；课程需要在第二部分各章中取舍。
- 只有一个框架，而非综述。 全书围绕贝叶斯方法组织，并有一章讨论其与神经网络的关系；想要对认知理论做中立综述的读者，还需要配一本普通认知心理学教材。
在课程中的定位
在本课程书单中，这是最专门的一本：它讲的是一种理论路径，而不是整个认知心理学。通识教材应当先读。Taylor 和 Workman 的 Cognitive Psychology: The Basics 以及 Eysenck 和 Brysbaert 的 Fundamentals of Cognition 写给初次接触这门学科的读者；Reisberg 的 Cognition 是篇幅适中、文笔易读的本科教材；Eysenck 和 Keane 的 Cognitive Psychology: A Student's Handbook 是包含计算建模的综合性教材。这些书都能提供本书第二部分所预设的关于知觉、记忆、语言和推理的实证背景。
Gazzaniga 等人的 Cognitive Neuroscience 从大脑的生物学角度切入认知；它与本书互补，因为本书是在计算问题的层次上工作，而不是在神经机制的层次上，不过关于抽样作为跨层次桥梁的那一章讨论了两者的关系。
如何使用本书
本书适合已修过认知心理学课程、并熟悉基础概率、微积分和线性代数的高年级本科生和研究生。若想自己搭建或运行模型，还需要编程训练；本书不能替代编程或统计课程。
实用的阅读安排：
- 核心： 第 1–3 章，了解框架和推断的逻辑；对只想弄清贝叶斯认知模型主张什么的读者，这已足够。
- 面向建模： 第 4–7 章增加图模型、生成模型、近似推断和决策。继续之前，先手算或用代码把推导走一遍。
- 按兴趣选读： 第二部分按主题挑选。第 8–9 章适合关注学习与发展的读者，第 14–15 章适合关注社会与物理推理的读者，第 16 章讲语言，第 18–19 章讲符号或程序式表征。
- 批判视角： 把第 12、13、21、22 章放在一起读，它们讨论贝叶斯模型与神经网络、有限计算以及推断极限的关系。
若哲学背景不熟，可把第 2 章与第 1 章一起读。第二部分每章可再配一篇其参考文献中的实证论文，看模型如何接受数据检验。