01 / 導讀
導讀
引用
Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian Models of Cognition: Reverse Engineering the Mind. The MIT Press.
章節概要
全書共 648 頁，分為兩部分，另有前言和一個簡短的結語部分。這是一部多人合著的文集：三位主編撰寫或合寫了許多章節，各專題章節則由相應領域的專家執筆。出版社介紹說，第一部分講授關鍵的數學思想，輔以心理學文獻中的例子和具體模型的詳細推導；第二部分討論進階主題及其應用，並涉及對「逆向工程」思路的批評。
第一部分：基礎
第 1 章：Introducing the Bayesian Approach to Cognitive Science（貝葉斯認知科學導論）。 開篇章節由三位主編共同撰寫，闡明書名所說的「逆向工程心智」的框架：把認知看作對不確定條件下推斷問題的解決方案。
第 2 章：Probabilistic Models of Cognition in Historical Context（歷史脈絡中的認知機率模型）。 把機率方法放進關於心智的更長的思想史中，讓讀者在進入數學之前瞭解這一思路的來源。
第 3 章：Bayesian Inference（貝葉斯推斷）。 由 Griffiths 和 Tenenbaum 撰寫的基礎章節，講解貝葉斯推斷的核心邏輯，後面各章都以此為基礎。
第 4 章：Graphical Models（圖模型）與第 5 章：Building Complex Generative Models（構建複雜的生成模型）。 兩章均由 Griffiths 和 Alan Yuille 撰寫，從基本推斷推進到有結構的機率表示：先是圖模型，再是如何組合出更豐富的世界生成模型。
第 6 章：Approximate Probabilistic Inference（近似機率推斷）。 由 Griffiths 和 Adam Sanborn 撰寫，討論精確的貝葉斯計算不可行時該怎麼辦；這一話題在第二部分關於抽樣和資源理性分析的章節中還會再出現。
第 7 章：From Probabilities to Actions（從機率到行動）。 由 Chater、Griffiths 和 Mark Ho 撰寫，把推斷擴充套件到決策，使第一部分以「信念如何聯絡到選擇」收尾。
第二部分：進階主題
第二部分以一篇簡短的插曲開頭，隨後是十五章，多數由研究相關課題的團隊撰寫。
第 8–9 章：Learning Inductive Bias with Hierarchical Bayesian Models（用層級貝葉斯模型學習歸納偏置）；Capturing the Growth of Knowledge with Nonparametric Bayesian Models（用非引數貝葉斯模型刻畫知識的增長）。 兩章討論模型如何學習自身的約束，以及如何隨資料到來而增加複雜度。
第 10–11 章：Estimating Subjective Probability Distributions（估計主觀機率分佈）；Sampling as a Bridge Across Levels of Analysis（抽樣：跨越分析層次的橋梁）。 前者涉及測量人們持有的信念；後者把計算層次的模型與作為過程層次解釋的抽樣聯絡起來。
第 12–13 章：Bayesian Models and Neural Networks（貝葉斯模型與神經網路）；Resource-Rational Analysis（資源理性分析）。 這兩章把貝葉斯模型與神經網路模型並置，並探討計算的侷限應當如何塑造理性行為的模型。
第 14–15 章：Theory of Mind and Inverse Planning（心理理論與逆向規劃）；Intuitive Physics as Probabilistic Inference（作為機率推斷的直覺物理）。 分別應用於對他人目標的推理和對日常物理事件的理解。
第 16–17 章：Language Processing and Language Learning（語言加工與語言學習）；Bayesian Inference over Logical Representations（對邏輯表徵的貝葉斯推斷）。 應用於語言，以及對有結構的符號假設的推斷。
第 18–19 章：Probabilistic Programs as a Unifying Language of Thought（作為統一思維語言的機率程式）；Learning as Bayesian Inference over Programs（作為程式上貝葉斯推斷的學習）。 機率程式作為思維和學習的表徵方式。
第 20 章：Bayesian Models of Cognitive Development（認知發展的貝葉斯模型），由 Elizabeth Bonawitz 和 Tomer Ullman 撰寫，把這一框架應用於兒童的學習。
第 21 章：The Limits of Inference and Algorithmic Probability（推斷的極限與演算法機率），由 Chater 撰寫；第 22 章：A Bayesian Conversation（一場貝葉斯對話），由三位主編撰寫。二者轉向這一方法的侷限與討論。其後是簡短的結語、致謝、篇幅很長的參考文獻和索引。
核心概念
第一部分
- 貝葉斯推斷：根據證據更新各假設的機率，是此後所有章節所依賴的邏輯。
- 圖模型與生成模型：以結構化方式描述觀測資料如何由隱藏原因產生。
- 近似推斷：在無法精確計算時估計貝葉斯答案的方法。
- 決策：把信念轉化為行動。
第二部分
- 層級模型與非引數模型：能學習歸納偏置、複雜度可隨資料增長的模型。
- 抽樣與資源理性分析：關於有限的心智如何近似理性推斷的解釋。
- 逆向規劃與直覺物理：從行為推斷目標，從觀察推斷物理事件。
- 機率程式：既作為假設、又作為思維語言的程式。
評析
優點
- 由該方法的倡導者撰寫。 出版社稱三位主編為該領域的開拓者，框架性章節由他們撰寫或合寫；出版社還稱撰稿者是處於新研究前沿的專家，第二部分各章均列出各自的專業作者。
- 有意設計的入門通道。 第一部分用七章、約 225 頁，從推斷的基本邏輯一路搭到圖模型、近似與決策，然後才進入專門的應用。出版社說明其中包含詳細的推導和延伸閱讀文獻，供想了解底層原理的讀者使用，並有針對具體模型的簡短教程和案例研究。
- 認知領域覆蓋面廣。 第二部分把這一框架應用於學習、社會推理、物理推理、語言、邏輯與程式式表徵以及發展，因此本書同時也是一幅該方法應用版圖。
- 為批評留出位置。 出版社表示本書會討論對「逆向工程」思路的批評，結尾幾章中既有關於推斷極限的一章，也有一章題為編者之間的對話。
侷限
- 數學要求。 書中詳細給出推導和機率模型，沒有接觸過機率和微積分的讀者即使讀第一部分也會覺得進度緩慢。出版社建議的讀者是高年級本科生和研究生。
- 文集式的參差。 許多章節由不同作者團隊撰寫，第二部分的記號、深度和節奏可能不一致，宜把各章當作相對獨立的論文來讀。
- 篇幅與範圍。 全書 648 頁，不適合在一個學期內從頭讀到尾；課程需要在第二部分各章中取捨。
- 只有一個框架，而非綜述。 全書圍繞貝葉斯方法組織，並有一章討論其與神經網路的關係；想要對認知理論做中立綜述的讀者，還需要配一本普通認知心理學教材。
在課程中的定位
在本課程書單中，這是最專門的一本：它講的是一種理論路徑，而不是整個認知心理學。通識教材應當先讀。Taylor 和 Workman 的 Cognitive Psychology: The Basics 以及 Eysenck 和 Brysbaert 的 Fundamentals of Cognition 寫給初次接觸這門學科的讀者；Reisberg 的 Cognition 是篇幅適中、文筆易讀的本科教材；Eysenck 和 Keane 的 Cognitive Psychology: A Student's Handbook 是包含計算建模的綜合性教材。這些書都能提供本書第二部分所預設的關於知覺、記憶、語言和推理的實證背景。
Gazzaniga 等人的 Cognitive Neuroscience 從大腦的生物學角度切入認知；它與本書互補，因為本書是在計算問題的層次上工作，而不是在神經機制的層次上，不過關於抽樣作為跨層次橋梁的那一章討論了兩者的關係。
如何使用本書
本書適合已修過認知心理學課程、並熟悉基礎機率、微積分和線性代數的高年級本科生和研究生。若想自己搭建或執行模型，還需要程式設計訓練；本書不能替代程式設計或統計課程。
實用的閱讀安排：
- 核心： 第 1–3 章，瞭解框架和推斷的邏輯；對只想弄清貝葉斯認知模型主張什麼的讀者，這已足夠。
- 面向建模： 第 4–7 章增加圖模型、生成模型、近似推斷和決策。繼續之前，先手算或用程式碼把推導走一遍。
- 按興趣選讀： 第二部分按主題挑選。第 8–9 章適合關注學習與發展的讀者，第 14–15 章適合關注社會與物理推理的讀者，第 16 章講語言，第 18–19 章講符號或程式式表徵。
- 批判視角： 把第 12、13、21、22 章放在一起讀，它們討論貝葉斯模型與神經網路、有限計算以及推斷極限的關係。
若哲學背景不熟，可把第 2 章與第 1 章一起讀。第二部分每章可再配一篇其參考文獻中的實證論文，看模型如何接受資料檢驗。