摘要：这篇论文的主要内容是，智力与感知辨别能力之间存在一个尚未充分研究的相关性。感知辨别可以通过预测处理中的“精确度”这一概念来理解。精确度决定了感觉输入和预测误差的权重，塑造了个体从环境中提取有意义信息的有效性。我们在这里提出了智力与精确度之间的联系，认为动态调节
这篇论文的主要内容是，智力与感知辨别能力之间存在一个尚未充分研究的相关性。感知辨别可以通过预测处理中的“精确度”这一概念来理解。精确度决定了感觉输入和预测误差的权重，塑造了个体从环境中提取有意义信息的有效性。我们在这里提出了智力与精确度之间的联系，认为动态调节精确度的能力是智能行为的关键决定因素。这一观点将个体认知差异与人类大脑功能的广泛理论模型联系起来，为理解生物系统中智力的表现提供了更全面的理解。
https://www.sciencedirect.com/science/article/abs/pii/S0732118X25000121?via=ihub
1. 引言
什么是智力？过去，研究者们给出了各种定义。智力是一种非常一般的能力，它“涉及推理、计划、解决问题、抽象思维、理解复杂概念、快速学习和从经验中学习的能力”（Gottfredson, 1997）；“智力是……抽象能力，这是一种抑制性过程”（Thurstone, 1921）；或者“能够在复杂且不可预测的环境中朝着目标前进”（Boden, 诺贝尔周对话，2015）。在认知神经科学中，与其他认知构念（如注意力、工作记忆或执行功能）相比，智力仍然处于相对边缘的地位。鉴于当前对人工智力的高度关注，自然智力被忽视是令人惊讶的。迄今为止，该领域的心理学研究和理论主要以统计方法为主：例如，来自各种认知测试（涉及记忆、抽象推理和数学技能）的数据通过数据压缩技术（如因子分析）进行分析。一些研究者识别出一个单一的、一般性因素，称为g（Spearman, 1904），而另一些研究者则揭示了多个因素，有时被提议嵌入层次化模型中（例如，Carroll, 1993）。
Engle（综述见Engle, 2018）提出“执行性注意力”是智力等高级认知功能（包括问题解决和推理）的基础。Engle最终修订的理论的核心是智力与我们在面对干扰时控制注意力的能力之间的联系，即专注于相关信息，同时抑制或抑制无关信息。Engle研究的一个关键见解是，工作记忆容量的变化——它本身与一般智力相关——主要是由于执行性注意力的差异（Engle et al., 1999）。
然而，目前仍然没有一个连贯的、统一的框架来提供智力行为的基本、机制性以及最重要的神经科学过程和结构。至关重要的是，科学必须对那些无法被当前理论预测的观察结果做出合理解释。在心理学中，智力领域有许多这样的观察结果尚未得到满意的解释：大量实证研究表明感知辨别能力与智力技能之间存在相关性（综述见Deary, 1994）。我们尝试通过引用大脑的预测处理特性（Friston, 2010）来阐明这些联系。更具体地说，我们主张自由能原理（Free Energy Principle, FEP）——该原理认为大脑的目标是尽量减少对感官输入的意外（Friston, 2010）——构成了一个数学框架，使我们能够提出关于智力背后核心原理的问题，特别是以内部世界模型中精度估计的解释方式。
2. 感知辨别能力与智力
感知辨别涉及基于感官输入（如视觉、听觉或触觉线索）区分不同刺激的能力。智力通常被定义为推理、解决问题以及适应新情境的能力，它涵盖了一系列认知能力——而令人意外甚至惊讶的是，这些能力也包括感知辨别所涉及的能力。
查尔斯·斯皮尔曼（Charles Spearman）因其一般智力（g因素）理论而闻名，他还提出了有时被称为“斯皮尔曼的另一种假设”的观点。该假设认为，个体智力的差异部分可以通过感官辨别能力的差异来解释，例如感知视觉、听觉或触觉刺激中的细微区别的能力（Spearman, 1904）。斯皮尔曼提出了证据，表明“所有形式的感官辨别与实际生活中的复杂智力活动之间存在对应关系”（1904, p. 284）。他写道：“因此，我们得出了一个显著的结论，即智力中的共同和本质要素与感官功能中的共同和本质要素完全一致”（1904, p. 269）。
多项研究表明，具有较高一般智力（g）的个体在需要精细感知辨别的任务中表现更好。例如，Melnick等人（2013）探讨了感官辨别能力与智力之间的关系。作者研究了基本感知任务（如视觉运动辨别）与一般智力任务之间的相关性。该研究聚焦于一种特定的感官辨别——视觉运动辨别，并发现个体辨别视觉运动的能力与他们的智商之间存在相关性。作者得出结论：“抑制无关信息并快速处理相关信息的能力从根本上限制了感官辨别和智力，为观察到的联系提供了信息处理基础。”
Deary等人（2004）让参与者完成旨在测量其辨别不同感官刺激能力的任务。这些任务包括视觉辨别测试（例如，区分略有不同的颜色阴影）、听觉辨别测试（例如，检测音高差异）和触觉辨别测试。一般智力通过经过良好验证的心理测量测试进行评估，这些测试测量各种认知能力，如语言推理、记忆和问题解决技能。研究发现感官辨别能力与一般智力之间存在适度但显著的相关性。最强的相关性出现在涉及视觉和听觉辨别任务中。这表明这些感官模态可能与对一般智力有贡献的认知能力联系更为紧密。
Deary等人（2004）提出了几种可能解释这种相关性的潜在原因。一种观点是，更聪明的个体具有更高效的神经加工能力，这增强了他们的感官辨别和认知能力。另一种可能性是，感官辨别与智力之间的关系反映了某种共同的潜在机制，例如加工速度或注意力控制。
然而，这些统计相关性背后的实际机制仍未得到充分探讨。我们认为，使用“神经效率”这样的宽泛术语并不是一种解释，而是需要进一步解释的内容。在接下来的部分中，我们将探讨精确度如何作为这些现象的解释框架。
3. 预测理论与个体间差异
行为和认知神经科学中是否存在“基本法则”一直是激烈争论的话题（Shepard, 2004）。然而，近年来的发展引入了一些大规模框架，这些框架有望成为全面解释动物和人类行为与认知的模型。这些框架有一个共同特点：大脑持续生成关于未来感觉和运动（包括其效果）的预测，同时感知并与世界互动（综述见Clark, 2013）。对先验信息的整合是几个主要理论框架的核心，包括贝叶斯大脑假设（Knill & Pouget, 2004）、预测编码和主动推理：自由能原理（FEP）在有感知行为中的应用。
自由能原理认为，大脑的主要作用是尽量减少对感官输入的意外或不确定性，基于适应性系统抵抗混乱的理念（Friston, 2010）。在感知层面，这意味着大脑积极生成关于感官输入（隐藏）原因的假设或预测，并将这些预测与传入的感官信息进行对比。该理论还涉及主动推理，即生物体积极寻找符合其预期的感官数据（Friston et al., 2010; Parr et al., 2022）。这一原理不仅为最优决策提供了更深入的理解，还解释了这些过程背后的原因，将神经科学与传统认知心理学联系起来，并探讨了系统与其环境背景之间的关系。
重要的是，任何关于动物或人类信息处理的理论都应该能够解释偏离平均值的情况，并解释个体间差异。贝叶斯视角下的决策通常将个体间差异归因于人们具有不同的先验信念。例如，感知滞后（或序列依赖）是指系统性地将当前刺激的特征感知为比实际情况更接近近期过去的特征（Fischer & Whitney, 2014）。然而，这种依赖效应的表现和大小在个体间存在很大差异——尽管所有参与者的感官输入相同——这可以通过认为每个参与者对这些刺激特征持续性的先验偏见可能不同来解释。
自由能原理的一个重要概念是，预测误差可以根据预测的精确度被赋予不同的权重（Feldman & Friston, 2010）。直观地说，如果我非常自信地做出一个预测，但结果是错误的，那么由此产生的预测误差将引发比我低信心预测时更大的信念修正。在处理大脑功能的贝叶斯模型时，我们必须面对两种不同的模型。首先，我们可以考虑从我们（作为科学家）观察受试者和世界的视角出发的模型。这意味着我们必须思考世界（可能包括构建实验的心理学家）是如何生成受试者在其模型下解释的数据的。然而，从心理学角度来看，更有趣的是我们可以处理受试者自身使用的内部模型。至关重要的是，生成数据的环境过程以及我们的大脑可能持有的关于数据生成方式的信念，都将依赖于精确度参数，这些参数可能匹配，也可能不匹配。换句话说，实验者提供的感官线索的精确度与受试者推断的精确度是不同的。有趣的是，计算精神病学的许多工作都致力于估计大脑隐式使用的精确度，同时实验性地改变数据生成过程的精确度（见Adams等人，2016；Fisher等人，2024；Lawson等人，2017；Vincent等人，2019）。
将精确度的概念与认知和神经过程层面联系起来，可以将注意力及其对应的神经调制机制视为分配增强或减弱信号（即精确度加权的预测误差）的工具，这些信号推动了层次化的信念更新。接下来，我们将解释精确度如何解释各种感知辨别任务中的个体间差异。
4. 感知辨别能力与精确度概念
如上所述，精确度指的是分配给感官输入和预测的置信度或可靠性程度（Feldman & Friston, 2010）。它决定了在更新关于环境的信念或预测时，各种信息来源被赋予的权重。精确度影响自上而下的预测（基于先验知识）与自下而上的感官数据（基于当前观察）之间的平衡。与预测相关的高精确度意味着感官输入被认为是可靠的，因此预测误差将强烈影响信念的更新。相反，低（感官）精确度表明感官输入不太可靠，因此预测误差的影响更为有限，仅在将先验期望转变为后验期望或信念时发挥作用。
通过调整不同类型信息的精确度，大脑可以专注于更相关的刺激，并从更有信息量的经验中学习。例如，在需要集中注意力的任务中，大脑可能会赋予相关感官信息更高的精确度，而赋予无关感官数据更低的精确度。精确度的调整有助于根据变化的环境调整行为。例如，如果一个人遇到一个意外事件，大脑可能会推断出新情境的存在，并增加感官输入的精确度，以更好地理解和应对新情况。或者，大脑可能会认为意外事件是在不精确或模糊的背景下记录的，从而降低精确度，以避免过度解读。这种适应性过程有助于确保系统在以最佳方式整合感官信息时保持响应性和高效性。
有趣的是，当我们把精确度视为可以被预测的东西时，我们也可以开始思考与精确度本身相关的预测误差。这一概念的一个重要应用是在图形-背景辨别中（Kanai, Komura, Shipp, & Friston, 2015），特征可能嵌入在噪声背景中。通过估计空间不同区域的预期精确度，可以将特征与背景区分开来。这是因为估计正确的精确度允许更有效地利用来自空间某些点的感官信息，而不是其他点。这一概念与注意力研究中的观点一致，后者认为注意力调节了感官处理水平的神经活动。例如，Treue（2003）提出，注意力通过在额叶眼区水平上权衡局部特征对比度和当前行为相关性，塑造了一个综合的感官显著性地图。事实上，在自由能原理和预测编码理论框架内，注意力可以被重新定义为优化精确度以最小化预测误差（参见Feldman & Friston, 2010; Hohwy, 2013; Schroger等，2015）。
这一概念同样适用于更明确的认知决策（Cohen, Dunbar等，1990）。例如，考虑斯特鲁普任务，其中需要识别文本刺激的颜色。当文本本身是一个颜色词（例如，“蓝色”这个词可能用红色墨水书写）时，必须抑制读出颜色词的倾向，而是利用墨水颜色。一种解释是我们必须确定是否要做出一个精确依赖于墨水颜色的反应，或者一个精确依赖于书面文字的反应（Parr, Holmes等，2023）。如果我们被要求读出这个词，这些选项的相对精确度则需要反转。与图形-背景辨别类似，这反映了适应性和情境依赖的预测或精确度。然而，与图形-背景辨别中唯一的行动是隐含和秘密地部署注意力不同，斯特鲁普任务的例子使我们更进一步，突出了明确的行动。
研究表明，多巴胺水平与动物（Schultz等，1997）和人类（Haarsma等，2021）对预测误差做出反应时信念更新的程度之间存在相关性。在他们的研究中，Haarsma等人报告了功能性磁共振成像（fMRI）证据，表明预测误差在前额叶上部和背侧前扣带回皮层中被精确度加权。有趣的是，多巴胺拮抗剂舒必利降低了这种精确度加权。此外，皮层精确度加权的程度与任务表现相关。这些数据支持多巴胺在微调这些误差的精确度方面发挥作用的观点。此外，多巴胺激动剂被发现可以改善信噪比和感知表现，表明它们提高了感官证据的精确度（Yousif等，2016）。
5. 精确度与智力
预测理论偶尔与智力（以及联想记忆、工作记忆、强化学习、推理、理性、意识等各种高级认知功能）在人类和类人人工智能机器中被联系在一起（例如，Euler, 2018; Friston et al., 2021; Hung, 2021; Lange et al., 2022; Parr et al., 2022; Smith et al., 2018; Trapp et al., 2021; Zhang & Xu, 2024）。Zhang和Xu（2024）专注于从计算建模的角度（即最小化精确度加权的预测误差）解释自由能原理（FEP）中的预测编码，以阐述智能行为的起源。Euler（2018）已经论证过，智力可以被理解为大脑通过预测处理有效管理不确定性的能力。我们进一步认为，智能行为的一个重要方面不仅在于预测感官数据，还在于预测与这些数据相关的不确定性和精确度。这意味着在不同的情境中，我们可能会根据不同的感官模态、不同的层次结构，甚至不同的时间阶段分配不同水平的精确度（Holmes, Parr, Griffiths, & Friston, 2021）。
换句话说，本文与上述论文共享预测处理的承诺，但在智力与预测的关系上采取了更心理学的立场。传统心理学中的智力构念旨在解决个体差异（偏离平均值）。我们认为，精确度的概念对于解释智能行为特别相关，从感知辨别能力到智力能力。精确度——有效地是我们持有（明确或隐含）信念的置信度——可能是智力的关键成分，即抽象能力，即在提取意义时能够忽略无关细节。有趣的是，像精神分裂症这样的状况已被与异常且过度的精确度部署相关联（Adams, Stephan, Brown, Frith, & Friston, 2013），以至于无关的感官数据被过度解读，导致妄想性推断——实际上，这是一种统计意义上的过拟合。这种失败常常被描述为感觉衰减的减少；即，暂时中止某些预测误差的精确度，以避免分心并忽略无关或冗余的信息。值得注意的是，这些状况常常与智商（IQ）的下降相关联（Jonas et al., 2022），智商有时被认为衡量了一种智力形式。
此外，精确度与智力之间的联系也与神经科学的发现一致，这些发现表明前额叶皮层中的多巴胺D1受体活性调节工作记忆表现，而工作记忆是智能行为的关键认知成分（Arnsten, 1997; Goldman-Rakic, 1998）。此外，研究表明多巴胺对前额叶皮层的影响对于注意力和认知控制至关重要，而这两者对于成功完成涉及智力的任务至关重要（Cools & D’Esposito, 2011）。
Daikoku和Yumoto（2023）研究了在统计学习情境中不确定性（精确度的反转）的影响。他们复制了常见的发现，即具有更高不确定性的刺激序列导致更强的神经反应（即更高的预测误差）。然而，他们还发现，当参与者采用更高阶的统计学习策略时，他们更容易在高不确定性序列中切换到更高阶的马尔可夫链表示。换句话说，在更新现有或建立新的环境生成模型时会考虑不确定性。能够切换上下文或使用问题空间的更抽象表示是智能行为的标志。
效率和处理速度的概念与当前论点特别相关。这一点在多个层面都很明显。在抽象层面，自由能原理实际上是一种最小作用原理，即对认知和感觉运动处理的描述，它采取最小努力和最大效率的路径。在计算层面，如上所述，精确度决定了信念更新的速度。这意味着，如果赋予感官预测误差更高的精确度，证据积累的速度就会增加。重要的是，有大量的证据表明一般智力与处理速度之间存在相关性（综述见Sheppard & Vernon, 2008, 或 Mashburn et al., 2023）。显然，这取决于以熟练的方式分配正确的精确度，以选择适合当前情境的预测误差。最后，在生理层面，精确度的部署（即选择和衰减）被认为是由突触后增益的选择性增加和减少介导的。这正是神经调质（如多巴胺）的作用。简而言之，熟练且智能地部署精确度可以对大脑在感知和概念层次的层级处理中信念更新的速度和效率产生深远影响。
在自然选择下，适应性适应度在热力学约束下被优化，与无标度自由能最小化过程之间存在一个有趣的联系（Friston et al., 2023a,b）。从这个观点来看，自然选择可以被视为贝叶斯模型选择（Frank, 2012; Vanchurin et al., 2022），其中自由能的最小化（即在某些假设下最小化精确度加权的预测误差）可以被理解为最大化适应性适应度，其中适应度实际上是表型与生态位之间的契合度，通过在该生态位中找到表型的（边际）可能性来衡量。从物理学的角度来看，自由能原理可以被视为最大路径熵原理（也称为最大卡里贝尔原理）的对偶，但受到约束。这些约束——从自由能原理和预测处理的角度来看——由生成模型提供（Ramstead et al., 2022）。重新表述这些约束的一种方式是将自由能分解为准确性，它约束了关于感官数据的推断，以及复杂性，它约束了相对于先验能量的推断，并介导了贝叶斯形式的奥卡姆剃刀（Murray & Ghahramani, 2005）。这意味着必须解决的预测误差既包括预测与感官数据的偏差，也包括后验信念与先验信念的偏差。每一种都取决于（先验和似然）精确度的微妙平衡——决定我们在考虑新证据时允许自己偏离先验假设的程度。
最终，智能行为涉及与外部世界的互动——这种互动在自然智能中无处不在，但在人工智能设置中有时被省略（Pezzulo, Parr et al., 2024）。也许智能行为最明显的表达——帮助我们解决问题、泛化和更好地了解世界的那种——是由好奇心驱动的行为（Friston, Lin et al., 2017）。为了智能地探索世界，我们必须引导我们的目光（Mirza, Adams, Mathys, & Friston, 2016），提出正确的问题（Friston, Parr et al., 2020），或者访问未探索的地点（Kaplan & Friston, 2018）。至关重要的是，所有这些事情都要求我们了解我们当前所知道的，我们对这些知识的置信度，以及我们从每个可用选项中可能获得的信息量。只有当我们能够预测在每个选项下我们预期的感官输入的精确度时，我们才能做到这一点。精确的感官输入将促进信念更新，而采取错误的步骤并发现自己处于一个不精确的（例如，光线不足）环境中将限制我们能够获得的信息量。
当然，许多智能行为依赖于制定计划以实现目标。在主动推理中，目标被表述为我们对自身行为的先验信念。我们相信自己会朝着某个特定结果采取行动，这种信念促使我们采取导致该结果的行为，而该结果是根据预期成本和信息收益（统称为预期自由能）来评估的（Parr et al., 2022）。换句话说，奖励——无论是实用性的还是知识性的——是我们预期通过行为来确保的东西。我们对某个特定目标持有的信念的精确度或置信度决定了该目标相对于其他可能目标的相对吸引力——突出了精确度在前瞻性推理中的相关性：例如，将计划视为推理（Botvinick & Toussaint, 2012; Parr & Friston, 2018）。有趣的是，这种对意图行为的表述引入了实用性和知识性需求之间的平衡或权衡，这种权衡基于支持特定计划预期成本的先验偏好的精确度。请参阅（Friston, Salvatori, et al., 2023; Schwartenbeck et al., 2015, 2019）以进一步讨论主动推理下的意图行为，以及多巴胺在编码我们意图的精确度中的作用。
6. 结论
在上文中，我们提出，智能的一个重要组成部分是能够预测精确度，以根据预测误差抑制或促进信念更新。正确把握精确度对于确保我们能够利用相关的感官数据至关重要，同时避免过度解读（类似于过拟合）无关的感知信息。此外，良好的精确度估计为我们提供了机会，让我们能够基于对世界的理解，以好奇心驱动的行为去探索更多。
由于我们的提议是在相对低层次且具有机械性的框架内提出的，因此它对于各种具体的智力统计模型保持中立，例如斯皮尔曼（1904）关于一般智力的概念、卡特尔关于流体智力与晶体智力的理论（Cattell, 1963），或者斯特恩伯格的三元智力理论（Sternberg, 1984）。相反，它为通过预测处理的视角探索个体在认知能力上的差异开辟了新的途径。我们的提议还可能为关于智力的功能性与结构性脑成像研究提供参考（例如Basten等人，2015；Duncan等人，2000；Haier等人，2009；Hilger等人，2022）。例如，研究智能行为的测量指标是否以及在多大程度上与预测误差和精确度的神经指标相关联，无论是在个体之间还是个体内部，都是一个有趣的方向。
值得注意的是，我们的提议强烈建议更深入地研究动物个体之间的差异，这些差异在以往的研究中往往被平均化而被忽视。这种方法将传统智力研究与当代神经科学和计算建模联系起来，为理解大脑的预测机制如何促进通用认知效率和适应性提供了新的见解。
来源：人工智能学家