Delusions Emerge from Generative Model Reorganisation rather than Faulty Inference: Insights from Hybrid Predictive Coding

该研究通过混合预测编码模型表明，妄想并非源于推理故障，而是生成模型在初始信念初始化不当及过度确信等异常条件下发生重组的适应性结果，这一发现为通过重新训练生成模型来治疗妄想提供了新的机制见解。

要点

这篇论文提出了一种关于妄想（Delusions）（即精神分裂症等精神疾病中常见的、荒谬且难以动摇的信念）的全新解释。

简单来说，以前的理论认为妄想是因为大脑的“推理机器”坏了，算错了数。但这篇论文说：不，推理机器本身没坏，是它背后的“世界观数据库”被重新重组了。

为了让你更容易理解，我们可以用几个生动的比喻来拆解这个复杂的科学发现：

1. 大脑是如何工作的？（预测编码与“快速直觉”）

想象你的大脑是一个超级侦探，它时刻在预测接下来会发生什么。

• 传统模式（纯推理）： 侦探看到一张模糊的照片，会慢慢分析每一个细节，反复思考，最后得出结论。这很慢，但很准。
• 混合模式（本文提出的“混合预测编码”）： 大脑其实更聪明。它有一个**“快速直觉系统”**（论文中称为“摊销推断”）。当你看到东西时，这个系统会瞬间根据过去的经验，直接给你一个“最佳猜测”（比如：看到一把刀，直觉告诉你“这是切菜用的”）。然后，慢速的推理系统再根据这个猜测去微调，确认一下。

2. 妄想是怎么产生的？（“拿错剧本”与“固执的导演”）

论文通过计算机模拟发现，妄想产生需要两个条件同时出现：

1. 拿错了“快速直觉”的剧本（初始化错误）：

   • 比喻： 想象你刚看完一部恐怖电影（比如《电锯惊魂》），然后你走进厨房，看到一把普通的切肉刀。
   • 正常情况下，你的“快速直觉”会说：“这是切菜工具。”
   • 但在妄想模型中，因为刚才看了恐怖片，你的“快速直觉”系统错误地把“切肉刀”的剧本拿成了“杀人凶器”。于是，你的大脑瞬间判定：“这把刀是来杀我的！”

2. 过度自信的“固执导演”（高精确度信念）：

   • 比喻： 此时，你的大脑里有一个**“固执的导演”（代表高层信念）。这个导演非常自信，甚至到了固执**的地步。他坚信：“这就是凶器！别跟我争辩！”
   • 因为导演太固执，他拒绝接受“这只是把切菜刀”的反馈信号。

3. 关键转折：大脑不是“修错”，而是“改剧本”（生成模型重组）

这是这篇论文最精彩、最反直觉的地方。

• 旧观点： 大脑会一直试图修正错误，但因为太固执，导致它永远在“这是凶器”和“这是切菜刀”之间痛苦挣扎，产生巨大的焦虑（预测误差）。

• 新发现（论文核心）： 大脑非常聪明，它发现“修正”太累了，而且那个“固执的导演”根本不听劝。于是，大脑做了一个惊人的决定：它修改了底层的“世界观数据库”（生成模型）。

  • 比喻： 大脑想：“既然导演非说这是凶器，那我就把‘切肉刀’的定义改了吧。以后，在这个人的世界里，切肉刀就是凶器。"
  • 结果： 大脑重新训练了它的神经网络。现在，当你再次看到切肉刀，大脑的底层数据库直接输出：“凶器”。
  • 为什么妄想变得“坚不可摧”？ 因为在这个新重组的世界观里，把刀看作凶器是完全合理、逻辑自洽且没有矛盾的。
  • 没有预测误差： 既然世界观已经改了，那么“刀=凶器”这个信念就不会再产生焦虑或矛盾。大脑觉得：“看，我猜对了，世界就是这样。”

4. 为什么妄想很难治？（“回不去”的陷阱）

论文通过模拟发现，这种“世界观重组”是有时间成本的：

• 刚发生不久： 如果“拿错剧本”只是发生了一会儿，大脑还能改回来。就像你刚看完恐怖片，过几个小时就忘了，切肉刀还是切肉刀。
• 时间一长： 如果这种状态持续了很久（比如几周或几个月），大脑的“世界观数据库”就被彻底重写并固化了。
  • 比喻： 就像你住在一个国家，大家都说“向左是东，向右是西”。如果你在那里住久了，你的大脑就彻底适应了这套规则。这时候，如果有人告诉你“其实向左是西”，你会觉得他疯了，而不是你疯了。
  • 结论： 妄想之所以难以动摇，不是因为病人“听不进道理”，而是因为他们的底层逻辑（生成模型）已经变了。在他们的新逻辑里，妄想是最正确、最符合逻辑的解释。

5. 这对治疗意味着什么？

这篇论文给治疗带来了新的希望：

• 以前的思路： 试图通过辩论、讲道理来纠正病人的“推理错误”。（但这没用，因为病人的推理在新世界里是完美的）。
• 新的思路： 治疗的重点应该是**“重新训练世界观”**，而不是纠正推理。
  • 早期干预： 在“世界观”还没彻底重写之前，尽快打断这个过程，防止大脑固化错误的逻辑。
  • 后期治疗： 如果已经固化了，就需要像教孩子学新语言一样，通过长期的、重复的、温和的“新经验”，慢慢帮大脑重建一个健康的“世界观数据库”，让“切肉刀=切菜工具”这个新规则重新成为最合理的解释。

总结

这篇论文告诉我们：妄想不是大脑“算错了”，而是大脑为了消除内心的不确定感，主动“修改了现实规则”以适应一个错误的初始猜测。

一旦这个新规则建立起来，妄想就变成了一种适应性的生存策略，让患者在一个他们自己构建的、逻辑自洽的世界里感到“安全”和“确定”。治疗的关键，在于如何温柔地引导大脑，重新学习并适应那个我们共同认可的现实世界。

技术摘要

这是一份关于论文《Delusions Emerge from Generative Model Reorganisation rather than Faulty Inference: Insights from Hybrid Predictive Coding》（妄想源于生成模型的重构而非错误推理：混合预测编码的见解）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心问题：妄想（Delusions）是精神分裂症等精神疾病的核心症状，表现为荒谬且顽固的信念。现有的预测编码（Predictive Coding, PC）理论试图解释妄想，但存在局限性：
  • 解释力不足：传统 PC 模型难以解释妄想的主题重复性（为何妄想有特定主题）和对矛盾证据的免疫性（为何患者无视反证）。
  • 机制缺陷：传统观点认为妄想源于“错误推理”（如先验信念精度过高导致“跳跃式结论”）。然而，标准 PC 模型通常是“无记忆”的，每次推理从随机状态开始，高精度先验只会导致信念内容不断变化，无法形成稳定的妄想主题；且若推理无法整合证据，会导致巨大的预测误差，增加主观不确定性，这与妄想带来的“确定性”相悖。
• 研究目标：提出并验证一种基于混合预测编码（Hybrid Predictive Coding）的计算模型，解释妄想如何通过生成模型的重构（Generative Model Reorganisation）而非单纯的推理错误而产生，并解释其顽固性和主题性。

2. 方法论 (Methodology)

研究团队构建了一个四层的混合预测编码神经网络，并在 EMNIST 手写字符数据集（数字 0-5 和字母 A, B, C, D, E, S）上进行了模拟实验。

• 模型架构：

  • 混合预测编码：结合了摊销推理（Amortised Inference）和迭代预测编码。
    • 摊销推理：通过前馈网络快速生成对当前状态的“最佳猜测”（初始信念）。
    • 迭代推理：通过反馈连接对初始信念进行微调，以最小化预测误差。
  • 上下文敏感性：模型包含两个专门的摊销网络，分别处理“数字上下文”和“字母上下文”。
  • 层级结构：4 层网络（输入层 784 节点 -> 隐藏层 500 -> 隐藏层 500 -> 输出层 12 节点）。

• 实验设计：

  1. 亲代模型训练（Progenitor Model）：
     • 使用监督学习训练模型，顶层被强制钳位（Clamped）为正确的类别标签（软 One-hot 编码）。
     • 模型学习在正确的上下文中使用正确的摊销网络初始化信念。
  2. 孪生模型克隆（Twin Models）：
     • 控制组（Control Twin）：保持原有的正确映射。
     • 妄想组（Delusional Twin）：模拟错误初始化。交换了两个摊销网络的功能（例如，用处理字母的网络去处理数字图像）。
  3. 自监督阶段（Self-supervised Period）：
     • 在两个孪生模型中，顶层信念不再由外部标签钳位，而是由摊销网络的输出钳位。
     • 这意味着模型被迫接受错误的初始信念（如将数字"4"的图像初始化为字母"A"的信念），并试图通过调整生成模型（权重）来解释输入数据，同时保持顶层信念的“高精度”（即不轻易改变）。
  4. 自维持与恢复阶段（Self-sustaining Period）：
     • 移除顶层钳位，允许模型自由推理，测试妄想组是否能从错误的生成模型中恢复，以及恢复程度与之前“妄想持续时间”的关系。

3. 关键贡献 (Key Contributions)

1. 理论范式转移：提出妄想并非源于“推理过程”本身的故障，而是生成模型（Generative Model）。即大脑为了适应错误的初始信念，重构了世界模型，使得错误的信念在新的模型下变得“合理”。
2. 机制解释：
   • 主题重复性：源于错误的摊销初始化（Contextual Inadequate Initialisation）将推理锁定在特定的信念空间区域。
   • 对证据免疫：生成模型的重构使得输入数据在新的模型下与妄想信念一致，从而消除了预测误差。既然没有预测误差，系统就没有动力去修正信念。
3. 计算模拟验证：首次通过形式化建模展示了在混合预测编码框架下，错误的初始化结合高精度先验如何导致生成模型的结构性重组，形成稳定的“妄想吸引子”（Delusional Attractor）。

4. 主要结果 (Key Results)

• 分类精度下降与模型重组：
  • 在自监督阶段，妄想组模型由于错误的初始化（如将"4"视为"A"），初期推理能部分纠正错误，但随着训练进行，推理能力失效，分类精度降至随机水平。
  • 关键发现：即使分类完全错误，底层预测误差（Prediction Error）。这表明生成模型已经重组，使得"A"成为解释"4"图像的最佳（低误差）原因。
• 信念空间吸引子的形成：
  • 在 t-SNE 嵌入空间中，随着训练进行，妄想组模型在信念空间中形成了新的吸引子（Attractor Point）。
  • 早期：输入"4"对应信念"4"的预测误差最低。
  • 晚期：输入"4"对应信念"A"的预测误差最低。模型彻底“相信”输入是"A"，因为这是其当前生成模型下的最优解。
• 层级特异性：
  • 生成模型的重构主要发生在高层表示（Layer 3 和 Layer 2），而底层表示（Layer 1）仍保留了对输入图像的真实特征编码。这解释了为何妄想者能看到现实（底层），但赋予其错误的意义（高层）。
• 恢复的剂量 - 反应关系：
  • 持续时间至关重要：妄想状态持续时间越长，恢复越困难。
  • 短暂期的错误初始化后，模型能较快恢复；但经过长期（2800 批次）的自监督训练，生成模型发生深度重组，即使移除钳位，模型也无法完全恢复到亲代模型的状态，分类精度无法完全恢复。
  • 然而，完全擦除并未发生：非妄想模型的结构并未完全消失，这解释了为何部分恢复是可能的，但也暗示了妄想复发的风险（残留的“妄想路径”）。

5. 意义与启示 (Significance)

• 临床治疗策略的革新：
  • 早期干预：重点应放在防止生成模型的“非妄想”结构退化，通过促进灵活的推理来保护原有的神经连接。
  • 晚期干预：当生成模型已深度重组时，单纯纠正推理（如认知行为疗法中的挑战信念）可能无效，因为信念在患者当前的模型下是“理性”的。治疗重点应转向重新训练生成模型（Re-training Generative Models），即通过长期暴露和反馈，重塑神经连接，使“非妄想”解释再次成为低误差的最优解。
• 理解病程：解释了为何未治疗精神病持续时间（Duration of Untreated Psychosis）是预后不良的关键指标——时间越长，生成模型重组越深，恢复越难。
• 文化与社会因素：模型表明生成模型受外部监督（父母、社会、文化）塑造。这为理解为何妄想内容受文化影响，以及为何移民（面临不同共享生成模型的环境）精神病风险更高提供了计算层面的解释。
• 哲学视角：支持了“本体论转变”（Ontological Shift）的观点，即妄想者在他们重构后的现实世界中是理性的，而非仅仅是推理错误。

总结：该论文通过计算建模证明，妄想是生物体在面临初始信念错误和高精度先验时，为了最小化预测误差而适应性重构其世界模型的结果。这一发现将治疗焦点从“纠正错误推理”转移到了“重塑生成模型”上。