[论文解读] Predictions in the eye of the beholder: an active inference account of Watt governors

Manuel Baltieri, Christopher L. Buckley+1 more|arXiv (Cornell University)|Jun 20, 2020

Embodied and Extended Cognition参考文献 60被引用 30

一句话总结

本文通过推导一个生成模型，将瓦特离心调速器形式化为一个主动推断系统，将其行为解释为通过变分自由能最小化来最小化预测误差。该研究挑战了生成模型作为内在表征的观点，主张其本质上是观察者的认识论工具，并证明主动推断为认知建模提供了一个数学上自洽、工具性的框架，而无需承诺强表征主义形而上学。

ABSTRACT

Active inference introduces a theory describing action-perception loops via the minimisation of variational (and expected) free energy or, under simplifying assumptions, (weighted) prediction error. Recently, active inference has been proposed as part of a new and unifying framework in the cognitive sciences: predictive processing. Predictive processing is often associated with traditional computational theories of the mind, strongly relying on internal representations presented in the form of generative models thought to explain different functions of living and cognitive systems. In this work, we introduce an active inference formulation of the Watt centrifugal governor, a system often portrayed as the canonical "anti-representational" metaphor for cognition. We identify a generative model of a steam engine for the governor, and derive a set of equations describing "perception" and "action" processes as a form of prediction error minimisation. In doing so, we firstly challenge the idea of generative models as explicit internal representations for cognitive systems, suggesting that such models serve only as implicit descriptions for an observer. Secondly, we consider current proposals of predictive processing as a theory of cognition, focusing on some of its potential shortcomings and in particular on the idea that virtually any system admits a description in terms of prediction error minimisation, suggesting that this theory may offer limited explanatory power for cognitive systems. Finally, as a silver lining we emphasise the instrumental role this framework can nonetheless play as a mathematical tool for modelling cognitive architectures interpreted in terms of Bayesian (active) inference.

研究动机与目标

• 将瓦特调速器——一个典型的反表征系统——重新表述为基于变分自由能最小化的主动推断过程。
• 挑战预测处理中生成模型必须是认知系统内部显式表征的假设。
• 评估主动推断与预测处理作为认知统一理论的解释力。
• 证明主动推断可作为建模感觉运动回路的正式、工具性框架，而无需对内部表征做出本体论承诺。
• 通过展示调速器中的反馈调节如何从推断原理中自然涌现，实现主动推断与动力系统理论的调和。

提出的方法

• 从外部观察者的视角，为瓦特调速器构建了一个线性概率生成模型，定义了隐变量状态（如飞球角度、角速度）和观测变量（如阀门位置、发动机转速）。
• 基于变分自由能推导出一个代价函数，表示感官输入与生成模型预测之间的预测误差。
• 假设系统处于过阻尼动力学状态，以简化系统，并推导出与调速器在平衡点附近的线性化动力学模型等价的方程。
• 采用高斯和马尔可夫假设，以实现近似贝叶斯推断与通过自由能最小化进行的动作选择。
• 将所得方程与调速器的标准控制理论公式联系起来，表明其与经典动力系统分析一致。
• 重新诠释生成模型的作用：并非心理表征，而是观察者用于建模不确定性与系统特性的描述性、认识论工具。

实验结果

研究问题

• RQ1 瓦特调速器——一个常被引用为反表征系统的装置——能否通过主动推断与变分自由能最小化形式化描述？
• RQ2 在主动推断中，生成模型在多大程度上是内部表征，还是仅仅是观察者的认识论工具？
• RQ3 主动推断框架是否对认知系统具有真正的解释力，还是仅能平凡地适用于任何系统？
• RQ4 与传统动力系统分析相比，调速器的主动推断表述在描述充分性方面表现如何？
• RQ5 主动推断能否作为认知的统一数学框架，而无需对内部表征做出强烈的形而上学承诺？

主要发现

• 主动推断表述在标准假设下成功重现了瓦特调速器的线性化运动方程，验证了其与经典控制理论的一致性。
• 推导表明，系统通过负反馈调节发动机转速的行为，自然地从最小化预测误差中涌现，无需显式计算或离线推理。
• 该框架中的生成模型并非系统的内部表征，而是观察者用于建模不确定性和系统动力学的认识论建构。
• 本文指出了将生成模型视为认知系统中真实内部状态的“心智投射谬误”，主张此类模型是相对于观察者的描述。
• 主动推断为认知建模提供了一个数学上自洽且工具上实用的框架，即使系统本身缺乏内部表征亦成立。
• 该框架通过展示推断与行动可统一于单一变分自由能最小化原理之下，实现了预测处理与具身性、动力系统方法的调和。