《Neuroscience of Consciousness》：Motor and operative intentionality in computational phenomenology: from shallow to deep active inference models
编辑推荐：
计算现象学（computational phenomenology）最近被提出为一种利用计算技术建模人类经验的新颖且有前景的途径。更具体地说，正如近期工作所讨论的，它将生活经验的现象学描述与分析同生成建模技术（尤其是主动推理（Active Inference）
计算现象学（computational phenomenology）最近被提出为一种利用计算技术建模人类经验的新颖且有前景的途径。更具体地说，正如近期工作所讨论的，它将生活经验的现象学描述与分析同生成建模技术（尤其是主动推理（Active Inference））联系起来。研究人员提出，世界的时间意识及其经验性揭示可以用自由能最小化（free energy minimization）和推断动力学来刻画。然而，主动推理是否能够以及能够在多大程度上建模构成现象学家所称的“运动意向性”（motor intentionality）——即我们对经验世界的一般性具身化、实践性开放——这一问题尚未得到解决。这种开放性被视为一切经验的基础。为填补这一文献空白，研究人员提出在主动推理内部区分两种不同实践方面。首先，研究人员探讨了对真实后验的逼近作为一种主动过程，这一过程可与现象学家所称的“被动综合”（passive syntheses）的某些核心特征相联系。其次，研究人员讨论了在似然映射和偏好下的行动选择过程，并将其与具身主体的可供性场域（field of affordances）的构成以及身体在主动推理模型中是“第一先验”（the first prior）这一观念联系起来。这种具身构成正是现象学家所称“运动意向性”的核心。鉴于主动推理的这两个实践方面都是模型内部的过程，研究人员强调了它们背后的时间性，即主观时间性和客观时间。
研究背景与目的
计算现象学（computational phenomenology）是近年来发展起来的一种研究路径，旨在利用生成建模技术（特别是主动推理（Active Inference））对生活经验进行数学化描述，从而为现象学与神经科学之间建立“生成通道”。已有研究初步将现象学中的“构成”（constitution）形式化为近似贝叶斯推断，并探讨了时间意识在主动推理中的建模可能性。然而，尚未有研究系统评估主动推理能否建模现象学中更为基础的“运动意向性”（motor intentionality）——即具身主体对世界的一般性、实践性开放。运动意向性被视为一切经验的基础，它属于现象学家所称的“操作意向性”（operative intentionality）层面。为填补这一空缺，研究人员提出了三个现象学标准，并比较了浅层与深层主动推理模型对这些标准的满足程度。研究结论认为，浅层主动推理模型无法充分描述操作意向性，而具有时间深度的层次化主动推理模型则能够同时满足时间性和运动意向性这两个核心现象学特征。这一研究推进了计算现象学与神经现象学的连续性，并为具身认知的计算建模提供了更丰富的理论工具。
主要内容与结论
研究人员首先回顾了现象学中意向性的两种形式：行为意向性（act intentionality）和操作意向性。行为意向性是对特定对象的指向性，而操作意向性是构成这种指向性的背景性、匿名性操作，它本质上是具身和行动导向的。基于梅洛-庞蒂（Merleau-Ponty）的论述，研究人员提出任何行动计算模型必须满足三个标准：(i)行动经验必须与预反思的身体自我意识相关；(ii)行动经验必须与相关可供性场域相关；(iii)行动经验必须在至少两个时间尺度上具有时间结构。随后，研究人员利用Ludwig等人（2018）的光流实验作为操作性意向性的经验示例：参与者在行走时，其外周视觉中条纹间距的缓慢变化会无反思地调节其步行速度，而参与者并未明确察觉这一操纵。该案例说明，背景性的操作过程能够在无需明确决策的情况下改变运动行为，这正是操作意向性的特征。
在评估部分，研究人员分析了浅层主动推理模型。该模型通过行动策略（policies）体现身体能力，并通过期望自由能（expected free energy, G）的量化形成可供性场域，因而能满足前两个标准。但由于浅层模型缺乏时间层次，无法区分即时现在与长期习惯偏好两个时间尺度，因此不能满足第三个标准。相比之下，深层（层次化）主动推理模型通过在不同时间尺度上运行推断：高层级以较慢速度演化并为低层级提供经验先验，低层级以较快速度执行即时感知-行动循环。这种双向信息交换使得较低层级的时间整合始终受到高层级习惯和偏好的背景化，从而同时满足全部三个标准。研究人员指出，操作意向性在计算上对应着层次模型的高层级编码，即通过一生互动积累的偏好与习惯。此外，研究还讨论了层次结构在神经生物学中的可能对应，如皮层柱的微回路组织、神经振荡的跨频率耦合以及功能网络的模块化层次结构，但强调功能与结构映射仍需进一步研究。
关键技术与方法
研究人员主要采用主动推理（Active Inference）的生成建模框架，将知觉和行动建模为部分可观测马尔可夫决策过程（POMDP）。模型比较了浅层（单层）和深层（层次）两种架构：浅层模型利用似然矩阵A、转移矩阵B、偏好矩阵C和初始状态先验D进行变分推断；深层模型通过时间深度引入层次结构，高层级通过下降消息（以矩阵D作为经验先验）影响低层级，低层级通过上升消息（贝叶斯模型平均，式5）向高层级提供观测证据。研究还使用了Ludwig等人（2018）的实验数据作为经验示例，以检验操作意向性的预反思特征。此外，研究借鉴了神经生物学中皮层柱和跨频耦合的证据来讨论模型的生物学合理性。
研究结果分述
**现象学与意向性简述**：通过回顾胡塞尔和梅洛-庞蒂的意向性理论，研究人员区分了行为意向性和操作意向性，指出后者是更基本的、具身化且非对象化的意向性形式。
**计算现象学中的主动推理**：介绍了浅层主动推理的数学架构和构成的形式化方法，但指出该模型对意向性的处理是静态的，无法涵盖操作层面。
**从行为意向性到操作意向性和运动意向性：计算现象学的一个要求**：基于现象学分析，提出了行动计算模型必须满足的三个标准，为后续评估提供了理论准绳。
**适应性行为中的操作意向性案例**：通过Ludwig等人（2018）的光流实验，证明操作意向性能够在无反思层面改变行为，表明背景视觉信息对运动速度的调节不依赖于显式注意。
**计算现象学下对主动推理的评估**：在浅层模型部分，研究人员发现行动策略和期望自由能足以模拟身体能力和可供性场域，满足标准一和二，但无法满足标准三。在时间深度部分，层次模型通过异步更新和嵌套时间尺度，使低层级的时间整合受高层级经验的背景化，从而满足全部三个标准。在神经生物学层次关系部分，研究人员讨论了层次结构与皮层柱、神经振荡等证据的一致性，但指出具体映射仍需深入探索。
**总结讨论与结论**：讨论指出，浅层主动推理模型无法描述操作意向性，而深层层次模型是必要的。虽然模型中对身体状态的体现是间接的，但这是迈向更丰富建模的重要一步。研究人员强调，层次模型并非本身具有意向性，而是能够建模涉及意向性的动态过程。未来研究应关注其他意识模型的等价形式，并发展能学习生成模型结构本身的动态模型。结论部分可翻译为：科学在统计意义上是精确的，计算现象学的模型不过是近似模型，不应与生活经验的动态相混淆。计算现象学家的部分角色是努力最小化模型与生活经验之间的分歧，并让经验本身指导关于意识的理论化。只有这样才能实现真正的计算神经现象学。
