主動推斷框架下文化模式化注意風格的習得

The Acquisition of Culturally Patterned Attention Styles Under Active Inference

主動推斷框架下文化模式化注意風格的習得

https://www.frontiersin.org/research-topics/20474/bio-ai---from-embodied-cognition-to-enactive-robotics/magazine

本文提出了一項基于主動推理的視覺搜尋模擬研究。該模擬旨在展示，在主動推理框架下，文化塑造的注意模式對認知任務表現的影響。我們展示了像古董花瓶裝飾這樣的文化產物，是如何在一個簡單的視覺辨別任務中驅動感知、行動和學習等認知功能以及任務表現的。因此，我們描述了一種新的基于主動推理的研究流程，未來的研究可利用該流程，通過構建和重構我們的注意模式，來探究決定物質文化驅動人類思維方式的深層指導原則。

關鍵詞：感知，文化，考古學，主動推理，眼動追蹤，模擬

引言

我們所構建的世界會改變我們自己的心智和信息處理方式嗎？從某種意義上說，這顯然是會發生的——我們閱讀書籍，聆聽老師教導，并由此習得新的思維方式和推理方法。得益于終身學習，我們可能成為某個領域（如林業）的專家，從而能夠關注并區分新的事物。但我們也沉浸于物質結構和人工制品的海洋之中，如陶器、陶瓷、服裝、建筑、工具等等。當我們 encounter（遭遇/接觸）并探索這些人工制品和結構時，它們也會影響我們的視覺和具身探索模式，從而影響我們的學習。但這些與物質結構互動的性質及其潛在認知重要性仍然理解不足。

我們相信，與非語言物質文化方面的反復 encounter 并非簡單地反映人類的思維和推理——相反，它們塑造并改變著思維和推理。我們的心智既是這些物質性的產物，也是其原因。這是一個大膽的論斷，但在心智與文化科學中卻相當常見（Dennett, 1991, 1996; Clark, 1997; Sutton, 2002; Knappett, 2005; Renfrew and Malafouris, 2010）。據我們所知，這一論斷尚未經過實驗驗證或嚴格的分析和檢驗。我們下面報告的模擬旨在作為構建探索管道的第一步，以探索和檢驗這一論斷——即與非語言人工制品的 encounter 能夠以認知上有趣且有益的方式改變思維和注意模式。

懷著這一目標，本文提出了一個原理證明，用于使用主動推理對馬爾可夫推理模型進行視覺覓食和人工制品感覺學習的建模。馬爾可夫模型用于對某些感興趣的狀態進行預測性統計推理，給定這些狀態已知會產生的 outcome（結果）。例如，馬爾可夫模型可用于對某些未知狀態（即隱藏狀態或未知變量）進行天氣預報，這些狀態代表一周中每天的天氣（如雨天；晴天），而 outcome 則是可能狀態的某些可觀察屬性（如云的形狀）。在觀察這些屬性后，推理通過結合從一種狀態轉移到下一種狀態的已知先驗概率（如雨天到晴天、晴天到晴天等過渡的歷史）與每種狀態下可觀察事物的已知似然度來進行。所得的后驗指定了下一時間步隱藏變量的貝葉斯概率（如明天的天氣）。在本文中，我們利用主動推理理論來執行模型所需的推理、動作選擇和學習。

至關重要的是，主動推理跨越了馬爾層次結構的多個層面，從統計推理和熱力學中的深層計算考量，一直到能夠構建與已知神經生理學相符的心理物理學任務的生物學合理模型。這種理論廣度使我們能夠創建一個主動推理模型，用于建模推理與學習系統和物質文化之間的互動，該模型可以通過心理物理學可觀察事物來展示物質世界對塑造心智注意風格及最終認知能力的重要性。

我們呈現了兩個實驗。在實驗1中，我們提供了一個視覺覓食的 pilot（試點/初步）模擬，展示了我們方法對建模關于不同復雜文化人工制品覓食的實證數據的潛力。實驗1可被視為一個訓練實驗，其中人工 agent（智能體）學習人工制品的層級結構，而這種習得的知識隨后被應用于分類任務（實驗2）。我們的模擬側重于實現可能模仿體內參與者對古董花瓶掃視路徑的人工行為，如 Criado-Boado 等人（2019）所觀察到的。Criado-Boado 及其同事研究了裝飾模式對視覺覓食者所用掃視路徑的影響。他們使用垂直指數（Vi）來衡量各種模式對視覺掃視的影響，相對于呈現不同裝飾花瓶（如更復雜或更不復雜的水平或垂直繪制裝飾）的視覺顯示的大小。我們表明，當裝飾復雜性被建模為隱藏狀態模式時，其增加會帶來特征性的不同掃視路徑，因而產生不同的 Vi；我們將這些掃視路徑稱為"文化模式化注意風格"（Culturally Patterned Attention STyles，簡稱 C-PAST）。這些掃視路徑是 agent 試圖基于觀察到的顏料預測下一個裝飾并學習形成裝飾的視覺 motif（圖案/母題）之間概率轉換的結果。這些掃視路徑應被視為文化塑造的注意模式的啟發式方法。未來工作應嘗試用真實參與者數據來擬合生成這些掃視路徑的模型。將這些掃視路徑稱為"文化的"動機在于，花瓶裝飾已被證明是文化復雜性的良好指標。因此，我們將基于接觸此類裝飾而學習產生的掃視路徑稱為"文化的"，或更確切地說"文化模式化的"；這里的 patterning（模式化）是學習的同義詞。

在實驗2中，我們提供了一種在主動推理下跨模擬轉移先驗學習的建模方法，據我們所知，這在文獻中從未做過。這里的遷移學習簡單地指跨任務的知識轉移（如將任務 X 中習得的知識用于執行任務 Y 所需的動作）。主動推理建模中遷移學習的挑戰在于，模型參數（如隱藏狀態之間的轉換概率）通常是任務特定的，這意味著它們對應于手頭任務的環境（如作為隱藏狀態的 motif 對 agent 感知的花瓶而言是特定的）。我們在本文提出的新穎建模策略通過將任務環境分解為通用隱藏狀態單元來實現遷移學習。這些單元是離散二維地圖中的位置，我們稱之為重映射似然矩陣（詳見方法）。重映射矩陣使我們能夠 local（局部化）即時環境的表征，并且關鍵的是，在習得后跨任務重用這些單元或單元組。雖然它解鎖了完成我們模擬的可能性，但我們認識到，目前的似然重映射方法是簡單的。基于實驗1中對花瓶裝飾結構的學習，在實驗2中我們模擬了一個模式分類任務，該任務涉及重用實驗1中習得的模型參數。在分類任務中，agent 必須將一系列 motif 剪切塊與其對應的 motif 匹配。我們展示了性能（命中 vs. 未命中）如何根據實驗1轉移的不同文化復雜性水平下習得的參數而變化。

總之，通過實驗1和2，我們展示了主動推理研究以下方面的潛力：（i）接觸人工制品復雜性導致獲得支撐不同文化模式化注意風格（C-PAST）的知識——這里指關于隱藏狀態之間轉換概率的知識，或對世界結構的表征；（ii）在新認知任務中重新利用 C-PAST，以及不同 C-PAST 影響新認知任務表現的方式。我們意識到，我們所使用的任務可能被認為過于簡單，無法展示 C-PAST 對認知任務表現的影響，且我們的任務僅限于非自然場景。然而，我們的模擬目標，除了重現 Criado-Boado 等人（2019）的結果外，還在于為未來認知考古學領域相關研究提供一個可擴展的建模策略的簡單示例。

垂直指數、社會復雜性、文化復雜性與注意

垂直指數（Vi）是一種比較觀看圖像時水平掃視與垂直掃視比例的測量指標（Criado-Boado et al., 2019; Millán-Pascual et al., 2021）。這一與垂直維度呈現的信息密度密切相關的測量指標，已被證明在從陶器到紀念碑、來自不同考古時代的物品間存在顯著差異（Prieto-Martínez et al., 2003）。考古記錄顯示，復雜史前社會的裝飾模式通常遵循高 Vi 模式，而低 Vi 模式則見于較簡單的社會。Criado-Boado 等人（2019）指出，考古學家接受以下觀點：在特定研究的時間序列中，陶器裝飾的演變與社會組織復雜性水平的變化相平行[詳見 Prieto-Martínez 等人（2003）對 Criado-Boado 等人（2019）分析陶器序列中所嵌入的社會復雜性的詳細描述，以及 Criado-Boado（2014）對物質性與社會過程之間互動的更一般和理論性的論述]，并提出裝飾的虛擬指數可能是這種社會復雜性的測量或反映[Müller 等人（2015）也針對不同陶器風格說明了類似結論]。Criado-Boado 等人（2019）發現，裝飾的垂直性與他們研究中展示的陶瓷裝飾的年代演變相關；這些裝飾與不同的文化時期及相關的社會復雜性水平相關聯。他們表明，當向參與者呈現代表各連續社會時期特征的花瓶裝飾時，參與者的眼動遵循了 Vi 指數報告的相同演變趨勢。

在此，我們所稱的社會復雜性與有時所描述的文化復雜性（Sterelny, 2020）有所不同。社會復雜性指社會的整體組織水平，而文化復雜性指特定人群中發現的制品的復雜性。文化復雜性有時被視為社會復雜性的代理，因為它會反映工具及制品制造者和使用者的技能和專業水平，而這反過來又會反映社會復雜性水平。文化復雜性可被視為庫復雜性（repertoire complexity）或峰值復雜性（peak complexity）（Sterelny, 2020）。庫復雜性對應于每個社會使用的不同工具的數量，而峰值復雜性對應于特定工具的復雜程度，可用工具的部件和功能來衡量；這些被稱為技術單元（technounits）（Oswalt, 1973）。Criado-Boado 等人（2019）觀察到的相關性是社會復雜性與花瓶裝飾 Vi 之間的相關性。這種相關性并非社會復雜性與文化復雜性之間的相關性。

研究社會復雜性與文化復雜性之間關系的一個挑戰在于，庫復雜性和峰值復雜性可能獨立變化（Sterelny, 2020），并且根據所考慮的制品類型，峰值復雜性甚至可能與反映社會復雜性的制品制造者的真實技能水平成反比。此外，峰值復雜性的位置在同一社會中可能隨時間而變化。當考慮審美對象（如花瓶圖案）的復雜性時，這些問題尤為突出。例如，在制品庫中觀察到差異是常見的，較簡單的社會具有較貧乏的裝飾花瓶圖案，但具有高度復雜的身體裝飾，如紋身圖案或羽毛排列。同樣的情況也適用于更先進的社會和陶器裝飾，其峰值復雜性起初可能與社會復雜性水平相關，但隨著時間推移而下降，因為社會發現了新的材料和藝術表達媒介（如珠寶、冶金、建筑等）。例如，在距今6,000至2,000年間，陶器對于表達大西洋沿岸的社會風格和社會身份很重要，而在其他文化和時代，其他類型的材料主要用于表達社會身份（如珠寶、冶金、紀念碑，或紋身、個人裝飾品或羽毛）。

盡管這些問題本身具有重要性，且對于理解歷史記錄至關重要，但重要的是要注意，我們在模擬研究中的目標與此相當不同。我們的目標是探索認知（注意、感知和學習）作為在這些復雜機制中運作的變量的潛在作用。具體而言，我們詢問與制品的互動是否、以及在何種程度上可能改變注意模式，而這反過來又會改變思考和推理世界的方式（如在認知任務中）。因此，我們將認知（注意、感知和學習）作為第三個變量引入社會復雜性與文化復雜性之間的復雜關系。希望在于，認知風格可能充當文化復雜性與社會復雜性之間的解釋橋梁。因此，我們的模擬探索了任務表現與基于接觸花瓶裝飾而習得或學習注意風格之間的綜合關系。這一模擬的動機在于探索與制品的互動可能改變注意模式的方式，而這反過來又會改變思考和推理世界的方式（如在認知任務中）。如果這種效應是真實的，那么就有充分理由相信，人造世界的結構與我們沉浸于不同此類世界后的思維和推理方式之間存在聯系。因為提供更大垂直指數的制品與社會復雜性相關，且因為垂直指數引發特征性的不同視覺覓食模式（Criado-Boado et al., 2019），人們可以假設在注意風格的習得、引發這種習得的制品特征（如 Vi）以及文化復雜性之間存在一種棘輪循環。

注意，新的注意模式并不一定見證人類進化史中的神經生物學變化（如腦化）。關于認知-文化循環的假設主要不是關于社會復雜性和文化復雜性進化的基因-文化共同進化假設（如 Henrich, 2015）。相反，這種假設指的是認知和文化層面的動態。注意風格是在發展過程中習得的；它們類似于支持更復雜能力（如語言和心智解讀）腳手架的認知"小工具"（Heyes and Frith, 2014）。這些能力之一可能是復制復雜人類社會集合的能力；一種通過制品介導的注意風格習得來搭建腳手架的能力。當前模擬是在主動推理理論下研究這種認知-文化循環的第一步。

最后，注意我們的項目不同于主動推理、文化與認知領域中的相關研究。在此，我們的目標不是解釋人類文化的形成和功能，而是探究文化塑造感知和影響任務表現的方式。也就是說，我們在此并非試圖定義文化是什么以及它如何運作，而是試圖描述人類可能如何對其產品作出反應，以及這些產品如何影響認知任務表現。雖然后一問題肯定是解釋文化形成和功能的更廣泛項目的一部分，但這一問題仍可在獨立于關于文化本體論的更大討論的情況下加以研究。在主動推理下，文化的本體論被定義為注意的模式，或由當地實踐塑造的"機制"（如 Kaufmann and Clément, 2007; Ramstead et al., 2016; Constant et al., 2019, 2020; Veissière et al., 2020）。盡管上述研究方向存在差異，我們的模擬可被視為提供了一種可能的說明，展示注意機制（此處為 C-PAST）的習得如何影響任務表現。

方法：主動推理

主動推理是源于理論神經科學的一個理論，它假定感知、行動和學習可以從根本上統一起來，因為它們都可以被視為對同一個信息論目標執行一種近似貝葉斯推理（即變分推理）(Friston, 2010)。盡管植根于抽象的推理概念，主動推理擁有一個在神經生物學上合理的過程理論(Friston et al., 2017)，并已被用于解釋和構建神經與認知功能各個方面的模型，例如不確定性下的規劃與導航(Kaplan and Friston, 2018)、掃視生成與閱讀(Parr and Friston, 2017)、序列決策制定任務(Friston et al., 2013, 2016)，乃至復雜的連續控制任務(Pio-Lopez et al., 2016; Fountas et al., 2020; Millidge, 2020; Tschantz et al., 2020)，以及心理物理學可觀測變量，如建模證據累積(FitzGerald et al., 2015)。此外，通過期望自由能泛函，主動推理還包含一種自然的認知驅動，這在此前的視覺搜尋主動推理研究中已被利用(Friston et al., 2015; Mirza et al., 2016)。在此，我們對主動推理進行一個高層次的描述。關于離散狀態空間中主動推理的詳細概述，且為節省篇幅起見，我們將有技術背景的讀者引薦給Friston等人(2015, 2017)和Da Costa等人(2020)的專門方法論文。

變分推理概述

主動推理假定行動、學習和感知都可以被描述為變分推理的過程。變分推理是精確貝葉斯推理的一種近似，它假設存在一個變分識別密度，通過優化過程使其與真實后驗匹配。因此，變分推理將一個困難且棘手的推理過程轉化為一個可能易于處理的優化過程，并且存在良好的近似解。變分推理通過最小化變分自由能泛函來獲得其解，這在我們模型中被用于感知——即從觀測到的結果中推斷隱藏狀態。主動推理擴展了這一理論以納入行動，行動是根據對未來可能狀態序列的偏好推斷出來的。這需要使用一個略有不同的目標泛函——期望自由能——它是關于期望的未來狀態和觀測的泛函。期望自由能自然包含一個鼓勵探索的認知信息增益項，促使主動推理智能體尋求新穎的結果，從而能夠模仿視覺搜尋中至關重要的關鍵行為，即信息收集。

變分分布概述

形式上，令 x 指代隱藏變量，其中 x? 指第 n 層的隱藏狀態，π 指代策略（固定的動作序列）。那么，變分分布可以按如下方式進行分解：

生成模型概述

"A"矩陣代表似然分布的參數，該分布將某一層次層的隱藏狀態與該層相關聯的結果（除最底層外，所有其他層次層的結果對應于其下一層次層的隱藏狀態）映射起來。這些矩陣表示了隱藏狀態與結果之間的即時概率映射。

"B"矩陣代表隱藏狀態在多個時間步長上的（依賴于策略的）轉換。"B"矩陣的參數是通過經驗學習的。這種學習可以被視為對"B"矩陣條目上的狄利克雷超參數進行的推斷。更多細節參見 Da Costa 等人 (2020)。關鍵在于，""矩陣的參數是在一次試驗過程中推斷出來的，并提供了C-PAST（文化模式注意風格模板）的表示。

給定這樣一個生成模型和初始狀態分布，就可以生成潛在的未來結果和隱藏狀態的序列，并針對可以執行的不同潛在策略（動作序列）進行比較。這些未來結果和隱藏狀態的序列通過期望自由能泛函（記為"G"）進行評分。選擇能夠最小化"G"的策略。在我們的實驗中，前瞻只針對未來的單個時間步長進行，并且選擇貪婪地最小化"G"的動作。

另一個重要方面是將智能體的偏好編碼到生成模型中。這是通過矩陣"C"編碼的，該矩陣指定了期望的結果概率分布。在我們的實驗中，智能體強烈期望觀察到色素，并會厭惡觀察到非色素。這個對智能體行為的簡單約束就足以生成復雜的視覺搜尋行為。

我們為"A"矩陣的條目指定了一個先驗。關鍵的是，為了確保主動推理智能體僅擁有局部知識（即其注視區域的內容，而非整個圖像），我們采用了新穎的似然重映射技巧，通過該技巧，"A"矩陣以狀態依賴的方式表示，使得智能體僅知道對于給定的隱藏狀態（位置），其所在位置周圍3x3方格內色素的存在與否。似然重映射允許智能體繞過生成過程（即環境）的完整表征來執行狀態推斷和導航。這與標準的主動推理方法形成對比，后者通常要求智能體被賦予對場景正確的全局理解。為了實現這種局部性，"A"矩陣變得依賴于狀態，因此它僅提供關于智能體所處狀態附近的結果的信息。這種似然重映射方法的進一步描述見下圖1。

結果
實驗1

實驗1的目標是示例說明在主動推理下，人工制品的復雜性與掃描路徑文化特異性之間的關系。我們展示了人工制品復雜性的變化如何導致不同的"文化模式注意風格"（C-PAST）的習得。掃描路徑是智能體在視覺搜尋任務期間執行的人工視覺掃視。視覺搜尋任務的目標很簡單，就是讓智能體探索視覺場景，該場景由一個裝飾有顏料構成的紋樣的花瓶組成。智能體的模擬視線從花瓶中心開始，并可以在100個時間步長內自由探索花瓶。我們向模擬智能體呈現了具有不同復雜性水平的花瓶——即，由視覺上豐富程度不同的圖案構成。圖案的豐富程度來自于包含更多或更少的垂直特征或紋樣，從水平（0度角），到傾斜（-45度和+45度角），再到垂直（90度角）。我們使用Criado-Boado等人（2019）中使用的虛擬指數（Vi）的一個版本來衡量圖案復雜性對視覺搜尋的影響。Vi是相對于呈現花瓶的顯示區域大小的視覺掃視的度量。Criado-Boado等人（2019）的實證結果表明，花瓶的復雜性會影響掃描路徑Vi的變化。模擬1的目的是在計算機中重現這種效應，并基于模擬該效應所需的參數，對通過接觸四種復雜性水平（0到3）的花瓶而習得的不同注意風格或C-PAST進行表型分析（見圖2）。

實驗1的模型

為了執行實驗1中的任務，模擬智能體將我們的推理算法應用于一個簡單的兩層馬爾可夫生成模型。該生成模型允許智能體推斷兩件事：（i）第1層或第2層的隱藏狀態，以及（ii）一個動作策略，該策略優化了智能體所執行的期望隱藏狀態序列。在實驗1中，第1層隱藏狀態是視覺顯示上可以找到顏料的位置。顏料的存在與否作為感官結果。第2層隱藏狀態代表紋樣，這些紋樣由重復的顏料圖案組成，例如，十字形、對角線形和水平線形（見圖2）。使用兩層層次生成模型使我們能夠模擬一個智能體，該智能體可以基于其對較簡單隱藏狀態（即，第1層顏料）的推斷來推斷更抽象隱藏狀態（即，第2層紋樣）的存在。對于第2層的每個推斷周期，在第1層執行四個推斷周期，即推斷四個顏料。我們在下面展示的熱圖是推斷這些不同隱藏狀態的結果。智能體可以基于其生成模型推斷的第二件事是一個動作策略，在此代表（一系列）視覺掃視。動作策略簡單地說就是控制狀態的序列，這些序列是基于智能體對某些結果的偏好，在多個時間步長上推斷出來的。

生成模型表示并推斷四組參數。第一組是似然參數A1，它存在于第1層，是感官結果（顏料）與第1層隱藏狀態（視覺顯示上的位置）之間的概率映射。在第1層，我們保持似然是確定性的（全部為[0 1]），這說明智能體可以清晰地感知顏料這一事實。第二個似然參數A2，代表紋樣與智能體可感知位置之間的概率映射。這個似然也是確定性的，這說明智能體知道一個給定的紋樣（例如十字形）如何由一系列顏料表示這一事實。第二組參數是第1層隱藏狀態之間的轉移概率映射B1或第2層隱藏狀態之間的轉移概率映射B2。在實驗1中，智能體學習第2層隱藏狀態（紋樣）之間的轉移。第1層的轉移是確定性的，并且完全取決于動作策略。一個在第2層轉移（紋樣轉移）中存在不確定性的兩層模型，將會以不同的方式進行掃描。花瓶復雜性的增加驅動了對紋樣轉移（即圖案）的學習。關于我們的推理算法如何執行推斷、制定動作策略以及學習B2的細節，我們請讀者參考方法部分。

垂直指數

垂直指數（Vi）的定義是：智能體所注視區域的高度"h"乘以垂直掃視次數（根據推斷策略采取的垂直步數），減去注視區域的寬度"w"乘以水平掃視次數，所有這些再除以高度"h"與垂直掃視次數的乘積加上寬度"w"與水平掃視次數的乘積之和：

相對于四種復雜性水平的Vi變化情況見圖3，圖中還顯示了相應的裝飾復雜性水平。模擬的GIF動畫以及所有實驗的源代碼可在 https://github.com/BerenMillidge/MaterialCulture找到。結果表明，正如預期以及Criado-Boado等人（2019）的實證觀察，Vi與復雜性水平呈正相關。我們在圖4中展示了掃描路徑。

C-PAST

我們將"文化模式注意風格"（C-PAST）定義為智能體在探索過程中接觸到裝飾物時學習到的一組紋樣轉移參數。我們的模擬表明，圖案復雜性的差異自然會導致C-PAST的差異，從而引起Vi的系統性差異（圖3）。為了衡量C-PAST，我們使用信息論中紋樣轉移參數B2集合的熵。形式上，我們將C-PAST的度量定義為：

其中 H 是香農熵，N 是紋樣的數量。我們使用熵是因為它允許我們描述分布的內在特征，而無需對這些分布做出規范性評估（例如，與理想的、外在的優良標準進行比較）。確實，測量 C-PAST 的目的僅僅是為了對因接觸不同層次的文化復雜性而獲得的各種注意風格進行表型分析。請注意，我們只允許學習轉移概率（B2 參數），但原則上，完全可以允許學習其他參數，以獲得更豐富的 C-PAST 度量（例如，A 和 B 參數的熵）。

結果 實驗2

實驗2的目標是探索不同C-PAST（文化模式注意風格）在一個新的認知任務中對認知任務表現的影響。請注意，學習只發生在實驗1中。這意味著我們只是將訓練好或學習到的參數導入實驗2，而不讓模型在實驗2的背景下進一步學習。因此，實驗2并不是一個典型的遷移學習實驗。然而，所提出的設置已經為進行真正的遷移學習模擬做好了準備，因為未來的工作可以允許學習，從而研究遷移學習對學習和任務表現的影響。在這里，我們只關注先前學習對新任務表現的影響。實驗1可以看作是一個"訓練"或學習實驗，它是一個視覺搜尋任務。實驗2是一個簡單的視覺分類任務，其中向智能體呈現一系列預定的特定形狀的拼圖塊，并且智能體必須選擇與拼圖塊匹配的形狀（見圖5）。我們在實驗1中習得的四種不同C-PAST下模擬了該任務。這些C-PAST是通過接觸花瓶上四種不同層次的裝飾復雜性而習得的。我們向所有智能體呈現了相同的預定系列拼圖塊。然后，我們記錄了100次試驗或100個系列拼圖塊中的正確與錯誤次數。智能體沒有收到關于其答案的反饋，這意味著在實驗2中沒有發生進一步的學習。

實驗2的模型

我們使用與實驗1相同的模型，但采用單層參數化。隱藏狀態對應于構成實驗1中紋樣的形狀，而感官結果是拼圖塊。因此，轉移矩陣（B參數）是形狀之間的轉移概率映射，而似然參數（A參數）是拼圖塊與形狀之間的似然映射。該似然映射是確定性的，這意味著我們的智能體可以完美地感知形狀及其相關的拼圖塊（即，智能體對拼圖塊的感覺通路是無噪聲的）。轉移參數的映射是在實驗1中學習到的那些映射（即，作為第2層轉移概率映射，或第2層B參數 B2），因此可能包含不確定性。關鍵且在這項工作中獨特的一點是，我們使用了一種新穎的“似然重映射”方法，以確保智能體在任何時候只感知其局部環境——即視覺的中心注視區域。

表現

我們在實驗2中使用的刺激是一系列拼圖塊。任務是選擇匹配的拼圖塊。我們記錄了100次試驗中的正確與錯誤次數。圖6展示了在實驗1中經過四種不同層次裝飾復雜性訓練后的智能體的結果。我們的結果表明，在較高層次文化復雜性下訓練的C-PAST導致了更好的表現。

本文介紹了使用主動推理的兩個計算實驗。第一個是一個訓練模擬，其中一個智能體可以自由探索四個不同花瓶上的裝飾，這些花瓶提供了四個不同層次的裝飾復雜性。裝飾復雜性是根據紋樣中垂直性的程度以及紋樣的數量來定義的。我們利用裝飾復雜性來訓練不同的文化模式注意風格（C-PAST），并根據其相關參數分布的熵對這些風格進行了表型分析。我們觀察到不同的C-PAST與不同的虛擬指數（Vi）相關。總體觀察結果是，復雜性的增加與Vi的增加相關，正如Criado-Boado等人（2019）的實證觀察所見。復雜性和Vi也與C-PAST的熵呈正相關。我們模擬研究的目標僅僅是使用主動推理來重現Criado-Boado及其同事的結果。由于主動推理被認為是解釋人類行為的良好計算候選模型，我們模擬的主要貢獻在于，為可能支撐Criado-Boado及其同事結果的計算過程，提供了一個行為上合理的解釋的開端。對我們所模擬的相關性的解釋很簡單：刺激越復雜，探索就越多；探索越多，觀察到的轉移就越多，因此B2參數中的離散程度就越大（即，映射的確定性越低）。因此，文化復雜性具有"放松"文化紋樣間轉移學習的后果，從而使學習更加靈活（即，讓智能體更開放地探索新穎形狀），這是一個與創造力相關的討論現象（Van de Cruys and Wagemans, 2011; Veissière et al., 2020）。在經驗到的隱藏狀態間的轉移中存在更多的復雜性和多樣性，或者存在更精細的層次結構，這反過來促進了學習更復雜、更多樣的世界模型。在實驗2中，我們模擬了一個簡單的視覺分類任務，其中我們重用了在實驗1中訓練好的C-PAST。在這里，學習的靈活性再次被證明是有用的。我們測量了每種C-PAST下在一個簡單視覺辨別任務中的成功率（正確/錯誤次數）。總體觀察結果是，在探索更復雜人工制品期間習得的C-PAST，導致了在辨別任務中更好的表現。

關鍵在于，我們關于文化復雜性與文化紋樣間轉移學習"放松"之間關系的結果，與考古學觀察是一致的。例如，在新石器時代背景下，已經觀察到相對統一的陶瓷裝飾隨著時間的推移而增加了裝飾的多樣性。例如，我們可以從結構上識別出中歐的新石器時代社會，在這些社會中，最古老階段的統一裝飾在廣大區域內被使用。在隨后的階段，這種統一性消失了，這與裝飾變異性的增加相關。在線紋陶文化的情況下，這與公元前5100年左右個體農莊從中心定居點的分離以及代際獨立性的增加有關（Shennan and Wilkinson, 2001）。在公元前3000年左右，大規模球形雙耳瓶文化現象中可以看到類似的現象，儀式活動范圍拓寬了（Müller, 1996）。從公元前2500年起，在鐘杯文化中觀察到紋樣變異的周期性增減，這可能與有意的、通常每隔150年左右發生的文化多樣性的重新限制有關。由于青銅時代也可能存在可比較的多樣性變化（參見 Staniuk, 2020），我們應該能夠為無文字社會識別出一個基本現象。模擬中觀察到的學習變化，為上述例子中描述的考古學觀察提供了至少幾種解釋模式中的一種。

實驗1和實驗2的目的是證明基于主動推理研究物質文化對認知影響的考古學可行性。未來的工作中，我們計劃利用這里開發的計算范式，對模擬實驗中觀察到的相關性進行實證檢驗。盡管我們在實驗1和實驗2中為了說明問題而使用了非常簡單的任務，但這并不妨礙我們設計更復雜的模擬場景，用于模擬參與者在更豐富環境中的表現。事實上，本文采用的似然重映射策略，由于它是基于單一類型的隱藏狀態來構建環境，因此使得設計復雜的2D或3D訓練環境，并使模型的學習能夠在這些不同環境之間進行遷移成為可能。

這一新實驗范式的預期迭代版本至少可以解決四個重要且相互關聯的問題。第一個也是最明顯的問題是，探索不同物質結構和實踐對學習和注意力的影響。這可以通過使用代表不同文化的當代人工制品來實現，我們可以用它們來測試視覺注意風格的跨文化差異。此類未來研究應借鑒關于物理對象感知的文化差異研究（例如，Masuda and Nisbett, 2001, 2006; Kitayama et al., 2003; Ishii et al., 2014）。第二個是在整個主動推理智能體群體中探索學習和傳播。第三個是觀察在一代人中實現的學習如何傳遞給下一代，并反過來影響環境本身的設計——即所謂的"跨代瓶頸"，其在語言變化領域的重要性已成為近期許多實驗的主題（綜述見 Smith and Kirby, 2008）。這里，我們有機會將真實的歷史記錄與基于模擬的預測進行對照。第四個——可能也是最具揭示性的——將是探索物質文化變異和有模式實踐影響學習與注意力的主要維度，并利用這一點來推動對真實社會歷史記錄進行新的（更具功能揭示性的）分組和分類方式。例如，我們預測，重要的變異將源于不同物質設計在不同抽象和處理層面上操縱感官驚奇的方式。

總而言之，我們描述了一個新的實驗流程，用于探索主動推理與不斷變化的文化復雜性之間的聯系。我們假設，這些聯系是由不斷變化的注意模式所介導的——這些模式可以通過我們所接觸物體的結構和裝飾復雜性來訓練和強化。在未來的工作中，利用這一流程，我們希望發現更多將物質文化與思維和推理模式的變遷聯系起來的隱藏變量和深層指導原則。

原文鏈接：https://www.frontiersin.org/research-topics/20474/bio-ai---from-embodied-cognition-to-enactive-robotics/magazine