Nat Rev Psychol 評論 | 貝氏認知爭論，真正卡在演算法層

領域背景與痛點

「認知是貝氏的」一直是認知科學裡很常見的說法，因為貝氏推論（Bayesian inference）確實能用一套統一的語言來整理不同任務中的理性分析。但這句話經常把 Marr 三層分析中的計算層面（computational level）和演算法層面（algorithmic level）混為一談：行為數據能被貝氏模型很好地擬合，不等於認知演算法就在明確地執行貝氏定理。作者認為，這場爭論之所以一直拖著，關鍵就在於層級混淆，讓命題變得太廣，也很難被證偽。

核心框架與整合邏輯

本文提出 explicit-Bayes hypothesis（明確貝氏假說），主張單獨檢驗認知演算法是否明確應用了貝氏定理。這樣一來，計算層面的貝氏主義仍然可以解釋「為什麼行為會這樣」，演算法層面的貝氏主義則變成一個可以比較、也可以被反駁的機制假說。

作者強調，判準不在於「是否表徵了不確定性」或「是否理性」，而在於是否明確計算了先驗（prior）、概似（likelihood）和後驗（posterior），並應用了貝氏定理。按照這個標準，一些抽樣（sampling）、攤銷推論（amortized inference）、預測編碼（predictive coding）模型，雖然在計算層面可以被看作貝氏，在這裡也可能被歸入非明確貝氏（non-explicit-Bayes）。要檢驗這一假說，任務需要足夠簡單，以便控制模型空間；同時條件又要足夠豐富，才能提高模型的可辨識性。

關鍵洞察與未來方向

洞察一：作者收緊的是演算法層面的主張，不是取消計算層面的貝氏框架

這篇評論任務應把「認知是否為貝氏」拆成兩個問題：計算層面是否適合用貝氏解釋，以及演算法層面是否明確使用了貝氏定理。要是後者反覆不成立，受到限制的是貝氏模型的解釋層級，不是它的規範性地位，也不是它作為抽象組織框架的作用。

洞察二：explicit-Bayes hypothesis 的價值在於給「貝氏」劃出更清楚的經驗邊界

作者把「是否明確應用貝氏定理」當作分類標準，因為「不確定性表徵」或「計算理性」都很難把貝氏和非貝氏演算法清楚分開。對具體任務來說，在給定的模型空間內，如果最佳擬合模型明確使用了貝氏定理，就支持該假說；反過來，則構成反證。

洞察三：知覺決策中的信心判斷是可操作的測試場景，但現有支持仍屬初步

作者認為，知覺領域相對低維度，而信心判斷往往要求參與者明確或隱含地報告機率，所以特別適合檢驗這一假說。正文回顧稱，貝氏信心假說（Bayesian confidence hypothesis）已被多次測試，現有的模型比較更支持基於感覺證據強度的非明確貝氏解釋；但這一判斷仍屬初步（preliminary），不能直接外推到記憶、推理等更高層的領域。

省流總結

這篇評論把「認知是否為貝氏」從一句寬泛的口號，收縮成一個更窄、也更可被證偽的演算法層命題：認知演算法是否明確使用了貝氏定理。它保留了貝氏模型在計算層面的解釋價值，同時要求演算法層面的主張接受更嚴格的模型比較。現階段，知覺決策中的信心研究提供了一個可測試的範例，但結論目前主要還是局限在這個領域。