13｜新皮质是一台“想象机器”吗？——生成模型猜想

一、先说结论

二、我们先理解一个问题

先做一个小实验。

看这句话：

你应该几乎无障碍地读懂了它，甚至可能没立刻发现字是乱的。

再看一个更常见的例子：一句被遮挡了一半标语，你依然能“看”出它写的是什么；一张模糊的照片，你会自动把它“补”成一张清晰的脸。

问题是：

传统观念会说：眼睛接收信息 → 大脑加工信息 → 你理解信息。这是一个“输入—处理”的模型，大脑像一台被动的摄像机加计算机。

但如果大脑只是被动接收，它应该被错字难住才对。

它没有。这说明大脑在“主动补全”。

于是真正的问题出现了：大脑到底是在“读”世界，还是在“猜”世界？

三、作者到底提出了什么观点？

班尼特的回答是：从哺乳动物开始，大脑的核心工作变成了“生成并修正一个内部的世界模型”。

这套机制的硬件，就是新皮质。它有几个关键特征：

支持这个观点的，是两块拼图。

第一块：皮层柱。 神经科学家 Vernon Mountcastle 在 20 世纪 50 年代记录猫的躯体感觉皮层时发现，垂直于皮层表面穿行的电极，会连续遇到对同一种刺激、同一片区域作出反应的神经元。他由此提出：新皮质可能是由大量垂直排列、功能相似的“柱” 组成的重复单元。这个发现暗示，整个新皮质可能用的是同一套“通用算法”，只是接入了不同的输入。

第二块：自上而下的连接。 解剖学发现，大脑皮层里“从上往下”传递的连接，数量往往不比“从下往上”的少，甚至更多。如果大脑只是被动接收，为什么需要这么多“向下”的线路？ 一个自然的解释是：上面的层在给下面“发预告”，告诉感官“我预期会看到什么”。

把这两块拼起来，就有了那个大胆的猜想：新皮质是一台由大量相似单元组成的、自上而下驱动的预测机器。

四、把这个观点翻译成人话

类比一：手机输入法。

你打字时，输入法会先根据前几个字预测你接下来要打什么，把候选词摆在你面前。你选了，它就更懂你；你不选，它就修正。它不是在等你打完才理解，而是边猜边等你确认。

按班尼特的理解，新皮质干的活和输入法非常像：它根据过去的经验，先预测接下来会看到、听到、感觉到什么；然后拿真实输入来对答案；对了就强化，错了就修正。

类比二：边听边猜的对话。

在嘈杂的餐厅里，朋友说话你其实听不全。但你能顺畅对话，因为你的大脑用上下文提前猜了他要说什么，再用手势、口型、语气去校正。你不是“听清了每一个字”，而是“猜对了整句话”。

类比三：受控的幻觉。

人在做梦时，大脑在没有任何外部输入的情况下，照样生成一整个栩栩如生的世界。清醒时和做梦时的区别，不在于“有没有生成画面”，而在于清醒时感官会不断来“打假”。所以有研究者把清醒感知称为“受控的幻觉”——同样的生成机制，只是被现实拴住了。

你不是先看到、再理解；你是先猜、再看、再修。 这就是新皮质的工作方式。

五、为什么会这样？

这套机制之所以成为主流方案，可以用一条链说清。

graph TD
    A[世界信息太多太快
感官输入永远不完整] --> B[被动等待完整信息 = 反应太慢]
    B --> C[生存要求快速判断
必须提前预测]
    C --> D[大脑生成一个预期版本
自上而下发到感官]
    D --> E[感官输入与预期比较]
    E --> F{是否一致}
    F -->|一致| G[预期被确认
模型强化, 省力]
    F -->|不一致| H[产生预测误差
修正内部模型]
    H --> D
    G --> I[用最少的感官信息
维持稳定高效的感知]

这里面有三层道理。

第一，世界太快，完整处理来不及。 等所有信息到齐再判断，往往会错过时机。预测让你用“部分信息 + 先验经验”抢先做出反应。

第二，预测是省算力的。 如果每个细节都从头计算，大脑根本算不过来。先猜一个大概，只对“猜错的部分”精修，能大幅节省能量。 这也是为什么熟悉的路开着开着就到了。

第三，预测错误才是学习的信号。 模型不是越准越好，而是“错的时候能改”。真正推动学习的，不是信息本身，而是“预期与现实之间的落差”。

六、举一个现实生活中的例子

例子一：微信打字与语音转文字。

你用拼音打字，输入法在你敲到第二个字母时就给出一串候选。它其实是在“生成”你可能的意图。这套预测做得越好，你打字的成本就越低。 这正是生成模型在日常生活里最直观的版本。

例子二：模糊字照样读通。

前文那句乱序汉字，如果你逐字死抠，反而读得慢；顺着整体意思读，一下就懂了。说明你的大脑优先运行“整体预测”，而不是“逐字识别”。

例子三：VR 与视错觉。

VR 之所以能让你“身临其境”，靠的是欺骗大脑的预测系统：画面、头部运动、声音需要高度同步，一旦不同步，人就会晕——因为大脑的预测和感官反馈对不上，产生了大量“预测误差”。 而各种视错觉，本质上是预测系统“猜过了头”，把不存在的形状、运动、明暗补了出来。

七、回到书中重新理解

现在再看班尼特的框架，13 篇的位置就清楚了。

12 篇讲的是：黑暗逼出了“内部模拟”的必要性。 13 篇讲的是：这套模拟的硬件——新皮质——究竟以什么方式工作。

班尼特把新皮质理解为一台生成模型，这解决了 11 篇留下的问题：世界模型是怎么装进脑子里的？ 答案是：不是把整个世界的细节都存下来，而是学会一套“生成世界”的规则，用少量信息生成大量内容。

需要特别说明的是，这个观点并非班尼特独创，他有明确的学术来源。

• 实证起点：Mountcastle 20 世纪 50 年代对皮层柱的发现，为“新皮质有统一微回路”提供了经典证据。
• 理论发展：Karl Friston 等人提出的预测编码与自由能原理，把“大脑通过最小化预测误差来工作”推广成一套统一理论；Jeff Hawkins 也提出过类似的皮层预测理论。
• 重要区分：这三者不是同一件事。班尼特讲的是进化史叙事，Hawkins 讲的是皮层算法假说，Friston 的自由能原理是一套数学框架。把它们混为一谈，是常见的误读。

八、这个观点背后还有什么？

第一，它把“感知”和“想象”变成了同一种能力。 如果感知就是“被现实校正的生成”，那想象就是“暂时不校正的生成”。看和想，本质上是同一台机器的两种模式。

第二，它解释了为什么大脑如此在意“意外”。 熟悉的东西大脑几乎不费力气，陌生的东西立刻拉响警报——因为它打破了预测。好奇心和注意力，本质上都是预测误差在驱动。

第三，它暗示了一个更深的立场：我们永远无法直接接触“客观现实”。 我们接触的，始终是大脑生成的版本，只是这个版本经过了感官的反复检验。这是一个偏贝叶斯、偏建构主义的认知观，也把“意识从何而来”留成了一道没解的题。

九、这个观点有问题吗？

十、今天再看这个观点

以下是基于作者思想的现代延伸。

延伸一：生成式 AI 与“生成的大脑”互相印证。 今天的图像、视频、文本生成模型，本质上都在做一件事：学习一个数据分布的生成规则，然后用它“猜”出合理的新样本。 这与“新皮质是生成模型”的猜想在形式上高度相似。但要注意机制不同：AI 靠反向传播，大脑并不被认为有严格的反向传播。

延伸二：视频预测与世界模型。 一些模型通过预测“下一帧会发生什么”来学习环境的内部表征，被认为摸到了“世界模型”的门槛。但能预测像素，不等于理解因果。

十一、这一篇真正应该记住什么？

1. 新皮质更像一台生成模型，而不是被动接收器。 它先预测，再用感官输入修正。

2. 感知可能是一种“受控的幻觉”。 你看到的是大脑生成的最佳猜测，而不是世界的原样。

3. 这个猜想有真实的学术来源。 Mountcastle 的皮层柱、Friston 的预测编码、Hawkins 的皮层理论，但它们是不同性质的工作，不能混为一谈。

4. 它解释力强，但远非定论。 预测编码仍在争论，皮层柱是否普遍、是否有统一算法，都是开放问题。

5. “看”和“想”可能是同一台机器的两种模式。 这正是理解第三次突破的关键：模拟不是额外功能，而是感知机制的另一面。

十二、留一个问题

下一篇：既然大脑是一台会“生成世界”的机器，那它凭什么比真实世界的试错更划算？答案很朴素：因为在脑子里试错，不用付出生命代价。而老鼠脑中的“位置细胞”和睡眠中的“重放”，第一次让科学家看到了“心理预演”的生理证据。

下一篇我们来看：为什么在脑子里先跑一遍，能让学习变得如此廉价？

本系列基于 Max Bennett《A Brief History of Intelligence》整理，文中“班尼特认为/书中认为”均指作者观点；带“延伸”字样的段落为基于其思想的现代推演，不代表原作者。