I propose the hypothesis that much

I propose the hypothesis that much of our appreciation of causal relations is preverbal and
multimodal, shared with infants and nonhuman animals that lack language. Even at 2½ months, human
babies act surprised when colliding objects do not behave in normal ways, which suggests that they
already possess some elementary understanding of causality. The linguistic and mathematical
limitations of infants require us to look elsewhere for ideas about how they represent causality, which
I conjecture is mainly based on sensory-motor patterns. Babies have patterns of neural activation for
sensory experiences such as seeing a toy or hearing a bell, and they also have neural patterns
corresponding to sequences of motor behaviors such as reaching out and grabbing the toy. It would be
fascinating to work out an account of how neural populations can combine sensory and motor
patterns. For example, when a baby sees a rattle, grabs it, moves it, and then sees the toy in a different
place while hearing it make a sound, there is a repeated pattern of experience that is sensory-motorsensory.
Within a few months of birth, babies have an extensive history of such sensory-motor interactions
that provide them with a good idea of what it is to manipulate the world, not just observing it but
constantly intervening to make things happen in it. Much later, when, as children, they have acquired
language, they can use the word “cause,” but its meaning still depends on the earlier preverbal
experience of perceiving a situation, acting, and perceiving the results of the action. Much later still,
people can acquire a richer understanding of causality by education in statistical inference, but that
still depends on an intuitive notion of causality as intervention that began with sensory-motor
experience
Even very sophisticated ideas about causality, such as Bayesian networks, require an intuitive
notion of causality to provide a scaffolding for how variables are related to each other. Brains meld
this preverbal sensory-motor notion with later linguistic representations to provide a highly useful,
neurally encoded concept of causality that supplies the basis for the explanatory relation that holds
between hypotheses and evidence. Thus we are beginning to glimpse the neural mechanisms that
allow brains to represent hypotheses and concepts, including explanation and causality, using patterns
of neural activity that constitute both verbal and multimodal representations. I suspect that human
understanding of time, like that of space and causality, is often difficult to put into words because its
neural encoding is partly dependent on physiological rather than verbal representations.
But we still need an account of how brains integrate many competing claims about explanations to
make an inference to the best explanation, which requires figuring out the most coherent way of
accepting some hypotheses and rejecting others. Hypotheses and evidence are related to each other by
both positive constraints that concern how they fit together, and negative constraints between
representations that resist fitting together. The most important kind of positive constraint is that when
a hypothesis explains a piece of evidence, they cohere with each other. For example, the hypothesis
that Simpson killed Nicole fits with the evidence that Nicole is dead because the killing causally
explains the death. The most important kind of negative constraint is between hypotheses that
contradict each other or that compete more loosely to explain some piece of evidence. For example,
the hypothesis that Simpson killed Nicole competes with the defense's hypothesis that she was killed
by drug dealers.
To see how this might work in the brain, begin with a highly simplified view of elements such as
hypotheses and evidence as represented by single neuronlike units rather than by patterns of activation
in neural populations. We can then build an artificial neural network that represents constraints among
elements by links between the units that stand for them. Figure 4.2 shows a simple network that has
units representing competing hypotheses in the Simpson case. Positive constraints based on what
explains what are captured by excitatory links between units, roughly analogous to the synaptic
connections that enable one neuron to excite another. Note that figure 4.2 allows levels of explanatory
hypotheses, with the hypothesis that Simpson was angry at his ex-wife explaining why he killed her,
which explains why she is dead. Negative constraints are captured by inhibitory links between units.
Another positive constraint that affects the network is that we should tend to accept what we have
observed with our senses, in this case that Nicole is dead.
In order to figure out the best explanation of the evidence, we need to figure out how to maximize
satisfaction of positive and negative constraints, where we satisfy a positive constraint between
elements by accepting both of them, and a negative constraint by rejecting one and accepting the other.
Fortunately, there are various computational algorithms available for maximizing constraint
satisfaction. The most psychologically natural one uses a number called activation to represent the
high or low acceptability of a unit, where activation is roughly analogous to the firing rate of a
neuron. Then we can use simple algorithms to spread activation in parallel among the units in a
network until some are accepted and others are rejected. For example, when activation is spread
among all the units in the network in figure 4.2, the result is that the unit for the hypothesis that
Simpson is a murderer gets activated, and the competing unit about drug dealers gets deactivated. In
this way, a highly simplified neural network can make a complex coherence judgment using parallel
constraint satisfaction. This method of maximizing explanatory coherence has been used to model a
great many examples from law and science, including the theory revisions that occurred in the major
scientific revolutions wrought by Copernicus and Einstein
From a brain science perspective, the method just described is unsatisfactory because it is obvious
that complex hypotheses such as crime explanations and scientific claims are not represented in the
brain by single neurons. Another problem is that constraints in figure 4.2 are symmetric, allowing two
elements to mutually constrain each other, so that excitatory and inhibitory links between units are
also symmetric. But in real neural networks it never happens that two neurons both excite or inhibit
each other. Fortunately, it is possible to model the calculation of explanatory coherence in a much
more neurologically realistic way.
First, we represent each element by a population of neurons rather than by a single unit. Second,
we represent a link by a whole complex of links between neurons in multiple populations. At this
level, there is no problem in having symmetrical connections because some of the neurons in one
population excite neurons in the other, while others in the second population excite other neurons in
the first one. The resulting neural networks with thousands of artificial neurons are much larger than
the few dozen units that suffice for modeling the Simpson trial and other legal and scientific cases.
But your brain has approximately one hundred billion neurons to work with, so this scale does not
seem to be a problem. Our computer simulations show that more biologically realistic neural
networks can accomplish the same kind of parallel constraint satisfaction as can the simpler ones that
use one unit for each element.
Thus we are beginning to understand how inference to the best explanation might occur in the brain.
As we saw with perception, inference is the result of the dynamic parallel interaction of neural
patterns, not of serial linguistic steps. Attention to brain mechanisms shows how inference can
nonmysteriously be holistic and multimodal. Later chapters will show how similar neural
mechanisms tie inference with emotions and actions.

ผลลัพธ์ (ไทย) 1:

ผมเสนอสมมติฐานของเราเพิ่มค่าความสัมพันธ์เชิงสาเหตุ preverbal และทุก ร่วมกับทารกและสัตว์ nonhuman ที่ขาดภาษา แม้ในเดือน 2½ มนุษย์ทารกทำประหลาดใจเมื่อวัตถุชนไม่ทำงานในรูปแบบปกติ การที่พวกเขาแล้วมีบาง causality เข้าใจระดับประถมศึกษา ภาษาศาสตร์ และคณิตศาสตร์ข้อจำกัดของทารกต้องเราแสวงหาความคิดเกี่ยวกับวิธีที่พวกเขาแสดง causality ซึ่งผมคาดคะเนส่วนใหญ่ขึ้นอยู่กับรูปแบบเครื่องยนต์ที่รับความรู้สึก เด็กมีรูปแบบของการเปิดใช้งานประสาทสำหรับประสบการณ์ทางประสาทสัมผัสเช่นเห็นเครื่องเล่น หรือได้ยินเป็นเบลล์ และพวกเขายังมีรูปแบบประสาทที่สอดคล้องกับลำดับของพฤติกรรมมอเตอร์เช่นการเข้าถึง และเล่นแบบโลภ มันจะสถานการทำงานจากบัญชีของประชากรวิธีประสาทสามารถรวมทางประสาทสัมผัส และการเคลื่อนที่รูปแบบการ ตัวอย่าง เมื่อเด็กเห็นตัวสั่น grabs มัน ย้ายมัน แล้ว เห็นเล่นในที่ต่าง ๆทำขณะฟังทำให้มีเสียง รูปแบบการซ้ำของประสบการณ์ทางประสาทสัมผัสของ motorsensory ที่ภายในกี่เดือนเกิด ทารกมีการโต้ตอบการรับความรู้สึกของมอเตอร์ดังกล่าวประวัติอย่างละเอียดที่มีความคิดที่ดีของมันคืออะไรที่ควบคุมโลก ไม่เพียงสังเกต แต่ตลอดเวลาอยู่ระหว่างกลางเพื่อให้สิ่งที่เกิดขึ้นใน มากต่อมา เมื่อ เป็นเด็ก พวกเขาได้รับภาษา พวกเขาสามารถใช้คำว่า "สาเหตุ" แต่ความหมายยังคงขึ้นอยู่กับ preverbal ก่อนหน้านี้ประสบการณ์สถานการณ์ perceiving ทำหน้าที่ และ perceiving ผลลัพธ์ของการดำเนินการ ยังคงมากในภายหลังคนสามารถได้รับ causality โดยศึกษาข้อสถิติ แต่เข้าใจยิ่งขึ้นยัง ขึ้นอยู่กับแนวคิดการใช้งานง่ายของ causality เป็นการแทรกแซงที่เริ่ม ด้วยการรับความรู้สึกของมอเตอร์ประสบการณ์ซับซ้อนมากแม้ความคิดเกี่ยวกับ causality เช่นทฤษฎีเครือข่าย ต้องการใช้งานง่ายแนวคิดของ causality ให้นั่งร้านสำหรับวิธีตัวแปรที่สัมพันธ์กัน สมอง meldpreverbal มอเตอร์รับความรู้สึกความคิดนี้ มีต่อภาษาศาสตร์แทนเพื่อให้เป็นประโยชน์อย่างมากแนวคิดของ causality ที่ให้พื้นฐานสำหรับอธิบายความสัมพันธ์ที่มี การเข้ารหัส neurallyสมมุติฐานและหลักฐาน ดังนั้น เราจะเริ่มลอบกลไกประสาทที่ให้สมองถึงสมมุติฐานและแนวคิด การอธิบายและ causality โดยใช้รูปแบบกิจกรรมประสาทที่ประกอบเป็นการนำเสนอด้วยวาจา และทุก ฉันสงสัยว่าบุคคลนั้นเข้าใจเวลา เช่นที่ causality และเป็นยากใส่ลงไปในคำเนื่องจากความเข้าประสาทบางส่วนขึ้นอยู่กับสรีรวิทยา แทนวาจาแทนแต่เรายังคงต้องเป็นบัญชีของวิธีสมองรวมเรียกร้องแข่งขันมากเกี่ยวกับคำอธิบายข้อการให้คำอธิบายดีที่สุด ซึ่งต้องหาวิธีสุด coherent ของยอมรับสมมุติฐานบาง และปฏิเสธผู้อื่น สมมุติฐานและหลักฐานที่เกี่ยวข้องกันตามทั้งข้อจำกัดในเชิงบวกที่เกี่ยวข้องว่าจะพอดีกัน และลบข้อจำกัดระหว่างการนำเสนอที่เหมาะสมร่วมกันต่อต้าน ชนิดบวกข้อจำกัดสำคัญคือเมื่อสมมติฐานการอธิบายหลักฐานชิ้น พวกเขา cohere กัน ตัวอย่าง สมมติฐานว่า ซิมป์สันตายพอดีกับนิโคล มีหลักฐานว่า นิโคลจะตายเพราะฆ่า causallyอธิบายการเสียชีวิต ชนิดลบข้อจำกัดสำคัญที่สุดคือระหว่างสมมุติฐานที่ขัดแย้งกัน หรือเพิ่มเติมสถานที่แข่งขันอธิบายหลักฐานบางชิ้น ตัวอย่างสมมติฐานที่ว่า ซิมป์สันฆ่านิโคลแข่งขันกับสมมติฐานของการป้องกันว่า เธอถูกฆ่าโดยที่ค้ายาเสพติดเมื่อต้องการดูวิธีนี้อาจทำงานในสมอง เริ่มง่ายมาก ด้วยองค์ประกอบเช่นสมมุติฐานและหลักฐานตามที่แสดง โดยหน่วยเดียว neuronlike แทน โดยรูปแบบของการเปิดใช้งานในประชากรประสาท แล้วเราสามารถสร้างเป็นโครงข่ายประสาทเทียมที่แสดงถึงข้อจำกัดในองค์ประกอบ โดยการเชื่อมโยงระหว่างหน่วยที่ยืนสำหรับพวกเขา รูปที่ 4.2 แสดงเครือข่ายอย่างง่ายที่มีหน่วยสมมุติฐานแข่งขันแทนในกรณีซิมป์สัน เพิ่มข้อจำกัดขึ้นอยู่กับอะไรอธิบายอะไรถูกจับ โดยการเชื่อมโยงระหว่างหน่วย หยาบ ๆ คล้ายคลึงกับที่ synaptic excitatoryการเชื่อมต่อที่ช่วยให้เซลล์ประสาทหนึ่งเพื่อกระตุ้นอีก หมายเหตุรูปที่ 4.2 ทำให้ระดับของการอธิบายสมมุติฐาน ด้วยสมมติฐานที่ว่า โกรธที่อดีตภรรยาอธิบายว่า ทำไมเขาฆ่าเธอ ซิมป์สันซึ่งอธิบายว่า ทำไมเธอจะตาย ลบข้อจำกัดถูกจับ ด้วยลิปกลอสไขการเชื่อมโยงระหว่างหน่วยข้อจำกัดบวกอื่นที่มีผลต่อเครือข่ายถูกว่า เราควรมีแนวโน้มที่จะยอมรับสิ่งที่เรามีสังเกต ด้วยความรู้สึกของเรา ในกรณีนี้นิโคลที่เสียเข้าใจคำอธิบายที่ดีที่สุดหลักฐาน เราต้องการทราบวิธีการเพิ่มบวก และลบข้อจำกัด ที่เราตอบสนองข้อจำกัดค่าบวกระหว่างความพึงพอใจองค์ประกอบ โดยการยอมรับทั้งสองของพวกเขา และข้อจำกัดในการลบ โดยปฏิเสธหนึ่ง และยอมรับกันโชคดี มีอัลกอริทึมคำนวณต่าง ๆ สำหรับเพิ่มข้อจำกัดพึงพอใจ หนึ่งสุด psychologically ธรรมชาติใช้เรียกเปิดใช้งานถึงสูง หรือต่ำ acceptability ของหน่วย ที่เปิดใช้งานเป็นคู่ประมาณการอัตราการยิงเซลล์ประสาท จาก นั้นเราสามารถใช้อัลกอริทึมอย่างแพร่กระจายเปิดใช้งานพร้อมกันระหว่างหน่วยในการเครือข่ายจนบางคนรับและคนอื่นจะถูกปฏิเสธ ตัวอย่าง เมื่อเรียกใช้จะแพร่กระจายระหว่างทุกหน่วยในเครือข่ายในรูปที่ 4.2 ผลคือหน่วยสำหรับทฤษฏีที่ซิมป์สันเป็นฆาตกรได้เปิดการใช้งาน และได้รับการปิดใช้งานหน่วยการแข่งขันเกี่ยวกับการค้ายาเสพติด ในด้วยวิธีนี้ เครือข่ายประสาทง่ายมากสามารถทำให้พิพากษาโปรเจคที่ซับซ้อนที่ใช้ควบคู่กันความพึงพอใจข้อจำกัด มีการใช้วิธีเพิ่มศักยภาพอธิบายแบบจำลองการอย่างดีมากจากกฎหมายและวิทยาศาสตร์ รวมทั้งการปรับปรุงทฤษฎีที่เกิดขึ้นในการปฏิวัติทางวิทยาศาสตร์ wrought โดยโคเปอร์นิคัสและไอน์สไตน์จากมุมมองวิทยาศาสตร์สมอง วิธีการอธิบายไว้เพียงเป็นใช้ได้ชัดเจนสมมุติฐานที่ซับซ้อนเช่นคำอธิบายอาชญากรรมและร้องเรียนทางวิทยาศาสตร์ที่ไม่แสดงในแบบสมอง โดย neurons ที่เดียว อีกปัญหาคือข้อจำกัดในรูป 4.2 สมมาตร ให้สององค์ประกอบร่วมกันบังคับกัน เพื่อให้เชื่อมโยง excitatory และลิปกลอสไขระหว่างหน่วยนอกจากนี้สมมาตร แต่ในเครือข่ายประสาทจริง มันไม่เคยเกิดขึ้นว่า neurons สองทั้งกระตุ้น หรือยับยั้งกันและกัน โชคดี เป็นแบบการคำนวณศักยภาพอธิบายในมากมายลักษณะเหมือนจริงมากขึ้น neurologicallyครั้งแรก เราเป็นตัวแทนแต่ละองค์ประกอบ โดยประชากรของ neurons แทน โดยหน่วยเดียว วินาทีเราเป็นตัวแทนเชื่อมโยง โดยที่ซับซ้อนทั้งหมดของการเชื่อมโยงระหว่าง neurons ในประชากรหลาย ๆ ที่นี้ระดับ มีปัญหาไม่ มีการเชื่อมต่อแบบสมมาตรเนื่องจากบางส่วนของ neurons หนึ่งประชากรกระตุ้น neurons ในอื่น ๆ ในขณะที่คนอื่น ๆ ในประชากรที่สองกระตุ้น neurons อื่น ๆ ในคนแรก เครือข่ายประสาทผลพัน neurons ที่ประดิษฐ์เป็นขนาดใหญ่กว่าไม่กี่โหลหน่วยที่พอเพียงสำหรับสร้างโมเดลทดลองซิมป์สันและกรณีอื่นกฎหมาย และวิทยาศาสตร์แต่สมองของคุณมีประมาณหนึ่งร้อยล้าน neurons สามารถทำงานกับ สเกลนี้ไม่ดูเหมือนจะ มีปัญหา จำลองเครื่องคอมพิวเตอร์ของเราแสดงว่าสมจริงมากชิ้นประสาทเครือข่ายสามารถบรรลุความพึงพอใจข้อจำกัดแบบขนานชนิดเดียวกันสามารถง่ายกว่าที่ใช้หนึ่งหน่วยสำหรับแต่ละองค์ประกอบดังนั้น เราจะเริ่มเข้าใจว่าข้อให้คำอธิบายที่ดีที่สุดอาจเกิดขึ้นในสมองเราเห็น ด้วยรับรู้ ข้อเป็นผลลัพธ์ของการโต้ตอบแบบไดนามิกของประสาทรูปแบบ ไม่ของภาษาศาสตร์ตอนประจำ แสดงความสนใจในกลไกสมองข้อสามารถnonmysteriously เป็นแบบองค์รวม และทุก บทต่อไปจะแสดงว่าเหมือนประสาทกลไกผูกข้อ ด้วยอารมณ์และการกระทำ

ผลลัพธ์ (ไทย) 2:

ผมเสนอสมมติฐานว่ามากของความชื่นชมของเราของความสัมพันธ์เชิงสาเหตุคือถือกำเนิดและต่อเนื่องร่วมกับเด็กทารกและสัตว์ที่ไม่ใช่มนุษย์ที่ขาดภาษา
แม้ที่2½เดือนมนุษย์ทารกทำหน้าที่ประหลาดใจเมื่อวัตถุที่ชนไม่ได้ทำงานในลักษณะปกติซึ่งแสดงให้เห็นว่าพวกเขามีอยู่แล้วบางส่วนเข้าใจเบื้องต้นของเวรกรรม ภาษาและคณิตศาสตร์ข้อ จำกัด ของทารกที่เราต้องดูที่อื่น ๆ สำหรับความคิดเกี่ยวกับวิธีที่พวกเขาเป็นตัวแทนของอำนาจซึ่งผมคาดเดาเป็นไปตามหลักรูปแบบประสาทสัมผัสมอเตอร์ ทารกมีรูปแบบของการกระตุ้นประสาทสำหรับประสบการณ์ทางประสาทสัมผัสเช่นเห็นหรือได้ยินของเล่นระฆังและพวกเขายังมีรูปแบบของระบบประสาทที่สอดคล้องกับลำดับของพฤติกรรมมอเตอร์เช่นเอื้อมมือออกและคว้าของเล่น มันจะเป็นที่น่าสนใจที่จะทำงานออกบัญชีของวิธีการที่ประชากรประสาทสามารถรวมประสาทสัมผัสและมอเตอร์รูปแบบ ตัวอย่างเช่นเมื่อเด็กเห็นสั่นคว้ามันย้ายแล้วเห็นของเล่นที่แตกต่างกันขณะที่ได้ยินมันทำให้เสียงมีรูปแบบซ้ำแล้วซ้ำอีกของประสบการณ์ที่มีประสาทสัมผัส motorsensory. ภายในเวลาไม่กี่เดือน คลอดทารกที่มีประวัติที่กว้างขวางของการมีปฏิสัมพันธ์ทางประสาทสัมผัสมอเตอร์ดังกล่าวที่ให้พวกเขามีความคิดที่ดีของสิ่งที่มันคือการจัดการโลกที่ไม่ได้เป็นเพียงการสังเกตแต่อย่างต่อเนื่องแทรกแซงเพื่อให้สิ่งที่เกิดขึ้นในนั้น ภายหลังเมื่อเป็นเด็กที่พวกเขาได้รับภาษาที่พวกเขาสามารถใช้คำว่า "สาเหตุ" แต่ความหมายของมันยังคงขึ้นอยู่กับก่อนหน้านี้ถือกำเนิดประสบการณ์ในการรับรู้สถานการณ์ทำหน้าที่และเห็นผลของการกระทำ ภายหลังยังคงคนสามารถได้รับความเข้าใจที่ดียิ่งขึ้นของเวรกรรมโดยการศึกษาในการอนุมานทางสถิติแต่ที่ยังคงขึ้นอยู่กับความคิดที่ใช้งานง่ายของอำนาจการแทรกแซงที่เริ่มต้นด้วยประสาทสัมผัสมอเตอร์ประสบการณ์แม้ความคิดที่มีความซับซ้อนมากเกี่ยวกับเวรกรรมเช่นเครือข่ายแบบเบย์ต้องที่ใช้งานง่ายความคิดของเวรกรรมที่จะให้นั่งร้านสำหรับวิธีตัวแปรที่เกี่ยวข้องกับแต่ละอื่น ๆ สมอง meld นี้ความคิดทางประสาทสัมผัสมอเตอร์ถือกำเนิดกับการแสดงภาษาในภายหลังเพื่อให้เป็นประโยชน์อย่างมาก, แนวคิดการเข้ารหัส neurally ของเวรกรรมที่ให้พื้นฐานสำหรับการอธิบายความสัมพันธ์ที่มีระหว่างสมมติฐานและหลักฐาน ดังนั้นเราจึงเป็นจุดเริ่มต้นที่จะเหลือบกลไกของระบบประสาทที่ช่วยให้สมองที่จะเป็นตัวแทนสมมติฐานและแนวคิดรวมทั้งคำอธิบายและเวรกรรมโดยใช้รูปแบบของกิจกรรมประสาทที่เป็นตัวแทนทั้งทางวาจาและต่อเนื่อง ฉันสงสัยว่ามนุษย์เข้าใจในเวลาเช่นนั้นของพื้นที่และเวรกรรมเป็นเรื่องยากที่จะใส่ลงไปในคำพูดเพราะเข้ารหัสประสาทเป็นส่วนหนึ่งขึ้นอยู่กับทางสรีรวิทยามากกว่าการแสดงวาจา. แต่เรายังจำเป็นต้องมีบัญชีของวิธีการที่สมองบูรณาการการเรียกร้องการแข่งขันมากมายเกี่ยวกับ คำอธิบายที่จะให้ข้อสรุปที่จะอธิบายที่ดีที่สุดที่ต้องการหาวิธีที่สอดคล้องกันมากที่สุดของการยอมรับสมมติฐานบางอย่างและปฏิเสธคนอื่นๆ สมมติฐานและหลักฐานที่เกี่ยวข้องกับแต่ละอื่น ๆ โดยทั้งข้อจำกัด ในแง่บวกว่ากังวลว่าพวกเขาพอดีกันและข้อ จำกัด เชิงลบระหว่างการแสดงที่เหมาะสมร่วมกันต่อต้าน ชนิดที่สำคัญที่สุดของข้อ จำกัด ในเชิงบวกคือว่าเมื่อสมมติฐานอธิบายชิ้นส่วนของหลักฐานที่พวกเขาเชื่อมโยงกันกับแต่ละอื่นๆ ยกตัวอย่างเช่นสมมติฐานที่ว่าซิมป์สันฆ่าเหมาะกับนิโคลมีหลักฐานที่นิโคลจะตายเพราะฆ่าเหตุผลอธิบายความตาย ชนิดที่สำคัญที่สุดของข้อ จำกัด เชิงลบอยู่ระหว่างสมมติฐานที่ขัดแย้งกันหรือที่แข่งขันมากขึ้นอย่างอิสระที่จะอธิบายชิ้นส่วนของหลักฐานบางอย่าง ยกตัวอย่างเช่นสมมติฐานที่ว่าซิมป์สันฆ่านิโคลแข่งขันกับสมมติฐานของฝ่ายจำเลยที่ว่าเธอถูกฆ่าตายโดยการค้ายาเสพติด. เพื่อดูวิธีการนี้อาจจะทำงานในสมองเริ่มมีมุมมองที่ง่ายขึ้นอย่างมากขององค์ประกอบต่างๆเช่นสมมติฐานและหลักฐานที่เป็นตัวแทนจาก neuronlike เดียว หน่วยมากกว่าโดยรูปแบบการเปิดใช้งานในประชากรประสาท จากนั้นเราจะสามารถสร้างเครือข่ายประสาทเทียมที่แสดงถึงข้อ จำกัด ในหมู่องค์ประกอบโดยการเชื่อมโยงระหว่างหน่วยงานที่โดดเด่นสำหรับพวกเขา รูปที่ 4.2 แสดงให้เห็นถึงเครือข่ายที่เรียบง่ายที่มีหน่วยเป็นตัวแทนของสมมติฐานการแข่งขันในกรณีที่ซิมป์สัน ข้อ จำกัด ในเชิงบวกตามสิ่งที่อธิบายถึงสิ่งที่ถูกจับกุมโดยการเชื่อมโยงระหว่างหน่วยexcitatory ประมาณคล้ายคลึงกับ synaptic การเชื่อมต่อที่ช่วยให้หนึ่งที่จะกระตุ้นเซลล์ประสาทอื่น หมายเหตุตัวเลข 4.2 ที่ช่วยให้ระดับของการอธิบายสมมติฐานด้วยสมมติฐานที่ว่าซิมป์สันก็โกรธที่อดีตภรรยาของเขาอธิบายว่าทำไมเขาฆ่าเธอซึ่งจะอธิบายว่าทำไมเธอจะตาย ข้อ จำกัด ลบจะถูกจับโดยการเชื่อมโยงการยับยั้งระหว่างหน่วย. อีกข้อ จำกัด ในเชิงบวกที่มีผลต่อเครือข่ายที่เราควรจะมีแนวโน้มที่จะยอมรับสิ่งที่เราได้ตั้งข้อสังเกตกับความรู้สึกของเราในกรณีนี้ว่านิโคลจะตาย. เพื่อที่จะคิดออกคำอธิบายที่ดีที่สุดของ หลักฐานที่เราต้องคิดออกวิธีการเพิ่มความพึงพอใจของข้อจำกัด ในเชิงบวกและเชิงลบที่เราตอบสนองข้อ จำกัด เชิงบวกระหว่างองค์ประกอบโดยการยอมรับทั้งของพวกเขาและข้อจำกัด เชิงลบโดยปฏิเสธหนึ่งและยอมรับอื่น ๆ . โชคดีที่มีขั้นตอนวิธีการคำนวณต่างๆ สามารถใช้ได้สำหรับการเพิ่มข้อ จำกัดความพึงพอใจ หนึ่งที่เป็นธรรมชาติมากที่สุดจิตใจใช้หมายเลขที่เรียกว่าการเปิดใช้งานเพื่อเป็นตัวแทนของการยอมรับสูงหรือต่ำของหน่วยที่เปิดใช้งานประมาณคล้ายคลึงกับอัตราการยิงของเซลล์ประสาท แล้วเราสามารถใช้ขั้นตอนวิธีการง่ายๆที่จะแพร่กระจายยืนยันการใช้งานในแบบคู่ขนานระหว่างหน่วยงานในเครือข่ายบางอย่างจนได้รับการยอมรับและคนอื่น ๆ จะถูกปฏิเสธ ตัวอย่างเช่นเมื่อเปิดใช้งานจะถูกกระจายไปในหมู่ทุกหน่วยงานในเครือข่ายในรูปที่ 4.2 ผลที่ได้คือว่าหน่วยสมมติฐานที่ว่าซิมป์สันเป็นฆาตกรได้รับการเปิดใช้งานและหน่วยการแข่งขันเกี่ยวกับการค้ายาเสพติดได้รับการปิดการใช้งาน ในวิธีนี้เครือข่ายประสาทง่ายสูงสามารถทำให้การตัดสินใจที่ซับซ้อนโดยใช้การเชื่อมโยงกันขนานความพึงพอใจข้อจำกัด วิธีการของการเพิ่มการเชื่อมโยงกันอธิบายนี้ได้รับการใช้ในการจำลองหลายตัวอย่างที่ดีจากกฎหมายและวิทยาศาสตร์รวมทั้งการแก้ไขทฤษฎีที่ว่าเกิดขึ้นในช่วงที่สำคัญการปฏิวัติทางวิทยาศาสตร์ที่กระทำโดยโคเปอร์นิคัและไอน์สไตจากมุมมองของวิทยาศาสตร์สมองเพียงอธิบายวิธีการที่เป็นที่น่าพอใจเพราะมันเป็นที่ชัดเจนว่าสมมติฐานที่ซับซ้อนเช่นคำอธิบายการเกิดอาชญากรรมและการเรียกร้องทางวิทยาศาสตร์ที่จะไม่แสดงในสมองโดยเซลล์เดียว ปัญหาก็คือว่าข้อ จำกัด ในรูป 4.2 สมมาตรช่วยให้ทั้งสององค์ประกอบที่จะร่วมกันจำกัด ซึ่งกันและกันเพื่อให้ excitatory และการเชื่อมโยงระหว่างหน่วยยับยั้งเป็นยังสมมาตร แต่ในเครือข่ายประสาทจริงมันไม่เคยเกิดขึ้นที่สองเซลล์ประสาททั้งกระตุ้นหรือยับยั้งกันและกัน โชคดีที่มันเป็นไปได้ในการจำลองการคำนวณของการเชื่อมโยงกันในการอธิบายมากวิธีที่สมจริงมากขึ้นระบบประสาท. ครั้งแรกที่เราเป็นตัวแทนของแต่ละองค์ประกอบโดยประชากรของเซลล์ประสาทมากกว่าโดยหน่วยเดียว ประการที่สองเราเป็นตัวแทนของการเชื่อมโยงโดยมีความซับซ้อนทั้งการเชื่อมโยงระหว่างเซลล์ประสาทในประชากรหลาย ห้องพักในระดับที่มีปัญหาในการมีการเชื่อมต่อสมมาตรเพราะบางส่วนของเซลล์ประสาทในประชากรกระตุ้นเซลล์ประสาทอื่นๆ ในขณะที่คนอื่นในกลุ่มประชากรที่สองกระตุ้นเซลล์ประสาทอื่น ๆ ในครั้งแรกหนึ่ง ส่งผลให้เครือข่ายประสาทที่มีมากมายของเซลล์ประสาทเทียมมีขนาดใหญ่กว่าหน่วยโหลไม่กี่คนที่พอเพียงสำหรับการสร้างแบบจำลองการทดลองใช้ซิมป์สันและกรณีทางกฎหมายและทางวิทยาศาสตร์อื่น ๆ . แต่สมองของคุณมีประมาณ 100,000,000,000 เซลล์ประสาทจะทำงานร่วมกับเพื่อให้ขนาดนี้ไม่ได้ดูเหมือนจะมีปัญหา แบบจำลองคอมพิวเตอร์ของเราแสดงให้เห็นว่าระบบประสาทจริงมากขึ้นทางชีวภาพเครือข่ายสามารถบรรลุชนิดเดียวกันของความพึงพอใจข้อ จำกัด ขนานสามารถเป็นคนที่เรียบง่ายที่ใช้หน่วยหนึ่งสำหรับแต่ละองค์ประกอบ. ดังนั้นเราจึงเป็นจุดเริ่มต้นที่จะเข้าใจวิธีการอนุมานคำอธิบายที่ดีที่สุดอาจจะเกิดขึ้นในสมองขณะที่เราเห็นกับการรับรู้, การอนุมานเป็นผลมาจากการทำงานร่วมขนานแบบไดนามิกของระบบประสาทรูปแบบของขั้นตอนที่ไม่ได้ภาษาอนุกรม ให้ความสำคัญกับกลไกสมองแสดงให้เห็นว่าสามารถอนุมานnonmysteriously เป็นแบบองค์รวมและต่อเนื่อง บทต่อมาจะแสดงให้เห็นว่าระบบประสาทที่คล้ายกันกลไกการอนุมานผูกกับอารมณ์และการกระทำ

ผลลัพธ์ (ไทย) 3:

ผมขอเสนอข้อสันนิษฐานมากเรารู้คุณค่าและความสัมพันธ์เป็น preverbal
แบบร่วมกันกับทารกและสัตว์ที่ไม่ใช่มนุษย์ไม่มีภาษา ที่ 2 ½เดือนมนุษย์
ทารกทำท่าประหลาดใจเมื่อชนวัตถุ ไม่ประพฤติในทางปกติ ซึ่งแสดงให้เห็นว่าพวกเขามีบางประถม
ความเข้าใจดังกล่าวต่อไป ภาษาและคณิตศาสตร์
ข้อจำกัดของทารกที่เราต้องดูที่อื่นสำหรับความคิดเกี่ยวกับวิธีการที่พวกเขาแสดงความเป็นเหตุเป็นผลที่
ผมคาดเดาเป็นหลักตามรูปแบบและมอเตอร์ ทารกมีรูปแบบของการกระตุ้นให้ประสาท
ประสบการณ์ทางประสาทสัมผัสเช่นเห็นของเล่น หรือได้ยินเสียงกระดิ่ง และพวกเขายังมีรูปแบบประสาท
สอดคล้องกับลำดับของพฤติกรรม เช่น มอเตอร์ ยื่นมือออกไปและคว้าของเล่นมันจะน่าสนใจที่จะทำงานออก
บัญชีวิธีประชากรประสาทสามารถรวมประสาทสัมผัสและมอเตอร์
ลวดลาย ตัวอย่างเช่น เมื่อลูกเห็นบ่น คว้ามันย้ายแล้วเห็นของเล่นในสถานที่แตกต่างกัน
ตอนที่ได้ยินเสียงดัง มีซ้ำรูปแบบของประสบการณ์ที่เป็นประสาทสัมผัส motorsensory .
ภายในไม่กี่เดือนของการเกิดทารกมีประวัติอย่างละเอียด เช่น การปฏิสัมพันธ์
ที่มอเตอร์ให้พวกเขามีความคิดที่ดีของสิ่งที่จะจัดการกับโลก ไม่ใช่แค่สังเกตมัน แต่แทรกแซง
อย่างต่อเนื่องเพื่อให้สิ่งที่เกิดขึ้นในนั้น มากเมื่อตอนเป็นเด็ก พวกเขาได้รับ
ภาษาที่พวกเขาสามารถใช้คำว่า " เหตุผล " แต่ความหมายของมันก็ขึ้นอยู่กับก่อนหน้านี้ preverbal
ประสบการณ์ของการรับรู้สถานการณ์ การแสดง และรับรู้ผลของการกระทำ มากในภายหลังก็ยังสามารถได้รับความเข้าใจ
คนร่ำรวยของความเป็นเหตุเป็นผล โดยการศึกษาในการอนุมานทางสถิติ แต่ความคิดที่ใช้งานง่าย
ยังขึ้นอยู่กับความสัมพันธ์ของการแทรกแซงที่เริ่มด้วยประสาทสัมผัสประสบการณ์

แม้มอเตอร์ความคิดซับซ้อนมากเกี่ยวกับความเป็นเหตุเป็นผล เช่นเครือข่ายเบย์ต้องมีความคิดที่ใช้งานง่าย
ความสัมพันธ์ของการให้นั่งร้านที่ตัวแปรที่เกี่ยวข้องกับแต่ละอื่น ๆ สมอง meld
นี้ preverbal ทางความคิดกับภาษาใช้แทนมอเตอร์ในภายหลังเพื่อให้ประโยชน์สูง
neurally เข้ารหัสแนวความคิดความสัมพันธ์ของอุปกรณ์พื้นฐานเพื่ออธิบายความสัมพันธ์ระหว่างที่ถือ
สมมติฐานและหลักฐานดังนั้นเราจะเริ่มต้นที่จะเหลือบมองกลไกประสาทที่สมองเพื่อแสดงสมมติฐาน
อนุญาตและแนวคิด รวมทั้งคำอธิบายและวิธี การใช้รูปแบบของกิจกรรมประสาท
เป็นทั้งทางวาจาและแบบรับรอง ผมสงสัยว่า ความเข้าใจของมนุษย์
ของเวลาเช่นที่ของพื้นที่และความเป็นเหตุเป็นผล มักยากที่จะใส่ลงไปในคำพูด เพราะ
ประสาทการเข้ารหัสเป็นส่วนหนึ่งขึ้นอยู่กับสรีระมากกว่าวาจาแทน .
แต่เรายังต้องมีบัญชีของวิธีการสมองรวมอ้างแข่งขันมากมายเกี่ยวกับคำอธิบาย

ทำให้การอนุมานถึงคำอธิบายที่ดีที่สุด ซึ่งจะต้องมีการหาวิธีที่สอดคล้องกันมากที่สุดของ
ยอมรับบางสมมติฐานและปฏิเสธคนอื่น สมมติฐานและหลักฐานที่เกี่ยวข้องกับแต่ละอื่น ๆโดย
ทั้งบวก ข้อจำกัดที่เกี่ยวข้องวิธีที่พวกเขาพอดีกัน และข้อจำกัดต่างๆ ในทางลบระหว่าง
ใช้แทนที่ต่อต้านที่เหมาะสมร่วมกัน ชนิดที่สำคัญที่สุดของการเป็นบวกเมื่อ
สมมุติฐานอธิบายหลักฐานที่พวกเขาติดแน่นกับแต่ละอื่น ๆ ตัวอย่างเช่นสมมติฐาน
ที่ซิมป์สันฆ่านิโคลเข้ากับหลักฐานที่นิโคลตายเพราะฆ่าตามลำพัง
อธิบายเรื่องความตาย ชนิดที่สำคัญที่สุดของการเป็นลบระหว่างสมมติฐานว่าขัดแย้งกับแต่ละอื่น ๆหรือแข่งขัน
หลวมขึ้นเพื่ออธิบายบางชิ้นส่วนของหลักฐาน ตัวอย่างเช่น
สมมติฐานว่าซิมป์สันฆ่านิโคล ประชันกับการป้องกันของสมมติฐานที่เธอถูกฆ่า
โดยยาเสพติด .
เห็นว่ามันอาจจะทำงานใน สมอง เริ่มต้น ด้วยการขอแบบมุมมองขององค์ประกอบเช่น
สมมติฐานและหลักฐานตามที่แสดง โดยหน่วย neuronlike เดียวมากกว่า โดยรูปแบบของการกระตุ้น
ในประชากรประสาท เราสามารถสร้างโครงข่ายประสาทเทียมที่แสดงถึงข้อจำกัดของ
องค์ประกอบโดยการเชื่อมโยงระหว่างหน่วยที่ยืนสำหรับพวกเขา รูปที่ 42 แสดงเครือข่ายที่ง่ายได้
หน่วยแทนการแข่งขันสมมติฐานในกรณี ซิมป์สัน บวกข้อจำกัดตามสิ่งที่
อธิบายสิ่งที่ถูกจับโดยการเชื่อมโยงระหว่างหน่วย excitatory ประมาณเดียวกันกับการเชื่อมต่อที่ช่วยให้หนึ่งใน Synaptic
เซลล์ประสาทกระตุ้นอีก หมายเหตุ รูปที่ 4.2 ช่วยให้ระดับของการอธิบาย
สมมติฐานกับสมมติฐานที่ซิมป์สันโกรธอดีตภรรยาอธิบายทำไมเขาฆ่าเธอ ,
ซึ่งอธิบายว่า ทำไม เธอตายแล้ว ลบข้อจำกัดถูกจับโดยการเชื่อมโยงยับยั้งระหว่างหน่วย .
อีกบวกข้อจำกัดที่มีผลต่อเครือข่ายคือเราควรจะมีแนวโน้มที่จะยอมรับสิ่งที่เรามี
สังเกตกับความรู้สึกของเรา ในกรณีนี้นิโคลตายแล้ว
เพื่อที่จะหาคำอธิบายที่ดีที่สุดของหลักฐาน เราต้องหาวิธีเพิ่ม
ความพึงพอใจบวกและลบข้อจำกัดที่เราตอบสนองข้อจำกัดทางบวกระหว่าง
องค์ประกอบโดยการยอมรับของพวกเขาทั้งสอง และทำการลบโดยการปฏิเสธและการยอมรับอื่น ๆ .
โชคดี มีขั้นตอนวิธีการคำนวณต่าง ๆ เพิ่มข้อจำกัด
ความพึงพอใจ มากที่สุดในหนึ่งในธรรมชาติ เรียกว่า การใช้หมายเลขของ
สูงหรือต่ำการยอมรับของหน่วยที่ใช้เป็นประมาณคล้ายคลึงกับอัตราการของ
เซลล์ประสาท . แล้วเราสามารถใช้ขั้นตอนวิธีแบบกระจาย การกระตุ้นในแบบคู่ขนานระหว่างหน่วยงานในเครือข่ายได้รับการยอมรับ
จนบางและคนอื่น ๆถูกปฏิเสธ ตัวอย่างเช่น เมื่อเปิดใช้งานกระจาย
ของทุกหน่วยงานในเครือข่ายในรูปที่ 4.2 , ผลที่ได้คือหน่วยสำหรับสมมติฐานที่
ซิมป์สันเป็นฆาตกรจะเปิดใช้งานและการแข่งขันหน่วยเกี่ยวกับยาเสพติด จะถูกปิด ใน
วิธีนี้ ขอแบบโครงข่ายประสาทเทียมสามารถตัดสินการมองโลกที่ซับซ้อนโดยใช้ความพึงพอใจคู่ขนานจำกัด

วิธีการเพิ่มความเข้มแข็งในการมองโลก การได้ใช้โมเดล
ตัวอย่างที่ดีมากจากวิทยาศาสตร์และกฎหมาย รวมทั้งทฤษฎีการแก้ไขที่เกิดขึ้นในสาขาวิทยาศาสตร์การปฏิวัติโดยโคเปอร์นิคัสได้

และ Einstein จากสมองวิทยาศาสตร์ มุมมอง วิธีการอธิบายเพียงเป็นที่น่าพอใจ เพราะมันชัดเจน
ว่าสมมติฐานที่ซับซ้อนเช่นคำอธิบายอาชญากรรมทางวิทยาศาสตร์และอ้างว่ายังไม่ได้แสดงใน
สมองโดยเซลล์ประสาทเดียวอีกปัญหาหนึ่งก็คือ ปัญหาในรูปที่ 4.2 เป็นสมมาตรที่ช่วยให้สอง
องค์ประกอบร่วมกันผลักดันแต่ละอื่น ๆเพื่อให้ excitatory และยับยั้งการเชื่อมโยงระหว่างหน่วย
ยังสมมาตร . แต่มันก็ไม่เคยเกิดขึ้นจริงในเครือข่ายประสาทที่กระตุ้นหรือยับยั้งประสาททั้ง 2
แต่ละอื่น ๆ โชคดีที่มันเป็นไปได้ที่จะรูปแบบการคำนวณของการอธิบายในมาก
เพิ่มเติม neurologically มีเหตุผลทาง
ครั้งแรก เราเป็นตัวแทนของแต่ละองค์ประกอบ โดยประชากรเซลล์ประสาทมากกว่า โดยเป็นหน่วยเดียว 2
เราเป็นตัวแทนการเชื่อมโยงโดยซับซ้อนทั้งหมดของการเชื่อมโยงระหว่างเซลล์ประสาทในประชากรหลาย ในระดับนี้
, มีปัญหาในการมีความสัมพันธ์สมมาตร เพราะบางส่วนของการทำงานหนึ่ง
ประชากรกระตุ้นเซลล์ประสาทในอื่น ๆในขณะที่คนอื่น ๆในประชากรที่สองกระตุ้นเซลล์ประสาทใน
อันแรก ส่งผลให้โครงข่ายประสาทเทียมเป็นเซลล์ขนาดใหญ่กว่า
ไม่กี่โหลหน่วยที่เพียงพอสำหรับการพิจารณาคดีทางกฎหมายและซิมป์สันและทางวิทยาศาสตร์อื่น ๆ .
แต่สมองของคุณมีประมาณหนึ่งแสนล้านเซลล์ ทำงานด้วย ดังนั้น มาตรานี้ไม่ได้
ดูเหมือนจะเป็นปัญหาจำลองคอมพิวเตอร์ของเราแสดงให้เห็นว่ามากกว่าชีวภาพมีเหตุผลประสาท
เครือข่ายสามารถบรรลุชนิดเดียวกันของความพึงพอใจต่อขนานเป็นสามารถง่ายที่
ใช้หน่วยหนึ่งสำหรับแต่ละองค์ประกอบ
ดังนั้นเราเริ่มที่จะเข้าใจวิธีการอนุมานจะอธิบายที่ดีที่สุดอาจจะเกิดขึ้นในสมอง
อย่างที่เราเห็นกับการรับรู้สรุปคือ ผลของการปฏิสัมพันธ์แบบไดนามิกรูปแบบประสาท
ไม่ต่อเนื่องด้านขั้นตอน สนใจกลไกสมองแสดงวิธีอนุมานได้
nonmysteriously เป็นแบบองค์รวมและต่อเนื่อง . บทต่อมาจะแสดงวิธีการที่คล้ายกันประสาท
กลไกผูกอนุมานกับอารมณ์และการกระทำ