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) 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