2005 年，Karl Friston 在《英国皇家学会哲学汇刊 B》（Philosophical Transactions of the Royal Society B）发表了被反复引用的《皮层反应理论》（A theory of cortical responses），提出神经元群体通过预测其输入、传递预测误差来编码感觉信息。这一思路本身可追溯到 Rao 与 Ballard 1998 年在《自然神经科学》提出的预测编码模型，而更早的种子则由 19 世纪的 Helmholtz 播下——大脑不是一个被动的信号记录器，而是一台主动的推断机器，在接收感觉信号之前就在不断预测它。
Friston 后来将这个想法发展成一个范围更广、野心更大的理论框架：自由能原理（Free Energy Principle）。他声称，这个框架不仅描述了感知，还能解释行动、学习、乃至生命体维持自身存在的根本机制——这一主张的雄心令许多神经科学家既着迷又怀疑。
与此同时，一批更接地气的研究者正在把这类计算思路用到一个极为现实的问题上：精神疾病的机制到底是什么？
破除误解：精神病学的诊断困境
理解计算精神病学的必要性，首先要理解当前主流精神病学的根本问题。
DSM（《精神障碍诊断与统计手册》）和 ICD 是基于症状聚类的诊断系统：如果一个人在两周内持续出现至少五种特定症状，则诊断为重度抑郁症。这个系统的实用性不容否认，但它有几个深刻的局限。
第一，同样的诊断掩盖了巨大的生物学异质性——两个都诊断为精神分裂症的患者，其神经生物学和认知机制可能截然不同。第二，症状描述没有告诉我们为什么这些症状会出现，更没有直接指向治疗靶点。第三，大量精神疾病的神经成像和遗传研究产生了可重复的结果，但这些结果多在"群体水平"上存在，难以为单个患者提供决策依据。
计算精神病学提供了一个不同的切入口：不是描述"有什么症状"，而是建模"大脑在做什么计算、哪个计算环节出了问题"。
预测加工理论的核心逻辑
预测加工（Predictive Processing / Predictive Coding）理论的核心主张是：
大脑的主要工作不是分析感觉数据，而是不断生成关于世界状态的预测，然后用实际感觉输入来更新这些预测。
感知、行动和学习，在这个框架下都被统一为同一个机制：最小化预测误差（prediction error）——即大脑预期发生的事情与实际发生的事情之间的差异。
这个框架有几个层次：
感知层面：皮层各层次之间形成双向预测流——高层区域向下发送预测，低层区域向上发送预测误差。例如，当你看到一张熟悉的面孔，视觉皮层的高层区域会生成一个强预测，从而抑制低层区域对该面孔特征的反应强度（因为"已知"的信息不需要大量信号传递）。
行动层面：主动推断（Active Inference）是 Friston 对预测加工的扩展——行动不仅是预测误差的产物，行动本身也被理解为大脑使感觉输入与预测相匹配的另一种方式（不是更新预测来匹配现实，而是改变现实来匹配预测）。
学习层面：贝叶斯学习描述了大脑如何根据新的预测误差更新其内部模型——误差越强、越持续，模型更新幅度越大。多巴胺在这个框架中被理解为编码"预测误差的精度（precision）"的信号，这与强化学习理论中的时序差分误差（TD error）有深刻对应关系[schultz]。
计算精神病学：把理论落地
计算精神病学（Computational Psychiatry）的核心方法是：设计特定的认知任务（通常有计算机精确控制），用行为数据和神经成像数据，推断被试大脑中特定计算参数的值，然后比较精神障碍患者与健康对照组在这些参数上的差异。
| 疾病 | 计算假设 | 代表性发现（来源） |
|---|---|---|
| 精神分裂症 | 预测精度异常调节；先验过于强或噪声过高导致感知失真 | Adams et al. (2013)：自下而上的预测误差信号过强可能解释阳性症状（幻觉/妄想） |
| 抑郁症 | 负性先验过强；奖励预测误差偏低 | Huys et al. (2013)：抑郁患者在强化学习任务中显示奖励学习率系统性偏低 |
| 焦虑障碍 | 不确定性估计偏高；威胁先验过强 | Browning et al. (2015)：广泛性焦虑患者在波动性奖励任务中过度依赖最近经验 |
| 成瘾 | 惯性化（habitualization）过强；目标导向控制受损 | Voon et al. (2015)：酒精依赖患者在计算任务中习惯性行为权重异常升高 |
| 强迫症（OCD） | 负面预测误差对行为控制过强 | Gillan et al. (2011)：OCD 患者在刺激-反应习惯任务中表现出过强的习惯化 |
这些发现不是彼此孤立的——它们正在形成一幅关于精神疾病"计算机制"的图景。
Karl Friston 与自由能原理：理论雄心与实证争议
Friston 的自由能原理（Free Energy Principle, FEP）是这个领域最雄心勃勃、也最受争议的理论。
FEP 的核心主张是：任何维持自身组织稳定性的系统（生物体、器官乃至细胞），都必然在最小化"惊奇"（surprise）——即最小化遭遇到预期之外感觉状态的概率。Friston 将这个统计力学视角的原理用变分贝叶斯推断（variational Bayes）的数学工具形式化，并声称它是一个适用于所有自组织系统的统一原理。
这个理论的真正意义是什么？学界对此看法分裂：
一部分神经科学家认为 FEP 是真正的综合性理论，能将感知、行动、学习和发育统一在一个数学框架下。Karl Friston 在 Google Scholar 上的引用量超过 20 万次，是引用最多的神经科学家之一[friston]。
另一部分研究者则批评 FEP 在数学表述上高度灵活，几乎可以被解释为与任何数据相容，因而几乎不可证伪。哲学家 Mark Colombo 和神经科学家 Björn Merker 等人明确指出：FEP 的某些核心命题（如"生物体最小化自由能"）可能是一种同义反复（tautology），而非关于神经系统的实质性预测[merker]。
目前比较明确的是：预测加工作为感知神经科学的计算框架，有大量 fMRI 和电生理实验数据支持。但 FEP 作为一个适用于所有生命系统的"大统一理论"，其证伪标准和实证基础尚存根本性的争议。
多巴胺假说的计算重写
精神病学中最重要的药理学发现之一——多巴胺与精神分裂症和药物成瘾的关系——正在被计算框架重写。
传统假说：精神分裂症是多巴胺功能亢进，抗精神病药通过拮抗 D2 受体起效；成瘾是多巴胺奖励回路被劫持。
计算版本：多巴胺不仅仅是"奖励信号"，而是编码预测误差的精度（precision）。在精神分裂症中，多巴胺系统的异常可能导致低显著性的感觉输入被赋予过高权重——使随机联系看起来充满意义（这可以解释妄想的形成）[kapur]。在成瘾中，药物通过直接触发预测误差信号绕过了学习机制，导致病理性的"渴望"与行为控制去耦合[everitt]。
这个重写不仅仅是学术上的——它正在影响新一代抗精神病药的靶点选择和临床试验设计。
2020 年代的实证进展与工具
大样本在线认知任务：以 Huys、Dayan 等人为代表的团队开发了一系列可以在网络上大规模施测的计算认知任务（如 two-step task、reversal learning task），使得在数千人样本中提取个体参数成为可能。这解决了早期计算精神病学研究样本量过小的问题[huys2016]。
纵向参数追踪：2021 年以来，多项研究开始纵向追踪患者治疗前后计算参数的变化，将特定参数（如奖励学习率）作为治疗反应的生物标志物候选。这是"精准精神病学"的具体路径之一[montague]。
与神经成像整合：结合 fMRI BOLD 信号的参数定位，研究者已能在亚区域水平上（如腹侧纹状体、眶额皮层、背外侧前额叶）将计算参数的异常映射到具体脑区，为精神外科和经颅磁刺激（TMS）等干预提供靶点依据。
批评性的进展：2022—2024 年，多项预注册研究显示，部分计算参数（特别是抑郁研究中的奖励学习率偏低效应）在大样本复制中效应量缩水，表明早期研究存在过于乐观的估计[rutledge]。这与整个心理学领域的复制危机背景一致——计算精神病学也不能幸免。
代价与争议
可解释性问题：计算模型能产生精确的参数估计，但这些参数（如"逆温度"β、遗忘率λ）与患者的主观体验之间的关系，常常是不清晰的。模型越复杂，参数的心理学解释越困难。
任务选择的任意性：不同研究组使用不同的计算任务，产生不同的参数，难以跨研究比较。缺乏标准化是该领域目前最大的实践障碍之一。
从群体到个体：计算参数在统计上区分了患者与对照，但在临床上用于诊断单个患者的能力仍然极为有限。这是精准医学目标与现有证据基础之间的现实差距。
FEP 的本体论地位：Friston 的框架引发了一个哲学争议：自由能最小化是大脑真实执行的计算，还是一种描述大脑行为的数学语言？这个区别在工程实践上可能没有差异，但在解释意识与认知的本质上至关重要。
未知的边界
- 意识的计算模型：预测加工理论是否能为意识提供解释？高阶预测层次是否对应"觉知"？这是目前最具争议的开放问题，也是哲学家积极参与辩论的领域。
- 计算精神病学的临床化：计算参数何时能真正进入精神科的临床决策流程，而不仅仅是研究工具？目前尚无达到临床实用水准的生物标志物。
- 跨诊断计算维度：是否存在少数几个核心计算维度（如奖励学习精度、不确定性估计偏差），可以跨越 DSM 的诊断边界描述多种精神障碍？RDoC（Research Domain Criteria）框架正在尝试这个方向，但还远未成熟。
- 主动推断作为治疗框架：部分研究者正在尝试用主动推断的语言重新理解心理治疗（如 CBT 的机制被重新描述为"更新先验"），但这类翻译是否增添了新的实证可预测性，还是只是概念重包装，尚无清晰答案。
跨域连接
- 贝叶斯建模：这一框架的整个方法论根植于贝叶斯推断，而这带来一个必须守住的区分：用贝叶斯模型拟合行为数据成功，不证明大脑在做贝叶斯推断——多种机制都能产生近似最优的行为。混淆"研究者的分析工具"与"被假设的大脑机制"，是这一领域最常见的越界。
- 热力学定律：自由能原理被明确类比于熵增——有机体通过最小化变分自由能维持组织稳定。这一类比是否深刻仍有分歧：批评者指出变分自由能是一个统计量而非物理量，两者共用名称并不蕴含共用内容。判断它是解释还是重述，取决于它能否作出该框架之外无法作出的预测。
- 强化学习：主动推断把行动纳入同一个目标函数（通过改变世界来减少预测误差），这与强化学习把奖励作为外生信号不同。其可检验的差别很具体：主动推断预测探索行为无需额外的探索奖励项就会出现，而这正是两类模型在稀疏奖励任务上表现分化的地方。
- 癔症：功能性神经症状在这一框架里获得了非污名化的机制刻画——强先验支配了运动与感觉推断，身体按预期运作而不受意志控制。这条模型第一次让"症状是真实的、非伪装的"与"症状是可逆的"能被同时说清楚，因而它的临床价值不在解释力而在它改变了医患对话的起点。
- 临床诊断：这一框架给出跨诊断的机制变量（先验强度、精度加权），因而它可能重新切分当前以症状清单为基础的分类。这是它最实质的野心，也是它最需要被检验的地方：机制变量必须先在个体层面可靠可测，分类才谈得上重划，而目前的测量信度尚不足以支撑这一步。
参考文献
- Friston, K. A theory of cortical responses. Philosophical Transactions of the Royal Society B 360, 815–836 (2005).
- Friston, K. The free-energy principle: A unified brain theory? Nature Reviews Neuroscience 11, 127–138 (2010). DOI: 10.1038/nrn2787.
- Clark, A. Surfing Uncertainty: Prediction, Action, and the Embodied Mind. Oxford University Press, 2016.（最易读的预测加工理论综述）
- Huys, Q.J.M., Maia, T.V., & Frank, M.J. Computational psychiatry as a bridge from neuroscience to clinical applications. Nature Neuroscience 19, 404–413 (2016). DOI: 10.1038/nn.4238.
- Montague, P.R. et al. Computational psychiatry. Trends in Cognitive Sciences 16, 72–80 (2012).
- Kapur, S. Psychosis as a state of aberrant salience: A framework linking biology, phenomenology, and pharmacology in schizophrenia. American Journal of Psychiatry 160, 13–23 (2003).
- Adams, R.A. et al. The computational anatomy of psychosis. Frontiers in Psychiatry 4, 47 (2013).