فرضية الدماغ البايزي / الترميز التنبؤي – كارل فريستون، كينجي دويا، راجيش بي. إن. راو، ودانا إتش. بالارد

يمثل استكشاف طبيعة الإدراك البشري والآليات الحوسبية الكامنة وراء معالجة المعلومات في الجهاز العصبي المركزي أحد أعظم التحديات العلمية في العصر الحديث. لعقود طويلة، هيمن النموذج الكلاسيكي لمعالجة المعلومات على أروقة علم الأعصاب الإدراكي، وهو نموذج يصور الدماغ كمتلقٍ سلبي للمدخلات الحسية الواردة من البيئة الخارجية؛ حيث تتدفق البيانات عبر مسارات تصاعدية (Bottom-Up) ليتم تجميعها ومعالجتها خطوة بخطوة داخل القشرة المخية، وصولاً إلى بناء تمثيل داخلي للواقع وإصدار الأوامر الحركية المناسبة. غير أن هذا النموذج التقليدي واجه معضلات تجريبية وحسابية عميقة، أبرزها العجز عن تفسير السرعة الفائقة للدماغ في حل مشكلات الإدراك المعقدة والغامضة في ظل محدودية النطاق الترددي للسيالات العصبية، فضلاً عن كثافة الألياف العصبية التنازلية (Top-Down) التي تفوق بأضعاف مسارات التغذية الأمامية.

في هذا السياق المعرفي المتحول، برزت فرضية الدماغ البايزي (Bayesian Brain Hypothesis) وإطار الترميز التنبؤي (Predictive Coding) كنموذج إرشادي ثوري (Paradigm Shift) يعيد تعريف الدماغ لا كآلة استقبال سلبية، بل كـ “محرك استدلال احتمالي” و”نموذج توليدي نشط”. يستند هذا الإطار إلى فرضية أن الدماغ يبني باستمرار فرضيات وتوقعات حول أسباب المدخلات الحسية، ولا يقوم بتمرير كامل البيانات عبر طبقاته القشرية، بل يقتصر على تمرير الفوارق أو التناقضات بين ما توقعه وما ورد إليه فعلياً، وهو ما يُعرف رياضياً وبيولوجياً بـ أخطاء التنبؤ (Prediction Errors). يقود هذا الفهم الجديد إلى رؤية الإدراك كعملية إسقاط داخلي للواقع تخضع للتعديل والتهذيب المستمر، محولةً مفهوم التجربة الواعية إلى ما يشبه “الهلوسة المتحكم بها إحصائياً”.

تستند هذه الثورة المعرفية إلى تضافر إسهامات استثنائية قدمها نخبة من كبار العلماء والمنظرين، في مقدمتهم عالم الأعصاب والفيزياء الإحصائية البريطاني كارل فريستون (Karl Friston)، وعالم الحوسبة العصبية الياباني كينجي دويا (Kenji Doya)، والباحثان الرائدان في النمذجة الحاسوبية راجيش بي. إن. راو (Rajesh P. N. Rao) والراحل دانا إتش. بالارد (Dana H. Ballard). يهدف هذا المقال التخصصي الشامل إلى تفكيك الأسس الفلسفية، الرياضية، الكيميائية العصبية، والتطبيقية لهذا النموذج الموحد، مستعرضاً كيف يربط هذا الإطار بين فيزياء الديناميكا الحرارية والشبكات العصبية، وكيف يعيد صياغة فهمنا للأمراض النفسية والذكاء الاصطناعي وطبيعة الوعي الإنساني.

1. مقدمة تأسيسية: نشأة الإطار البايزي ونظرية الترميز التنبؤي في علم الأعصاب الإدراكي

1.1 الجذور التاريخية: من استدلال هلمهولتز اللاواعي إلى المعالجة التنبؤية الحديثة

تعود الجذور المعرفية لفكرة الدماغ التنبؤي إلى القرن التاسع عشر، وتحديداً إلى الرؤى الثورية التي صاغها الفيزيائي وعالم وظائف الأعضاء الألماني هيرمان فون هلمهولتز (Hermann von Helmholtz). أدرك هلمهولتز أن الإشارات الحسية التي تستقبلها حواسنا – كالفوتونات الساقطة على شبكية العين أو الموجات الصوتية التي تهز غشاء الطبلة – هي إشارات غامضة بطبيعتها وغير مكتملة (Ambiguous and Incomplete)، ولا تحدد بذاتها وبشكل لا لبس فيه الحالة الفعلية للأشياء في العالم الخارجي؛ وهي المعضلة المعروفة في البصريات والرياضيات باسم “المسألة العكسية” (Inverse Problem).

لحل هذه المعضلة الحسابية، اقترح هلمهولتز أن الإدراك الحسي ليس مجرد تسجيل ميكانيكي للبيانات، بل هو عملية استنتاج استقرائي لاواعي (Unconscious Inference). فالدماغ يعتمد على خبراته وتجاربه السابقة لتخمين وتفسير الأسباب الفيزيائية الكامنة وراء تلك الأنماط الحسية المشوشة. يمثل هذا التصور الانتقال التاريخي الحاسم من النموذج السلبي التصاعدي (Bottom-Up Processing) – الذي يفترض تدفق المعلومات من المستقبلات المحيطية إلى المراكز العليا لمعالجة البيانات الأولية – إلى النموذج التنازلي التوليدي (Top-Down Generative Processing)، حيث تصبح التوقعات المسبقة هي الموجه الأساسي لعملية الإدراك.

مع تطور نظرية المعلومات على يد كلود شانون وفيزياء الديناميكا الحرارية الإحصائية خلال القرن العشرين، بدأ هذا المفهوم الفلسفي يكتسب صياغة رياضية دقيقة. تحول العقل من كيان يجمع المنبهات بشكل تراكمي إلى نظام حوسبي ديناميكي يسعى إلى توفير الطاقة وتحسين كفاءة تمثيل العالم، من خلال دمج المبادئ الاحتمالية في بنية الشبكات العصبية الحيوية، مما مهد الطريق لظهور المعالجة التنبؤية الحديثة كإطار تفسيري شامل.

1.2 التعريف المفاهيمي لفرضية الدماغ البايزي والترميز التنبؤي

تنص فرضية الدماغ البايزي (Bayesian Brain Hypothesis) على أن الجهاز العصبي يمثل آلة استدلال احتمالي تعمل وفق مبادئ الإحصاء البايزي (Bayesian Statistics). في هذا الإطار، لا يتعامل الدماغ مع العالم عبر يقين مطلق، بل يمثل المعرفة والخبرات الحسية في صورة توزيعات احتمالية (Probability Distributions). يقوم الدماغ بحساب وتحديث معتقداته الداخلية حول المتغيرات البيئية من خلال الدمج الرياضي الأمثل بين ما يعرفه مسبقاً (الاحتمال القبلي – Prior) وما يستقبله في اللحظة الراهنة من شواهد تجريبية (دالة الإمكان – Likelihood)، للوصول إلى أفضل تفسير ممكن للواقع (الاحتمال البعدي – Posterior).

أما الترميز التنبؤي (Predictive Coding)، فهو الآلية الحوسبية البيولوجية والنسق المعماري الذي يُترجم هذه الحسابات البايزية المجردة إلى دوائر عصبية ملموسة داخل القشرة المخية. في الترميز التنبؤي، يمتلك الدماغ “نموذجاً توليدياً داخلياً” (Internal Generative Model) يحاكي البنية السببية للبيئة الفيزيائية والجسدية. يقوم هذا النموذج بإسقاط تنبؤات تنازلية مستمرة حول المدخلات الحسية المتوقعة في كل لحظة زمنية.

تكمن النقطة الجوهرية في أن الخلايا العصبية القشرية لا تنقل الإشارة الحسية بأكملها إلى المستويات العليا، بل تقوم بمقارنة الإشارة الحسية الواردة مع التنبؤ التنازلي؛ ويتم إلغاء أو كبح الأجزاء المتوقعة من الإشارة، بينما يُرسل فقط التباين المتبقي – المعروف باسم خطأ التنبؤ (Prediction Error) – عبر مسارات التغذية الأمامية الصاعدة. يفرض هذا الترابط الوثيق بين النماذج التوليدية وتمثيلات الخطأ آلية تكيفية مستمرة لتحديث التوقعات، مما يضمن تقارب التمثيل العقلي مع الواقع الموضوعي بأقل استهلاك ممكن للموارد البيولوجية.

1.3 الأثر المعرفي للرواد الأربعة: فريستون، دويا، راو، وبالارد

لم يكن للترميز التنبؤي أن يتحول من فرضية نظرية إلى حجر زاوية في علوم الأعصاب الحديثة لولا تضافر الرؤى المبتكرة لأربعة من أبرز المنظرين المعاصرين: كارل فريستون، كينجي دويا، راجيش راو، ودانا بالارد. قدم هؤلاء العلماء إسهامات متكاملة ربطت بين الخوارزميات الحسابية، الكيمياء العصبية، والتشريح الدقيق للقشرة المخية.

قدم راو وبالارد في عام 1999 أول نموذج حوسبي هرمي واقعي يوضح كيف يمكن للدوائر القشرية البصرية تطبيق الترميز التنبؤي لمعالجة الصور الطبيعية وتفسير استجابات الخلايا العصبية بدقة غير مسبوقة. من جانبه، عمل كينجي دويا على تفكيك الوظائف الحوسبية الكبرى للدماغ وتوزيعها تشريحياً، كاشفاً عن دور النواقل العصبية الكيميائية (مثل الدوبامين والسيروتونين والأسيتيل كولين) في حساب وضبط المعاملات البايزية وتقدير عدم اليقين البيئي.

في المقابل، ارتقى كارل فريستون بالإطار النظري إلى آفاق كونية عبر صياغة مبدأ الطاقة الحرة (Free Energy Principle) ومفهوم الاستدلال النشط (Active Inference)، موحداً الإدراك الحسي، الفعل الحركي، والاستتباب الداخلي تحت قانون رياضي-فيزيائي واحد. لقد مكنت هذه الإسهامات المشتركة الأوساط العلمية من تجاوز الثنائيات الكلاسيكية المعقدة – مثل الفصل بين الإدراك والفعل، أو بين المعرفة والعاطفة – وأعادت تعريف الاضطرابات النفسية والعصبية كخلل وظيفي في موازنة المعايير الإحصائية والاحتمالات المسبقة داخل الدوائر العصبية التنبؤية.

2. الأسس الرياضية والاحتمالية: مبرهنة بايز وتطبيقاتها الحسابية في القشرة المخية

2.1 صياغة مبرهنة بايز في السياق الإدراكي الحسي

تعد مبرهنة بايز (Bayes’ Theorem)، المنسوبة لعالم الرياضيات واللاهوت توماس بايز، الركيزة الرياضية الأساسية التي يستند إليها استدلال الدماغ حول مسببات الإشارات الحسية. تُصاغ المعادلة البايزية كالتالي:

$$P(\vartheta | y) = \frac{P(y | \vartheta) P(\vartheta)}{P(y)}$$

حيث يمثل $\vartheta$ الحالة الخفية أو السبب البيئي المجهول في العالم الخارجي (مثل اقتراب مفترس أو وجود وجه إنسان)، بينما يمثل $y$ المدخلات الحسية المرصودة (مثل أنماط الضوء الساقطة على الشبكية). يتألف هذا التركيب الرياضي من أربعة عناصر حاسمة:

• الاحتمال القبلي $P(\vartheta)$ (Prior): يمثل المعرفة المسبقة أو التوقع الأولي الذي يحمله الدماغ حول احتمالية حدوث الحالة $\vartheta$ قبل وصول الأدلة الحسية الجديدة.
• دالة الإمكان $P(y | \vartheta)$ (Likelihood): تمثل مدى توافق أو احتمالية توليد الإشارة الحسية $y$ في حال كانت الحالة البيئية $\vartheta$ صحيحة بالفعل.
• دليل البيانات $P(y)$ (Evidence / Marginal Likelihood): عامل تطبيع يمثل الاحتمال الكلي لحدوث الإشارة الحسية $y$ عبر جميع الفرضيات والحالات الممكنة.
• الاحتمال البعدي $P(\vartheta | y)$ (Posterior): هو الاعتقاد المحدث للدماغ حول الحالة $\vartheta$ بعد دمج التوقعات القبلية مع البيانات الحسية الراهنة.

في البيئات المعقدة والمليئة بالضجيج الحسي (Sensory Noise)، يطبق الدماغ هذه المعادلة لتحقيق التكامل الأمثل متعدد الحواس (Optimal Multisensory Integration). فعندما تتضارب المعلومات الواردة من العين والأذن واللمس، يقوم الدماغ بوزن كل قناة حسية وفقاً لمستوى موثوقيتها الرياضية؛ فالقناة الأكثر وضوحاً ودقة تمنح دالة إمكان ذات تباين ضيق، مما يجعلها تهيمن على تشكيل الاحتمال البعدي وتحديد طبيعة الإدراك النهائي الواعي.

2.2 الاحتمالية الحسابية والتقريب المتغير (Variational Inference)

على الرغم من الأناقة النظرية لمبرهنة بايز، إلا أن تطبيقها الحسابي المباشر في الأنظمة البيولوجية يواجه عقبة مستحيلة تعرف بـ “التعقيد الحسابي المستعصي” (Intractability). تكمن المشكلة في حساب مقام المعادلة، وهو دليل البيانات $P(y)$، والذي يتطلب إجراء عمليات تكامل معقدة ومستمرة عبر كافة الحالات الممكنة في فضاء احتمالي هائل الأبعاد:

$$P(y) = \int P(y | \vartheta) P(\vartheta) d\vartheta$$

لا يمتلك الدماغ البشري الموارد الحاسوبية أو الزمنية الكافية لحل مثل هذه التكاملات اللانهائية في أجزاء من الثانية. للتغلب على هذه المعضلة الحيوية، يلجأ الدماغ إلى ما يُعرف في الفيزياء الإحصائية وتعلم الآلة باسم الاستدلال المتغير (Variational Inference). بدلاً من محاولة حساب التوزيع البعدي الحقيقي المعقد $P(\vartheta | y)$، يقوم الدماغ باقتراح توزيع احتمالي تقريبي ومبسط يُرمز له بالرمز $Q(\vartheta)$، ثم يعمل على تعديل معالم هذا التوزيع الداخلي لجعله يقترب بأقصى درجة ممكنة من التوزيع الحقيقي.

لقياس درجة التباعد أو الفجوة بين التوزيع الداخلي التقريبي والتوزيع الواقعي، يُستخدم مقياس إحصائي يُعرف باسم تباعد كولباك-ليبلر (Kullback-Leibler Divergence):

$$D_{KL}(Q(\vartheta) parallel P(\vartheta | y)) = \int Q(\vartheta) \ln \left( \frac{Q(\vartheta)}{P(\vartheta | y)} \right) d\vartheta$$

يقوم الدماغ بتطويع وتعديل مصفوفاته العصبية لتقليل قيمة هذا التباعد إلى الصفر تقريباً. ولأن حساب تباعد كولباك-ليبلر المباشر يتطلب أيضاً معرفة التوزيع البعدي الحقيقي المستعصي، يعتمد الدماغ على دالة رياضية بديلة قابلة للحساب تُعرف بـ الحد الأدنى للحرية المتغيرة (Variational Free Energy). يؤدي تقليل هذه الطاقة الحرة بالضرورة إلى تصغير تباعد كولباك-ليبلر، مما يجعل النموذج العقلي الداخلي متطابقاً مع الواقع الخارجي بدقة حوسبية فائقة وكفاءة طاقية استثنائية.

2.3 المعالجة غير الخطية ونمذجة عدم اليقين البيئي

لا تتسم البيئات الطبيعية بالثبات الإحصائي، بل تتميز بكونها بيئات عشوائية، ديناميكية، وغير خطية (Non-linear Dynamic Environments). يجب على الدماغ التمييز المستمر بين نوعين رئيسيين من عدم اليقين (Uncertainty):

1. عدم اليقين المتوقع (Expected Uncertainty): وهو الضجيج العشوائي المتأصل في البيئة المعروفة، مثل محاولة الرؤية أثناء عاصفة ضبابية مألوفة، حيث يعلم الدماغ مسبقاً أن الإشارات الحسية ستكون مشوشة وضعيفة الدقة.
2. عدم اليقين غير المتوقع (Unexpected Uncertainty): وهو التغير المفاجئ والجذري في القواعد الإحصائية الحاكمة للبيئة، مثل تغير الطقس فجأة في بيئة صحراوية، أو تغير مفاجئ في سلوك مفترس، مما يتطلب إلغاء النماذج المسبقة وإعادة بنائها جذرياً.

تتمكن الشبكات القشرية من نمذجة هذه الديناميكيات غير الخطية عبر تشفير المعايير الإحصائية للتقلبات البيئية داخل مصفوفات الوزن المشبكي ومعدلات إطلاق النواقل العصبية. كما تشير الأبحاث الحسابية المتقدمة إلى أن الدماغ يجمع بين خوارزميات الاستدلال المتغير السريعة وتقنيات شبيهة بسلاسل ماركوف ومونتي كارلو (Markov Chain Monte Carlo – MCMC)، حيث تقوم التذبذبات العصبية التلقائية بأخذ عينات احتمالية مستمرة لاستكشاف فضاء الفرضيات الممكنة، مما يتيح التكيف اللحظي مع البيئات المتقلبة دون الوقوع في فخ الجمود الإدراكي.

3. نموذج راو وبالارد (1999): البنية الهرمية للترميز التنبؤي في القشرة البصرية

3.1 السياق التاريخي لورقة راو وبالارد البحثية الرائدة في مجلة Nature Neuroscience

في عام 1999، نشر راجيش راو ودانا بالارد ورقتهما البحثية التاريخية في مجلة Nature Neuroscience بعنوان: “Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects”. مثلت هذه الورقة نقطة تحول جذرية حلت معضلة علمية كلاسيكية استعصت طويلاً على نماذج المعالجة البصرية التقليدية المستندة إلى أعمال هيوبل وويزل (Hubel & Wiesel).

كانت النماذج القديمة تفترض أن العصبونات في القشرة البصرية الأولية ($V1$) تعمل ككواشف خطية ساكنة للميزات الأولية (مثل حواف الخطوط، الزوايا، والاتجاهات) داخل “حقول الاستقبال الكلاسيكية” (Classical Receptive Fields). غير أن التجارب الفيزيولوجية اللاحقة كشفت عن وجود استجابات عصبية غير متوقعة تتأثر بالمحفزات المحيطة الواقعة خارج نطاق حقل الاستقبال المباشر، وهي الظاهرة المسماة بـ تأثيرات حقول الاستقبال خارج الكلاسيكية (Extra-classical Receptive Field Effects)، مثل ظاهرة التثبيط السياقي (Contextual Surrounding Suppression).

نجح نموذج راو وبالارد الحوسبي الهرمي في تفسير هذه الاستجابات المعقدة تفسيراً وظيفياً أنيقاً؛ حيث أثبت أن العصبونات القشرية لا تقوم بنقل المدخلات الحسية الخام بشكل متكرر، بل تقوم بتطبيق خوارزمية ترميز تنبؤي هرمية تطابق البنية المعمارية للباحات البصرية الأولية والثانوية ($V1, V2, V4$) والباحة الصدغية السفلية ($IT$). أثبت النموذج أن الإشارات التنازلية تحمل باستمرار تنبؤات سياقية مولدة من المستويات العليا، في حين تقتصر الإشارات التصاعدية على تمرير الأخطاء والانحرافات التي عجزت التوقعات العليا عن تفسيرها.

3.2 البنية المعمارية للنموذج وتفاعل الطبقات القشرية

يقوم نموذج راو وبالارد على تقسيم وظيفي دقيق للعصبونات داخل كل مستوى من مستويات المعالجة الهرمية في القشرة المخية، حيث تتفاعل فئتان رئيسيتان من الوحدات الحسابية عبر طبقات القشرة الست:

• وحدات التنبؤ / خلايا الحالة (Prediction Units / State Units): تقع هذه العصبونات الهرمية بشكل أساسي في الطبقات القشرية العميقة (الطبقتان V و VI). تحتفظ هذه الخلايا بالنموذج التوليدي الداخلي للحالة البيئية الحالية، وتقوم بإرسال محاورها العصبية عبر مسارات التغذية الراجعة التنازلية (Feedback Projections) لتوليد التوقعات وتثبيط المدخلات الحسية المتوقعة في المستويات الأدنى.
• وحدات خطأ التنبؤ (Prediction Error Units): تتمركز هذه العصبونات في الطبقات القشرية السطحية (الطبقتان II و III). تقوم هذه الوحدات بحساب الفرق الحسابي الدقيق بين الإشارة الحسية الواردة والتنبؤ التنازلي القادم من المستوى الأعلى. إذا تطابق التنبؤ مع الإشارة الواردة، يُلغى التنشيط العصبي تماماً عبر التثبيط المشبكي، أما إذا وُجد فرق (خطأ)، تطلق هذه الخلايا إشارات تصاعدية (Feedforward) لنقل الخطأ إلى المستوى الأعلى لتحديث نماذجه.

تستخدم هذه البنية آليات التثبيط الجانبي (Lateral Inhibition) والتغذية الراجعة كمرشحات بيولوجية تمنع انتقال المعلومات المكررة أو المتوقعة مسبقاً. يؤدي هذا التصميم إلى تحرير النطاق الترددي للمشابك العصبية وتوفير الاستهلاك الهائل للغلوكوز والأكسجين، مما يمكن الدماغ من تخصيص طاقته البيولوجية المحدودة لمعالجة الأحداث البيئية غير المتوقعة والمفاجئة فقط.

3.3 الأهمية النظرية لنموذج راو وبالارد في تفسير الظواهر الإدراكية

قدم نموذج راو وبالارد إطاراً تفسيرياً فائق القوة للعديد من الظواهر الإدراكية والنفسية المعقدة التي ظلت لعقود محل خلاف نظري، ومن أهمها:

ظاهرة الإكمال الحسي والأوهام البصرية: يفسر النموذج كيف يقوم الدماغ “بملء الفراغات” في المشاهد البصرية الناقصة (مثل تكملة حواف الأشكال المحجوبة جزئياً أو رؤية مثلث كانيزا الوهمي Kanizsa Triangle). ينتج هذا الإكمال الحسي عن هيمنة التنبؤات القبلية التنازلية القادمة من الباحات البصرية العليا؛ حيث تفترض النماذج التوليدية وجود شكل هندسي مكتمل بناءً على السياق العام، وترسل تنبؤات نشطة للطبقات الدنيا تُختبر كإدراك بصري حقيقي لحواف غير موجودة مادياً في العالم الفيزيائي.

التكيف مع التكرار وتثبيط التوقع (Repetition Suppression): أظهر النموذج بوضوح لماذا يقل النشاط الكهربائي للخلايا العصبية القشرية عندما يتكرر نفس المنبه الحسي عدة مرات. لا يعود هذا الانخفاض إلى “إجهاد” الخلايا العصبية كما كان يُعتقد سابقاً، بل هو انعكاس مباشر لانخفاض خطأ التنبؤ؛ فمع تكرار المنبه، يصبح النموذج الداخلي للدماغ أكثر دقة في توقعه، مما يؤدي إلى تثبيط كامل لإشارات الخطأ في الطبقات السطحية واختفاء النشاط العصبي الزائد.

تجاوزت هذه النتائج حدود النظام البصري لتشكل الأساس النظري لتعميم مبادئ الترميز التنبؤي على سائر الأنظمة الحسية، من المعالجة السمعية واللمسية إلى الأنظمة الحركية والمعرفية العليا.

4. كارل فريستون ومبدأ الطاقة الحرة: النظرية الجامعة لوظائف الدماغ

4.1 من الفيزياء الإحصائية إلى الديناميكا العصبية: صياغة مبدأ الطاقة الحرة (Free Energy Principle)

في أواخر العقد الأول من القرن الحادي والعشرين، أحدث عالم الأعصاب البريطاني كارل فريستون نقلة نوعية في علم الأحياء العصبي النظري عبر صياغة مبدأ الطاقة الحرة (Free Energy Principle – FEP). انطلق فريستون من معضلة فيزيائية تأسيسية: كيف تحافظ الكائنات الحية والأنظمة البيولوجية المعقدة على استتبابها الداخلي (Homeostasis) وبنيتها المنظمة في مواجهة القانون الثاني للديناميكا الحرارية، الذي يفرض تزايد الانتروبيا والتفكك والتحلل الحتمي في الكون؟

وفقاً لفريستون، لكي يظل الكائن الحي على قيد الحياة، يجب عليه مقاومة التشتت والانتروبيا من خلال تقييد نفسه ضمن عدد محدود من الحالات الفسيولوجية والبيئية المتوافقة مع بقائه. من منظور نظرية المعلومات، يعني هذا أن الكائن الحي يجب أن يقلل من المفاجأة الإدراكية (Surprise / Surprisal)، المعرفة رياضياً بالسالب اللوغاريتمي لاحتمالية استقبال مدخل حسي معين $-ln P(y)$.

ولأن حساب المفاجأة بشكل مباشر أمر مستحيل بيولوجياً، أثبت فريستون – استناداً إلى الفيزياء الإحصائية لـ ريتشارد فاينمان – أن الكائنات الحية تعتمد على تقليل كمية رياضية تمثل الحد الأعلى للمفاجأة، وهي الطاقة الحرة المتغيرة (Variational Free Energy – $\mathcal{F}$):

$$\mathcal{F} = \text{Complexity} – \text{Accuracy} = D_{KL}(Q(\vartheta) parallel P(\vartheta)) – \mathbb{E}_{Q}[\ln P(y | \vartheta)]$$

توضح هذه المعادلة أن تقليل الطاقة الحرة يتطلب تحقيق توازن أمثل بين أمرين: تعظيم الدقة (Accuracy) في مطابقة التنبؤات مع البيانات الحسية، وتقليل التعقيد (Complexity) بتجنب الإفراط في تعقيد الفرضيات الداخلية والحفاظ على اتساقها مع الاحتمالات القبلية.

لتحقيق هذا العزل الرياضي بين الكائن الحي وبيئته، وظف فريستون مفهوم غلاف ماركوف (Markov Blanket). يُعد غلاف ماركوف حدوداً إحصائية تعزل الحالات الداخلية للنظام الحي عن الحالات الخارجية للبيئة. يتكون هذا الغلاف من وسيطين ثنائيي الاتجاه: الحالات الحسية (Sensory States) التي تتأثر بالبيئة الخارجية وتؤثر في الحالات الداخلية، والحالات الفاعلة أو الحركية (Active States) التي تتأثر بالحالات الداخلية وتؤثر مباشرة في البيئة الخارجية. وبذلك يصبح الدماغ عقلاً معزولاً خلف غلاف ماركوف، لا يتعامل مع العالم الخارجي مباشرة، بل يستنتج ديناميكياته حصرياً عبر قياس التغيرات الطارئة على غلافه الإحصائي.

4.2 الاستدلال النشط (Active Inference) كآلية مزدوجة لتقليل الخطأ

يقود مبدأ الطاقة الحرة إلى إدراك أن الكائن الحي يمتلك مسارين تكامليين لتقليل الطاقة الحرة وإلغاء أخطاء التنبؤ الناتجة عن التناقض بين النموذج الداخلي والعالم الخارجي، وهو الإطار الشامل المسمى الاستدلال النشط (Active Inference):

1. المسار الإدراكي (Perceptual Inference): وفيه يقوم الكائن الحي بتعديل وتحديث حالاته ومعتقداته الداخلية (تغيير النموذج التوليدي) لتتوافق مع المدخلات الحسية القادمة من العالم الخارجي. هذا هو الإدراك الحسي الصرف؛ حيث يُلغى خطأ التنبؤ عبر استبدال التوقعات الخاطئة بتوقعات جديدة تتطابق مع البيانات المرصودة.
2. المسار الإجرائي الحركي (Active Inference / Action): وفيه يقوم الكائن الحي بالعكس تماماً؛ إذ يحافظ على توقعاته الداخلية الثابتة، ويطلق أفعالاً وسلوكيات حركية تغير من تكوين العالم الخارجي وتجبر المدخلات الحسية على الانصياع لتوقعاته المسبقة. على سبيل المثال، إذا شعر الكائن بالجوع أو البرد (خطأ تنبؤ بيولوجي)، فإنه لا يغير اعتقاده بأنه كائن يحتاج للدفء والطعام، بل يتحرك بنشاط في البيئة للبحث عن الغذاء والمأوى لإعادة إشاراته الحشوية إلى نطاق التوازن المتوقع.

بهذا التوحيد النظري الرائد، أزال الاستدلال النشط الجدار الفاصل الكلاسيكي بين الإدراك الحسي، الفعل الحركي، والاستتباب الفسيولوجي؛ حيث أصبحت جميع هذه العمليات الحيوية مظاهر مختلفة لهدف فيزيائي-حسابي واحد: تقليل الطاقة الحرة التراكمية عبر الزمن لتأمين البقاء.

4.3 الدقة الإحصائية (Precision) والانتباه كبوابة استدلالية

في الحسابات البايزية الحيوية، لا تمتلك جميع أخطاء التنبؤ نفس القيمة أو الموثوقية؛ فالأخطاء الناتجة عن إشارات حسية مشوشة ومليئة بالضجيج يجب تجاهلها، بينما الأخطاء القادمة من مصادر عالية الوضوح يجب تضخيمها لتحديث المعتقدات بسرعة. وهنا يبرز المفهوم المحوري لـ الدقة الإحصائية (Precision)، والتي تُعرّف رياضياً بأنها مقلوب التباين الإحصائي ($\gamma = 1/\sigma^2$).

في إطار الترميز التنبؤي، يُعاد تعريف الانتباه (Attention) ليس كبقعة ضوء سحرية أو مرشح غامض، بل كعملية حوسبية بايزية محددة: إسناد وزن دقة مرتفع لأخطاء تنبؤ نوعية (Precision Weighting of Prediction Errors). عندما يوجه الدماغ انتباهه لمثير بصري أو سمعي، تقوم القشرة المخية بإجراء تحكم تنازلي في الكسب المشبكي (Top-Down Synaptic Gain Control) لعصبونات خطأ التنبؤ المرتبطة بذلك المثير.

يؤدي رفع الكسب المشبكي إلى تضخيم الإشارات الصادرة من تلك العصبونات، مما يمنحها تأثيراً طاغياً وقدرة حاسمة على اختراق الطبقات الهرمية العليا وإجبار النموذج التوليدي على إعادة ضبط نفسه وفقاً لتلك المعطيات الدقيقة. وعلى النقيض من ذلك، فإن خفض الدقة (تشتيت الانتباه) يؤدي إلى كبح إشارات خطأ التنبؤ واعتماد الدماغ بالكامل على افتراضاته ونماذجه المسبقة دون الاكتراث بالمدخلات الحسية الخام المحيطة به.

5. إسهامات كينجي دويا: الحسابات البايزية، التعلم المعزز، والأنظمة العصبية الكيميائية

5.1 التقسيم الوظيفي للحوسبة الدماغية وفق نموذج دويا الثلاثي

قدم عالم الأعصاب الحسابي كينجي دويا نموذجاً معمارياً ثلاثياً رائداً يوزع أنماط التعلم الحوسبي الكبرى على التراكيب التشريحية الرئيسية للدماغ، واضعاً الاستدلال البايزي في سياق تشريحي متناغم مع نظريات التعلم الآلي والتحكم الآلي:

التركيب العصبي	نمط التعلم الحوسبي	الآلية الحسابية ونوع الإشارة
المخيخ (Cerebellum)	التعلم الخاضع للإشراف (Supervised Learning)	بناء نماذج داخلية تنبؤية أمامية وعكسية تعتمد على إشارات الخطأ الحركي الحسي الصادرة من الألياف المتسلقة لتصحيح المسارات بدقة ميلي-ثانية.
العقد القاعدية (Basal Ganglia)	التعلم المعزز (Reinforcement Learning)	تقييم القرارات واختيار الأفعال بناءً على خطأ تنبؤ المكافأة (Reward Prediction Error) لتحسين القيمة المستقبلية المتوقعة للنتائج.
القشرة المخية (Cerebral Cortex)	التعلم غير الخاضع للإشراف / البايزي (Unsupervised / Bayesian Learning)	استخلاص البنى الإحصائية العميقة للبيئة وبناء النماذج التوليدية الهرمية عبر تقليل أخطاء التنبؤ الحسية دون الحاجة لمكافآت صريحة.

أوضح دويا أن هذه الأنظمة الثلاثة لا تعمل بمعزل عن بعضها البعض، بل تتكامل بشكل تكافلي مستمر؛ فالقشرة المخية تزود العقد القاعدية بالتمثيلات البيئية البايزية الدقيقة لاختيار الاستراتيجيات، بينما يتولى المخيخ ضبط التنفيذ الحركي فائق السلاسة لتلك القرارات المختارة.

5.2 التعديل العصبي الكيميائي كمرآة للمعاملات البايزية

تتمثل إحدى أعظم إسهامات كينجي دويا في الكشف عن كيفية قيام أنظمة النواقل العصبية الصاعدة بتشفير المعاملات الرياضية الإحصائية الضرورية لضبط الحسابات البايزية والتعلم المعزز عبر القشرة والأنظمة تحت القشرية:

• الدوبامين (Dopamine): يُعد الناقل المسؤول عن تشفير أخطاء تنبؤ المكافأة ($RPE = \text{Reward Received} – \text{Reward Expected}$). بالإضافة إلى ذلك، أثبتت الدراسات الحديثة توافقه مع مفهوم الدقة البايزية؛ حيث يعمل إطلاق الدوبامين في القشرة الجبهية ومناطق الحركة على رفع وزن دقة التنبؤات الإجرائية، مما يحفز الكائن الحي على اتخاذ الفعل والتحرك نحو الهدف.
• السيروتونين (Serotonin): كشف دويا عن دور السيروتونين كمعامل حاسم في ضبط عامل الخصم الزمني (Temporal Discount Factor – $\gamma$). يؤدي ارتفاع مستويات السيروتونين إلى منح الأهداف والمكافآت المستقبلية البعيدة وزناً وقيمة أكبر، مما يعزز الصبر والتخطيط الاستراتيجي طويل المدى، بينما يؤدي انخفاضه إلى تفضيل المكافآت الفورية قصيرة المدى والسلوك الاندفاعي.
• النورأدرينالين والأسيتيل كولين (Noradrenaline & Acetylcholine): يعمل هذان الناقلان كمرآة لحساب مستويات عدم اليقين البيئي وفق النماذج الرياضية التي طورها دويا وأنجيلا يو وبيتر دايان؛ حيث يشفر الأسيتيل كولين عدم اليقين المتوقع (الضجيج الإحصائي المألوف)، مما يرفع من الاعتماد على البيانات الحسية الراهنة، بينما يشفر النورأدرينالين عدم اليقين غير المتوقع (الأزمات والتحولات الجذرية في قواعد البيئة)، مؤدياً إلى إعادة ضبط شاملة وتصفير فوري للأوزان المشبكية والنماذج التوليدية القديمة.

5.3 الربط بين صنع القرار القائم على النموذج (Model-Based) والخالي من النموذج (Model-Free)

دمج دويا بين مبادئ الاستدلال البايزي ونظريات التعلم المعزز لحل المعضلة الكلاسيكية في اتخاذ القرار بين السلوكيات القائمة على النموذج الداخلي والسلوكيات الآلية:

النظام الخالي من النموذج (Model-Free RL): يعتمد على العقد القاعدية والجسم المخطط الحركي لتنفيذ عادات واستجابات سلوكية نمطية سريعة استناداً إلى سجل المكافآت السابقة دون حساب العواقب المستقبلية المعقدة. يتميز هذا النظام بالسرعة الفائقة وانخفاض التكلفة الحسابية، لكنه يتسم بالجمود عند تغير ظروف البيئة.

النظام القائم على النموذج (Model-Based RL): يعتمد على الشبكات القشرية الجبهية واستدلال الحصين (Hippocampus) لمحاكاة شجرة القرارات المستقبلية واختبار نتائج السيناريوهات المحتملة بايزياً قبل التنفيذ الفعلي. يوفر هذا النظام مرونة معرفية استثنائية وقدرة على التكيف مع التغيرات المفاجئة، لكنه يتطلب تكلفة حوسبية وطاقية باهظة.

أوضح دويا أن الدماغ يمتلك آلية تحكيم بايزية متفوقة تقيس “عدم اليقين” في تنبؤات كل نظام؛ فعندما تكون البيئة مستقرة ومألوفة، ترتفع دقة النظام الآلي (Model-Free) فيفوضه الدماغ قيادة السلوك لتوفير الطاقة. أما عندما تصبح البيئة متقلبة وتكثر أخطاء التنبؤ، ترتفع مستويات عدم اليقين، مما يدفع الدماغ فوراً لتسليم مقاليد التحكم للنظام القائم على النموذج (Model-Based) لإعادة رسم الخطط الاستراتيجية. يفسر هذا الإطار بدقة آليات الانتكاس في اضطرابات الإدمان والسلوكيات القهرية، حيث يحدث عجز دائم في التحول من النظام الخالي من النموذج إلى النظام القائم على النموذج.

6. علم الأحياء العصبي للترميز التنبؤي: الآليات المشبكية والطبقات الدقيقة

6.1 الترتيب الطبقي للقشرة المخية وحركة الإشارات العصبية

تتطابق البنية التشريحية الطبقية للقشرة المخية الحديثة (Neocortex) المكونة من ست طبقات خلوية متمايزة (Layers I to VI) بشكل مذهل مع متطلبات خوارزميات الترميز التنبؤي الهرمي. تتحرك المعلومات عبر هذه الطبقات في رقصة حوسبية دقيقة:

مسارات التغذية الأمامية (Feedforward Streams): تنشأ هذه المسارات من العصبونات الهرمية في الطبقات السطحية (II و III) التي تشفر أخطاء التنبؤ، وتنتقل محاورها العصبية لتنتهي في الطبقة الرابعة (Layer IV) من الباحات القشرية الأعلى رتبة هرمياً. وتتميز هذه الإشارات بكونها دافعة وقوية، هدفها تعديل حالات المستويات العليا.

مسارات التغذية الراجعة (Feedback Streams): تنشأ من العصبونات الهرمية العميقة في الطبقات الخامسة والسادسة (V و VI) التي تشفر التنبؤات التوليدية، وتمتد محاورها لتنتهي في الطبقتين الأولى والسادسة (Layers I & VI) من الباحات القشرية الأدنى، حيث تقوم بممارسة تأثيرات تشابكية تثبيطية أو تنظيمية على خلايا أخطاء التنبؤ.

يترافق هذا الفصل التشريحي مع فصل وظيفي في التزامن الترددي العصبي (Neural Oscillations) عبر طيف تخطيط الدماغ الكهربائي (EEG):

• نطاق غاما عالي التردد (Gamma Rhythms > 30-80 Hz): يرتبط حصرياً بنقل إشارات أخطاء التنبؤ الصاعدة عبر الطبقات السطحية؛ حيث يعكس النشاط المتسارع لموجات غاما محاولة الخلايا العصبية لإيصال التناقضات الحسية فوراً إلى المستويات الإدراكية الأعلى.
• نطاق بيتا وألفا منخفض التردد (Beta 13-30 Hz / Alpha 8-12 Hz): يرتبط بنقل التوقعات والتنبؤات التنازلية عبر الطبقات العميقة، ويمارس كبحاً وتنظيماً سياقياً على معالجة المعلومات في المستويات الدنيا.

6.2 المرونة المشبكية ومستقبلات NMDA في حساب الأوزان البايزية

على المستوى الجزيئي والمشبكي، تمثل مستقبلات ن-مثيل-د-أسبارتات (NMDA Receptors) المفتاح البيولوجي لحساب وتعديل أوزان الدقة البايزية (Precision Weights). تتميز مستقبلات NMDA بخصائص فريدة تجعلها كواشف للتطابق غير الخطي وقنوات حساسة للفولتية، وهي تتواجد بكثافة على التغصنات الشجيرية للعصبونات القشرية السطحية التي تحسب أخطاء التنبؤ.

تتفاعل هذه المستقبلات مع شبكة من العصبونات البينية المثبطة التي تفرز حمض الغاما-أمينوبيوتيريك والمميزة ببروتين البارفالبومين (Parvalbumin-positive / PV+ GABAergic Interneurons). تؤدي هذه الخلايا البينية دور “صمام التحكم في الكسب المشبكي”؛ فعندما يتم تنشيطها، تقوم بكبح استجابة خلايا الخطأ للحد من تأثير الضجيج الحسي. أما عند تثبيطها (Disinhibition) بواسطة مسارات التعديل العصبي، يرتفع الكسب المشبكي المرتبط بمستقبلات NMDA، مما يضخم خطأ التنبؤ ويعزز قدرته على تغيير المعتقدات العليا.

تتكامل هذه الديناميكية مع قواعد اللدونة المشبكية المعتمدة على توقيت النبضات (Spike-Timing-Dependent Plasticity – STDP)؛ حيث تُترجم الفوارق الزمنية الدقيقة بين إطلاق التنبؤ التنازلي ووصول الخطأ التصاعدي إلى تقوية مشبكية طويلة الأمد (LTP) أو إضعاف مشبكي (LTD)، وهو ما يمثل الخوارزمية البيولوجية المباشرة لتحديث الاحتمالات القبلية وتخزين النماذج التوليدية في الذاكرة طويلة المدى.

6.3 الدوائر العصبية للقشرة الجبهية الحركية وتوجيه الاستدلال النشط

في النظام الحركي، تنقلب وظيفة التنبؤات؛ إذ لا تُستخدم التوقعات لتفسير العالم، بل لإجبار الجسد على الحركة. تنشأ التنبؤات الحسية-الحركية في القشرة الجبهية الظهرية والباحات الحركية الإضافية (SMA و Premotor Cortex)، ثم تُرسل تنازلياً عبر السبيل الهرمي (Corticospinal Tract) إلى العصبونات الحركية في القرن الأمامي للحبل الشوكي.

هنا تبرز مفارقة حوسبية بارعة في الاستدلال النشط: لكي تنقبض العضلة وتتحرك الذراع، يجب على الدماغ أولاً أن “يتنبأ كذباً” بأن الذراع قد تحركت بالفعل إلى موقعها الجديد! يؤدي هذا التنبؤ التنازلي إلى توليد خطأ تنبؤ حس-عميق (Proprioceptive Prediction Error) في الحبل الشوكي بين الموقع المتوقع والموقع الفعلي الثابت للطرف. ولإلغاء هذا الخطأ المشبكي الحادث في الحبل الشوكي، تطلق العصبونات الحركية الشوكية منعكسات انقباض عضلية فورية تحرك الذراع حتى يتطابق موقعها الحقيقي مع التنبؤ الدماغي المسبق.

تتولى القشرة الحزامية الأمامية (Anterior Cingulate Cortex – ACC) بالتنسيق مع القشرة الجبهية الحجاجية رصد هذه العمليات الحسابية وتقييم “تكلفة الجهد المعرفي والحركي” (Cognitive Effort Cost) في مقابل تقليل عدم اليقين المتوقع، لضمان عدم إطلاق الأفعال الحركية والاستدلال النشط إلا إذا كانت الفائدة الإحصائية في تقليل الطاقة الحرة تبرر الإنفاق الطاقي البيولوجي.

7. الإدراك الحسي والأوهام: تفكيك الواقع كـ ‘هلوسة مسيطر عليها’

7.1 طبيعة التجربة الواعية وفق منظور الترميز التنبؤي

يقود إطار الترميز التنبؤي إلى مآل فلسفي ومعرفي مذهل أعاد صياغة فلسفة العقل؛ فالواقع الذي نختبره بشكل واعي ولحظي ليس انعكاساً مرآوياً فوتوغرافياً مباشراً للأشياء في ذاتها (Noumena)، بل هو إسقاط محوسب للنموذج التوليدي الداخلي الذي يبنيه الدماغ باستمرار حول مسببات تلك المدخلات. لخص عالم الأعصاب الإدراكي المعاصر آنيل سيث (Anil Seth) هذه الرؤية في مقولته الشهيرة: “الإدراك الحسي هو هلوسة متحكم بها ومقيدة بالواقع” (Controlled Hallucination).

تكمن قوة هذا الطرح في إدراك أن الفرق الجوهري بين ما نسميه “إدراكاً حسياً سوياً” وبين “الهلوسة المرضية” هو أن الإدراك السوي يمثل هلوسة داخلية ينجح الدماغ في تقييدها وتهذيبها ومطابقتها باستمرار مع أخطاء التنبؤ الصاعدة القادمة من العالم الفيزيائي عبر غلاف ماركوف. أما إذا انقطعت حلقة التغذية الأمامية لأخطاء التنبؤ، أو اختلت أوزان دقتها المشبكية، فإن التنبؤات الداخلية تنفلت من عقالها لتصبح هلوسات طليقة يختبرها الوعي كحقيقة مطلقة لا تقبل الشك.

في هذا الضوء، لا تمثل الأوهام البصرية الكلاسيكية (مثل وهم رقعة الشطرنج لأدلسون أو وهم مولر-لاير) دليلاً على “قصور أو فشل” في المنظومة العصبية، بل هي الشاهد الأقوى على النجاح التكيفي الفائق للحسابات البايزية؛ فالدماغ يوظف افتراضات إحصائية مسبقة قوية جداً تم صقلها عبر ملايين السنين من التطور (مثل: “الضوء يأتي دائماً من الأعلى”، “الأجسام تحافظ على ثبات أبعادها الهندسية في الفضاء ثلاثي الأبعاد”)، وتفرض هذه الافتراضات التنازلية نفسها على المشهد البصري لتوليد إدراك متماسك حتى لو تعارض مع القياسات الفيزيائية المباشرة للأطوال أو درجات الإضاءة.

7.2 التكامل متعدد الحواس وحل النزاع الإدراكي

يقدم الإطار البايزي التفسير الحسابي الدقيق لظواهر الاندماج متعدد الحواس وتأثيرات الصراع الإدراكي:

تأثير ماكغورك (McGurk Effect): في هذه الظاهرة السمعية-البصرية الشهيرة، يُعرض مقطع فيديو لشخص ينطق المقطع الشفهي “/ga-ga/”، بينما يُبث الصوت الصادر متزامناً بالمقطع السمعي “/ba-ba/”. لا يسمع الدماغ أياً من المقطعين المنفصلين، بل يُنشئ إدراكاً هجيناً جديداً تماماً هو المقطع “/da-da/”. يمثل هذا الاندماج الحل البايزي الأمثل للاحتمال البعدي المشترك؛ حيث يدمج الدماغ التوزيعين الاحتماليين للمدخل السمعي والبصري معتمداً على نموذج توليدي موحد يقلل التناقض ويحقق أعلى دقة ممكنة للحدث الصوتي المتوقع.

تأثير اليد المطاطية (Rubber Hand Illusion): عندما تُخفى يد الشخص الحقيقية وتوضع يد مطاطية اصطناعية أمامه، ويتم ملامسة اليدين في نفس اللحظة بفرشاة وبشكل متزامن، يستنتج الدماغ بعد بضع دقائق أن اليد المطاطية هي جزء لا يتجزأ من جسده الخاص. يحدث هذا الاستدلال النشط لحل النزاع الحسي الثلاثي بين الرؤية، اللمس، والإحساس العميق بموضع المفاصل؛ حيث تكون الدقة البصرية أعلى إحصائياً، فيقوم الدماغ بتعديل النموذج التوليدي لملكية الجسد (Body Ownership) لتطابق التنبؤ البصري وتلغي خطأ التنبؤ الحسي-اللمسي، مما يثبت أن الوعي بالجسد هو تمثيل ديناميكي احتمالي مرن وليس كياناً بيولوجياً صلباً ثابتاً.

7.3 الإدراك الحشوي الداخلي (Interoception) والوعي بالجسد

لم يتوقف تطبيق مبدأ الطاقة الحرة على الحواس الخارجية الخمس، بل امتد ليشمل الإدراك الحشوي الداخلي (Interoception) – وهو الاستشعار المستمر للبيئة الفسيولوجية داخل الأحشاء، معدل ضربات القلب، تمدد الرئتين، التقلصات المعدية، ومستويات السكر والهرمونات في الدم.

تعد القشرة الجزيرية (Insular Cortex) المركز القشري الرئيسي للنموذج التوليدي الحشوي؛ حيث تقوم بإرسال تنبؤات تنازلية مستمرة لتنظيم وظائف الأعضاء عبر الجهاز العصبي الذاتي، وتستقبل أخطاء التنبؤ الحشوية القادمة من المستقبلات الداخلية عبر العصب الحائر والحبل الشوكي. يمثل هذا الاستدلال الحشوي اللحظي الجذر الفسيولوجي التطوري لنشأة المشاعر، المزاج العام، والوعي الذاتي الأولي (The Embodied Self)؛ فالشعور بالذات ليس سوى تنبؤ مستمر وناجح بالحفاظ على المعايير الحيوية واستقرار الجسد الفيزيائي ضمن الحدود الآمنة للحياة.

8. التطبيقات السريرية والسايكوباثولوجيا: الاضطرابات النفسية كاعتلالات في الاستدلال البايزي

8.1 الفصام والأعراض الذهانية: اختلال التوازن بين التنبؤ والمدخل الحسي

أحدثت فرضية الدماغ البايزي ثورة في مجال الطب النفسي الحسابي (Computational Psychiatry)، من خلال إعادة تصنيف الاضطرابات النفسية والذهانية كاعتلالات نوعية في موازنة المعايير الإحصائية وتحديد أوزان الدقة لأخطاء التنبؤ.

في مرض الفصام (Schizophrenia)، تشير الدراسات الفيزيولوجية والحسابية إلى وجود خلل بنيوي في وظيفة مستقبلات NMDA على الخلايا البينية المثبطة، مما يؤدي إلى فشل الدماغ في تثبيط أو ضبط دقة أخطاء التنبؤ الحسية السطحية. ينتج عن ذلك ظاهرة الأهمية الشاذة (Aberrant Salience)؛ حيث تُعامل المنبهات البيئية اليومية العادية (كنظرة عابرة من غريب أو حركة ستارة) كأخطاء تنبؤ هائلة ذات دقة مفرطة تتطلب تفسيراً عاجلاً.

في المراحل المبكرة من الذهان، يعيش المريض في حالة من الارتباك المعرفي نتيجة طوفان الإشارات الحسية غير المفسرة. وهنا تظهر الضلالات والأوهام (Delusions) كاستجابة تعويضية معرفية من الدماغ؛ حيث يبني المريض نماذج مسبقة سريالية وشديدة الغرابة والصلابة (مثل الاعتقاد بأنه ملاحق من المخابرات الفضائية) لكي ينجح النموذج التوليدي الجديد في تفسير واستيعاب تلك الأخطاء الشاذة وتقليل الطاقة الحرة الناتجة عنها. وبالمثل، تنشأ الهلاوس السمعية البصرية نتيجة انقطاع التغذية الراجعة السليمة وانهيار القدرة على التمييز بين الكلام الداخلي الذاتي والتنبؤات الحسية الخارجية.

8.2 طيف التوحد (Autism Spectrum): فرضية الدقة العالية المفرطة لأخطاء التنبؤ الحسية

في سياق اضطراب طيف التوحد، برزت فرضية حسابية متقدمة تُعرف بنموذج HIPPEA (High Inflexible Precision of Prediction Errors in Autism)، والتي تفترض أن دماغ الأفراد ذوي التوحد يتسم بوزن دقة مفرط، دائم، وغير مرن لأخطاء التنبؤ الحسية الأولية الصاعدة من البيئة.

يترتب على هذه الحالة الحسابية نتائج إدراكية عميقة:

• صعوبة بناء التجريدات والنماذج الكلية: نظراً لأن الدماغ يعامل كل تفصيلة حسية صغيرة كخطأ جوهري دقيق، يفشل الجهاز العصبي في التغاضي عن الفروقات الطفيفة لبناء تعميمات ومفاهيم مسبقة مجردة، مما يؤدي إلى تفضيل التفاصيل الدقيقة على حساب المعنى الإجمالي للمشهد.
• الحساسية الحسية المفرطة والارتباك البيئي: تصبح البيئة الطبيعية المليئة بالضجيج والتغيرات الطفيفة مكاناً غامراً ومؤلماً يولد كميات هائلة من المفاجأة الإحصائية غير القابلة للاستيعاب.
• السلوكيات النمطية والتمسك بالروتين (Insistence on Sameness): تُفسر الحركات التكرارية النمطية (Stimming) والالتزام الصارم بالروتين البيئي كآليات استدلال نشط دفاعية؛ حيث يلجأ الفرد إلى خلق بيئة يمكن التنبؤ بأدق تفاصيلها مسبقاً بنسبة 100%، مما يسمح بإلغاء أخطاء التنبؤ وخفض مستويات الطاقة الحرة المتفجرة داخل جهازه العصبي.

8.3 الاكتئاب، القلق، واضطرابات الهلع: حبس في نماذج مسبقة سلبية مفرطة الجمود

يمتد التحليل البايزي السريري ليشمل الاضطرابات الوجدانية وسلوكيات المزاج:

الاكتئاب السريري (Depression): يُفهم الاكتئاب في إطار الاستدلال النشط كحالة من “التصلب المرضي في الاحتمالات القبلية السلبية” (Rigid Negative Priors). يمتلك المريض نموذجاً توليدياً متكلساً يفترض انعدام الجدوى وعجز الذات وفقدان القيمة الحيوية؛ وتكون أوزان دقة هذا النموذج المسبق عالية للغاية ومحصنة ضد التحديث، بحيث تفشل أي تجربة إيجابية واقعية (أخطاء تنبؤ بالمكافأة) في اختراق النموذج لتعديله، مما يترجم فسيولوجياً إلى انخفاض الدوبامين والشعور بالوهن النفسي والحركي لتوفير الطاقة.

اضطرابات القلق العام (Generalized Anxiety): تتسم بفرط تقدير مستمر لعدم اليقين البيئي والتهديدات المستقبلية؛ حيث يمنح الدماغ وزناً مبالغاً فيه للسيناريوهات الكارثية النادرة، ويفشل في استخدام المؤشرات البيئية الآمنة لتهدئة النموذج التوليدي للتهديد.

نوبات الهلع (Panic Attacks): تمثل خطأ استدلالياً حشوياً كارثياً (Catastrophic Interoceptive Misattribution)؛ فعندما يرتفع معدل ضربات القلب أو يتسارع التنفس نتيجة مجهود عضلي أو منبه كيميائي عابر، يعجز النموذج التوليدي عن عزو هذا التغير إلى سبب فسيولوجي حميد، وبدلاً من ذلك يفسره تنازلياً كدليل قاطع على “موت وشيك أو سكتة قلبية”، مما يطلق شلالاً عصبياً ذاتياً من الأدرينالين يزيد من تسارع ضربات القلب، فيدخل الدماغ في حلقة مفرغة من تصاعد أخطاء التنبؤ الحشوية المتفجرة.

9. الاستدلال النشط والسلوك الإنساني: العاطفة، اتخاذ القرار، والتفاعل الاجتماعي

9.1 النظرية البايزية للانفعالات والمشاعر (Constructed Emotion)

تتطابق الرؤى المعاصرة لعالمة النفس والأعصاب ليزا فيلدمان باريت (Lisa Feldman Barrett) في “نظرية العاطفة المبنية” (Theory of Constructed Emotion) بشكل كامل مع آليات الترميز التنبؤي والاستدلال الحشوي. ترفض هذه النظرية الفكرة الكلاسيكية القائلة بأن المشاعر الإنسانية (كالخوف، الحزن، الغضب، والفرح) هي دوائر عصبية غريزية فطرية كامنة تثور تلقائياً استجابة لمحفزات محددة.

بدلاً من ذلك، تؤكد النظرية أن المشاعر هي تنبؤات توليدية نشطة يبنيها الدماغ لإدارة “ميزانية الطاقة الفسيولوجية للجسم” (Allostasis). يقوم الدماغ بتجميع الإشارات الحشوية الغامضة القادمة من الداخل (مثل انقباض المعدة أو تسارع النبض) ودمجها مع المدخلات الحسية الخارجية والذكريات السابقة؛ ثم يطلق فرضية مفاهيمية سياقية تحدد ماهية هذا الشعور. فإذا كان الشخص في حديقة حيوان ورأى أسداً، قد يفسر تسارع النبض كـ “إثارة”، بينما يفسره كـ “رعب” إذا واجه الأسد في غابة مفتوحة.

تلعب المفاهيم الثقافية والتسميات اللغوية دوراً فائق الأهمية في هذه العملية؛ حيث تعمل اللغة كأدوات ضبط عالية الدقة للنماذج التوليدية العاطفية، تمكن الدماغ من تصنيف وتوقع الحالات الداخلية بدقة إحصائية متناهية، مما ينعكس مباشرة على استقرار السلوك الفسيولوجي والاجتماعي للفرد.

9.2 الإدراك الاجتماعي ونظرية العقل كاستدلال هرمي مشترك

عندما يتفاعل إنسان مع آخر، يواجه الدماغ التحدي الإحصائي الأكثر تعقيداً على الإطلاق؛ فالآخر هو نظام غير خطي، مستقل، ويمتلك عقلاً معزولاً خلف غلاف ماركوف الخاص به. يفسر الترميز التنبؤي الإدراك الاجتماعي ونظرية العقل (Theory of Mind) كعملية “استدلال هرمي مشترك ومتداخل” (Hierarchical Joint Inference).

لكي يفهم الشخص نوايا ومشاعر الآخرين، يبني نموذجه التوليدي محاكاة داخلية للأسباب الخفية (المعتقدات، الرغبات، والأهداف) التي دفعت الشخص الآخر لإصدار سلوك حركي أو تعبير وجهي معين. يتم ذلك عبر توظيف نظام العصبونات المرآتية والشبكة الافتراضية للدماغ (Default Mode Network) لتشغيل النموذج الحركي التوليدي بشكل عكسي.

تؤدي هذه الحسابات المشتركة إلى ظواهر العدوى العاطفية والتماثل الحركي (Motor Mimicry)؛ فعندما نرى شخصاً يتألم أو يبتسم، يرسل دماغنا تنبؤات حسية حركية تحاكي تلك الحالة لتوليد استجابات داخلية متطابقة، مما يقلل من عدم اليقين المشترك ويحقق “المزامنة الإحصائية” بين أجهزة الاستدلال البايزي للأفراد داخل المجتمع، وهو ما يشكل الأساس العصبي العميق للتعاطف، والتعاون الإنساني، ونشأة الثقافة والتواصل اللغوي.

9.3 السعي وراء المعلومات وفضول الاستكشاف (Epistemic Value)

في النماذج الكلاسيكية لصنع القرار، يُفترض أن السلوك البشري والحيواني موجه حصرياً نحو تحقيق “المكافأة البراغماتية” (Pragmatic / Extrinsic Value)، كالحصول على الطعام أو المال أو الأمان. غير أن الاستدلال النشط يقدم صياغة رياضية موحدة تكشف عن دافع جوهري مساوٍ في الأهمية، وهو القيمة المعرفية أو الإبستمولوجية (Epistemic Value / Information Gain).

وفقاً لمعادلة الطاقة الحرة المتوقعة في المستقبل ($\mathbf{G}$)، ينقسم الدافع الإنساني إلى حدين رئيسيين:

$$\mathbf{G}(u) = -\underbrace{\mathbb{E}[\ln P(y | \text{Preferences})]}_{\text{Pragmatic Value (Reward)}} – \underbrace{\mathbb{E}[D_{KL}(Q(\vartheta | y, u) parallel Q(\vartheta | u))]}_{\text{Epistemic Value (Information Gain / Salience)}}$$

يوضح هذا التركيب الرياضي الأنيق أن الكائن الحي يسعى في كل قرار وسلوك ($u$) إلى:

1. تحقيق أهدافه وتفضيلاته الحيوية الفطرية (القيمة البراغماتية).
2. تعظيم كسب المعلومات واستكشاف البيئات المجهولة لتقليل عدم اليقين المستقبلي للنموذج التوليدي (القيمة المعرفية).

يمثل هذا الحد المعرفي الأساس الحسابي لنشأة الفضول المعرفي، اللعب، الاستكشاف العلمي، والإبداع الفني؛ فالدماغ يبحث بنشاط عن المفاجآت القابلة للحل لكي يختبر حدود نماذجه التوليدية ويقوم بصقلها وتوسيع كفاءتها، محققاً التوازن الحسابي الأمثل بين الاستكشاف المعرفي (Exploration) والاستغلال الإجرائي للموارد (Exploitation).

10. المقارنة المعرفية: الترميز التنبؤي مقابل النماذج الكلاسيكية لمعالجة المعلومات

10.1 الترميز التنبؤي في مواجهة الحوسبة النموذجية الكلاسيكية (Modular Computationalism)

يمثل إطار الترميز التنبؤي قطيعة إبستمولوجية مع نموذج الحوسبة المعيارية الكلاسيكية للعقل التي هيمنت على الفلسفة والعلوم الإدراكية منذ ستينيات القرن الماضي، وتحديداً مع أطروحة جيري فودور حول “معيارية العقل” (Fodorian Modularity). كان فودور يفترض أن أنظمة الإدراك الحسي تعمل كـ “وحدات معيارية معزولة ومحصنة معرفياً” (Encapsulated Modules)، تستقبل البيانات وتمررها للأعلى دون أن تتأثر بالمعتقدات والتوقعات التنازلية للأجهزة المعرفية المركزية.

أثبت الترميز التنبؤي خطأ هذا العزل النمطي الصلب؛ حيث أظهر أن التأثيرات التنازلية تخترق وتعدل أدق تفاصيل المعالجة الحسية في الباحات القشرية الأولية، مما يعني أن ما نراه ونسمعه يتأثر بنيوياً بما نعرفه ونتوقعه مسبقاً. كما ألغى الإطار التنبؤي نموذج “الساندويتش الكلاسيكي” (Classical Sandwich Model) الذي صاغته الفلسفة المعرفية التقليدية، والذي كان يضع التفكير الإدراكي في المنتصف كمعالج للرموز المجردة ويفصله فصلاً تاماً عن شريحتي الإدراك الحسي في البداية والفعل الحركي في النهاية؛ مستبدلاً إياه بحلقة ديناميكية احتمالية مستمرة تدمج الإدراك والفعل في استدلال نشط موحد.

10.2 الترميز التنبؤي والاتصالية العصبية (Connectionism)

يشترك الترميز التنبؤي مع نماذج الاتصالية العصبية والتعلم العميق (Deep Learning) في اعتمادهما المشترك على شبكات هرمية موزعة تقوم بضبط الأوزان المشبكية، غير أن الفوارق الحوسبية والبيولوجية بينهما تظل جذرية:

وجه المقارنة	الشبكات العصبية الاصطناعية التقليدية (Deep ANNs)	الترميز التنبؤي البيولوجي (Predictive Coding)
آلية حساب ونشر الخطأ	تعتمد على الانتشار الخلفي للأخطاء (Backpropagation)، وهي خوارزمية غير قابلة للتطبيق بيولوجياً لأنها تتطلب نقل معلومات الخطأ بشكل غير محلي عبر نفس المشابك الفيزيائية ولكن في الاتجاه المعاكس للسيال العصبي.	حساب الأخطاء وتحديث الأوزان يتم محلياً بالكامل (Locally Plausible) داخل كل طبقة قشرية عبر تفاعل عصبونات الخطأ والتنبؤ المخصصة تشريحياً.
طبيعة الإشارات المنقولة	تنقل مستويات التنشيط الكاملة للبيانات عبر كل طبقة من طبقات الشبكة.	تنقل فقط أخطاء التنبؤ والانحرافات، مما يوفر النطاق الترددي ويقلل نقل البيانات بنسبة تفوق 90%.
الاعتماد على البيانات والتوجيه	تتطلب ملايين البيانات المصنفة سلفاً وتدريباً خاضعاً للإشراف المكثف لمطابقة المخرجات.	تعلم توليدي ذاتي مستمر غير خاضع للإشراف، يستند إلى بناء فرضيات واختبارها على الواقع في أجزاء من الثانية.

10.3 التوافق مع فلسفة الإدراك المتجسد والممتد (4E Cognition)

يتناغم إطار الترميز التنبؤي والاستدلال النشط بعمق مع فلسفة الإدراك الرباعي الحديث (4E Cognition)، والتي ترى أن العقل ليس برنامجاً حاسوبياً منعزلاً داخل الجمجمة، بل هو:

• متجسد (Embodied): تنبع عملياته الحسابية وحالاته الشعورية من استدلال مستمر للحفاظ على استقرار الجسد الفيزيائي وتنظيم طاقته الحيوية.
• مدمج (Embedded): يقع داخل بيئة فيزيائية واجتماعية تشكل معالم نماذجه التوليدية وتحدد احتمالاتها القبلية.
• فاعل (Enactive): لا يتعرف على العالم عبر الملاحظة الساكنة، بل يبني الإدراك من خلال الحركة والفعل الإجرائي النشط.
• ممتد (Extended): لا تتوقف حدود النموذج التوليدي عند الجلد أو العظام، بل يمكن لغلاف ماركوف الإدراكي أن يتسع ليشمل الأدوات التقنية، الهواتف الذكية، الدفاتر، والمؤسسات الثقافية كامتدادات خارجية تخزن الاحتمالات المسبقة وتقلل العبء الحسابي والانتروبيا على الدماغ البيولوجي.

11. الذكاء الاصطناعي والروبوتات المستوحاة من الدماغ البايزي

11.1 تطوير العمارة الحوسبية التنبؤية في التعلم الآلي

ألهمت المبادئ الحسابية لراو، بالارد، وفريستون مهندسي الذكاء الاصطناعي لتطوير أجيال جديدة من الشبكات العصبية الاصطناعية تُعرف بـ الشبكات العصبية ذات الترميز التنبؤي (Predictive Coding Neural Networks – PCNNs). تمثل هذه المعماريات بديلاً كفؤاً وقابلاً للتطبيق البيولوجي لخوارزميات التدرج التنازلي والانتشار الخلفي التقليدية.

تتميز هذه الشبكات بقدرات استثنائية في التعلم غير الإشرافي على مقاطع الفيديو ومعالجة الصور الطبيعية المعقدة؛ حيث تتدرب الشبكة على توقع الإطار الزمني التالي من الفيديو بناءً على النماذج التوليدية للحركة والفيزياء البيئية. كما أثبتت هذه النماذج التنبؤية تفوقها في التغلب على معضلة النسيان الكارثي (Catastrophic Forgetting) التي تعاني منها الشبكات الكلاسيكية؛ إذ تحافظ الأوزان البايزية القبلية على استقرار المعرفة الأساسية وتمنع انهيارها عند تدريب الشبكة على مهام جديدة.

11.2 الروبوتات التكيفية القائمة على الاستدلال النشط (Active Inference Robotics)

في مجال هندسة الروبوتات والأنظمة المستقلة، أحدث تطبيق خوارزميات الاستدلال النشط طفرة نوعية في تصميم أنظمة التحكم الحركي التكيفية. تعتمد الروبوتات التقليدية على معادلات ديناميكية صلبة وبرمجة مسبقة لكل حركة ممكنة، مما يجعلها عرضة للعجز التام عند حدوث أي تغير بيئي طارئ (ككسر مفصل أو تغير طبيعة الأرضية).

في المقابل، تعمل روبوتات الاستدلال النشط وفق نماذج توليدية احتمالية مستمرة؛ حيث يحدد الروبوت “تفضيلاته الحيوية” للوصول إلى الهدف، ويقوم بتوليد تنبؤات حسية-حركية مستمرة لمفاصله. وعندما يتعرض لخلل ميكانيكي مفاجئ أو رياح عاتية، يولد هذا التغير أخطاء تنبؤ فورية في مستشعراته الذاتية، فيقوم الروبوت بتحديث أوامره الحركية بشكل تكيفي ولحظي لإلغاء الخطأ والوصول للهدف دون الحاجة لإعادة برمجته أو تدريبه من الصفر، مما يجعل هذه التقنية الخيار المثالي لاستكشاف بيئات الفضاء السحيق وأعماق البحار غير المستقرة.

11.3 نحو ذكاء اصطناعي عام (AGI) بمبادئ الطاقة الحرة

يرى العديد من رواد الذكاء الاصطناعي أن مبدأ الطاقة الحرة والاستدلال النشط يمثلان المسار النظري الأكثر واعداً للعبور نحو الذكاء الاصطناعي العام (Artificial General Intelligence – AGI). تفتقر النماذج اللغوية الكبيرة الحالية (مثل GPT) إلى الفهم الحقيقي للواقع وتفتقد الدافع الداخلي المستقل، حيث تعمل فقط كمحركات إحصائية لتوليد النصوص عند الطلب.

إن بناء أنظمة اصطناعية تعتمد على مبدأ تقليل الطاقة الحرة التراكمية يمنحها للمرة الأولى أهدافاً جوهرية ذاتية التوليد وحساً فطرياً بالفضول المعرفي لجمع المعلومات وحل عدم اليقين؛ مما يمكنها من محاكاة المرونة الإدراكية البشرية ونقل الخبرات عبر سياقات متعددة والتعامل المستقل مع العالم الواقعي. وتتركز التحديات الهندسية الراهنة في تطوير رقائق حوسبة عصبية منخفضة الطاقة (Neuromorphic Chips) قادرة على محاكاة ملايين الطبقات التنبؤية المتوازية في الزمن الحقيقي.

12. التقييم النقدي، التحديات الإبستمولوجية، والآفاق المستقبلية للدماغ البايزي

12.1 الانتقادات المنهجية والفلسفية الموجهة للنظرية

على الرغم من النجاحات الباهرة لفرضية الدماغ البايزي والترميز التنبؤي، إلا أنها واجهت انتقادات إبستمولوجية ومنهجية حادة من قِبل فلاسفة العلوم وعلماء الأعصاب التجريبيين. يتمثل أبرز هذه الانتقادات في معضلة “النظرية الشاملة لكل شيء” (Theory of Everything)؛ حيث يرى بعض النقاد أن مبدأ الطاقة الحرة أصبح من الاتساع بحيث يمكنه تفسير أي ظاهرة حيوية وسلوكية وعكسها في آن واحد (مثل تفسير الحركة وتفسير السكون، الفرح والاكتئاب)، مما يهدد بوقوع النظرية في فخ عدم القابلية للتكذيب (Unfalsifiability) وفق المعايير الإبستمولوجية لكارل بوبر.

كما يشير المشككون إلى صعوبة التحقق التجريبي الصارم من الحسابات البايزية على مستوى المشابك العصبية المفردة في الحيوانات الحية، بالإضافة إلى التساؤل حول مدى واقعية افتراض أن الدماغ يمتلك الموارد الفسيولوجية اللازمة لتطبيق مثل هذه العمليات الاحتمالية المعقدة بدقة رياضية متناهية في ظل تقلبات درجات الحرارة ونقص الطاقة والضجيج البيولوجي العشوائي داخل الخلايا.

12.2 التحديات التجريبية في أبحاث التصوير العصبي وعلم الأدوية النفسية

يواجه علماء الأعصاب التجريبيون تحديات معقدة في محاولة الفصل والتمييز بين إشارات التنبؤ التنازلية وإشارات خطأ التنبؤ التصاعدية باستخدام تقنيات التصوير العصبي المتاحة؛ فالرنين المغناطيسي الوظيفي (fMRI) يمتلك دقة مكانية ممتازة لكنه بطيء زمنياً، بينما تخطيط الدماغ الكهربائي (EEG) يمتلك دقة زمنية فائقة لكنه يفتقر للدقة المكانية الطبقية، مما يتطلب ابتكار تقنيات هجينة فائقة التطور لقياس نشاط الطبقات القشرية الست بشكل منفصل ومباشر أثناء العمليات الإدراكية.

في المقابل، فتحت أبحاث علم الأدوية النفسية للمواد المهلوسة (Psychedelics Pharmacology) نافذة تجريبية استثنائية لاختبار الإطار التنبؤي. قدم الباحث روبن كارهارت-هاريس نموذج REBUS (Relaxed Beliefs Under Psychedelics)، والذي أثبت أن مواد مثل السيلوسيبين (Psilocybin) وLSD تؤثر مباشرة على مستقبلات السيروتونين $5-HT_{2A}$ في القشرة المخية، مما يؤدي إلى “تفكيك وكسر صلابة التوقعات والنماذج المسبقة المتكلسة” (Relaxing the Precision of High-Level Priors). يؤدي هذا التحرير الحسابي إلى تدفق هائل لأخطاء التنبؤ الحسية الصاعدة واختبار الوعي لحالة من الإدراك الطفولي الحر وذوبان الأنا (Ego Dissolution)، مما يمنح النظرية دعماً تجريبياً حاسماً ويوفر أفقاً علاجياً واعداً للاكتئاب والإدمان المقاوم للأدوية التقليدية.

12.3 الرؤية المستقبلية: الثورة البايزية في الطب النفسي، التكنولوجيا، وفهم الوعي

تقف العلوم العصبية اليوم على أعتاب عصر بايزي شامل؛ حيث يتجه الطب النفسي الحسابي نحو التخلي عن التصنيفات السريرية الوصفية التقليدية للأمراض النفسية (مثل DSM-5)، واستبدالها بـ “بصمات تشخيصية حسابية رقمية” تقيس الخلل في المعاملات البايزية الفردية وأوزان الدقة المشبكية لكل مريض عبر اختبارات سلوكية وقياسات تخطيط الدماغ، مما يمهد لعلاجات دوائية ونفسية مخصصة وفائقة الدقة.

وعلى الصعيد التقني، تفتح هذه الثورة آفاقاً لتطوير واجهات الدماغ والحاسوب (Brain-Computer Interfaces – BCI) القائمة على قراءة وفك تشفير إشارات أخطاء التنبؤ الحركية مباشرة من القشرة، مما يتيح للأشخاص المصابين بالشلل التحكم في الأطراف الصناعية والأجهزة الرقمية بسلاسة وسرعة فائقة تماثل الحركة الطبيعية.

ختاماً، تمثل فرضية الدماغ البايزي والترميز التنبؤي – بتناغم إسهامات فريستون، دويا، راو، وبالارد – أكثر من مجرد نموذج حوسبي ناجح؛ إنها تحول فلسفي وثقافي عميق يعيد كتابة موقع الإنسان في الكون. فالإدراك ليس تسجيلاً سلبياً للعالم الخارجي، بل هو فعل خلق إحصائي مبدع؛ والعقل ليس مرآة تعكس الطبيعة، بل هو شعلة تنبؤية تضيء عتمة المجهول، تنسج من خيوط الضجيج الحسي والمفاجأة الحتمية واقعاً متماسكاً يضمن استمرار الحياة والوعي في مواجهة انتروبيا الوجود.

المراجع (References)

• Ballard, D. H., Hayhoe, M. M., Pook, P. K., & Rao, R. P. (1997). Deictic codes for the embodiment of cognition. Behavioral and Brain Sciences, 20(4), 723-742. https://doi.org/10.1017/S0140525X97001611
• Barrett, L. F. (2017). How emotions are made: The secret life of the brain. Houghton Mifflin Harcourt. https://lisafeldmanbarrett.com/books/how-emotions-are-made/
• Carhart-Harris, R. L., & Friston, K. J. (2019). REBUS and the anarchic brain: Toward a unified model of the brain action of psychedelics. Pharmacological Reviews, 71(3), 316-344. https://doi.org/10.1124/pr.118.017160
• Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204. https://doi.org/10.1017/S0140525X12000477
• Doya, K. (1999). What are the computations of the cerebellum, the basal ganglia and the cerebral cortex?. Neural Networks, 12(7-8), 961-974. https://doi.org/10.1016/S0893-6080(99)00046-5
• Doya, K. (2002). Metalearning and neuromodulation. Neural Networks, 15(4-6), 495-506. https://doi.org/10.1016/S0893-6080(02)00044-8
• Doya, K., Ishii, S., Pouget, A., & Rao, R. P. (Eds.). (2007). Bayesian brain: Probabilistic approaches to neural coding. MIT Press. https://mitpress.mit.edu/9780262042383/bayesian-brain/
• Friston, K. (2005). A theory of cortical responses. Philosophical Transactions of the Royal Society B: Biological Sciences, 360(1456), 815-836. https://doi.org/10.1098/rstb.2005.1622
• Friston, K. (2010). The free-energy principle: a unified brain theory?. Nature Reviews Neuroscience, 11(2), 127-138. https://doi.org/10.1038/nrn2787
• Friston, K., FitzGerald, T., Rigoli, F., Schwartenbeck, P., & Pezzulo, G. (2017). Active inference: A process theory. Neural Computation, 29(1), 1-49. https://doi.org/10.1162/NECO_a_00912
• Helmholtz, H. von (1867). Handbuch der physiologischen Optik (Vol. 9). Voss. https://archive.org/details/handbuchderphysi00helm
• Knill, D. C., & Pouget, A. (2004). The Bayesian brain: The role of uncertainty in neural coding and computation. Trends in Neurosciences, 27(12), 712-719. https://doi.org/10.1016/j.tins.2004.10.007
• Parr, T., Pezzulo, G., & Friston, K. J. (2022). Active inference: The free energy principle in mind, brain, and robotics. MIT Press. https://mitpress.mit.edu/9780262045353/active-inference/
• Rao, R. P., & Ballard, D. H. (1999). Predictive coding in the visual cortex: A functional interpretation of some extra-classical receptive-field effects. Nature Neuroscience, 2(1), 79-87. https://doi.org/10.1038/4580
• Seth, A. K. (2021). Being you: A new science of consciousness. Dutton / Penguin Random House. https://www.anilseth.com/being-you/
• Sterzer, P., Adams, R. A., Fletcher, P., Frith, C., Lawrie, S. M., Muckli, L., Petrovic, P., Uhlhaas, P. J., Voss, M., & Corlett, P. R. (2018). The predictive coding approach to psychosis. Biological Psychiatry, 84(9), 634-643. https://doi.org/10.1016/j.biopsych.2018.05.015
• Van de Cruys, S., Evers, K., Van der Hallen, R., Van Eylen, L., Boets, B., de-Wit, L., & Wagemans, J. (2014). Precise minds in uncertain worlds: Predictive coding in autism. Psychological Review, 121(4), 649-675. https://doi.org/10.1037/a0037665
• Yu, A. J., & Dayan, P. (2005). Uncertainty, neuromodulation, and attention. Neuron, 46(4), 681-692. https://doi.org/10.1016/j.neuron.2005.04.026