在充滿不確定的世界中尋找最佳解
https://gemini.google.com/share/4bf22edee9d9 人類小小的大腦，在充滿變化的世界中，每天都要面對無數充滿不確定的事情。小至估計桌上一枝筆的寬度，大至從教授的表情來猜測自己的工作有沒有做好，甚至是預測股票市場的漲跌，我們時常需要基於不完整、模糊或充滿雜訊的訊息來做出判斷。於是神經科學家們開始思考：大腦究竟是如何處理這些「不確定性」的？ 這篇文章將帶你一探究竟：首先，我們從數學的角度出發，看看理想上我們該如何運算這些不確定度；接著，我們將目光轉向大腦，探討神經元是如何在物理層面上實作這些複雜的數學計算；最後，我們會提出一些科學家目前仍在積極探索的謎團與方向。 當數學公式變成思考模式：解密貝氏推論 要談大腦如何處理機率，我們得先回憶一下高中數學課本裡的常客——貝氏定理（Bayes' Theorem）。在數學上，它是一個用來計算條件機率的嚴謹公式。它的經典數學式長這個樣子： $$P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}$$ 這個公式雖然簡短，卻完美對應了我們在面對未知時的思考過程。當我們將這套數學邏輯應用於日常的學習與判斷時，便稱為貝氏推論（Bayesian Inference）。它的核心概念非常直觀：「根據新的證據，來動態更新我們原有的信念」。若將此公式套用在貝氏推論中，各項參數所代表的意義如下： --先驗機率（Prior, $P(A)$）：我們原有的信念。在還沒看到任何新證據 $B$ 之前，我們根據過去經驗認為事件 $A$ 發生的機率。 --概似度（Likelihood, $P(B|A)$）：新證據的支持度。假設事件 $A$ 真的發生了，那我們觀察到眼前證據 $B$ 的機率有多高。 --後驗機率（Posterior, $P(A|B)$）：更新後的信念。這正是我們最終想求得的結果——在結合了新證據 $B$ 之後，我們把事件 $A$ 發生的機率「更新」為多少。 --邊際機率（Marginal Probability, $P(B)$）：作為分母，它通常是一個用來將總機率標準化（確保所有可能性加總為 1）的常數。 接下來，讓我們以估計「筆的寬度」為例，來拆解大腦在推論的每一個步驟中，是如何對應並運算這些資訊的。 假設筆的真實寬度為 $w$，在這個任務中，貝式推論的運算過程如下： 1. ...
