你有没有过这样的时刻明明什么都没做心跳突然变得格外明显甚至能感觉到血液在指尖涌动对多数人来说这只是紧张时的偶发体验但对另一些人这种对身体内部信号的感知可能成为日常的主旋律。内感受——大脑对人体内部状态的感知与整合——不像视觉、听觉那样被我们明确意识到却始终在背后调节着情绪、决策和身体反应。而这几年一个叫主动推理Active Inference的框架正在给这类研究提供一套越来越完整的理论语言。我最初接触这个方向是被一个略显拗口的研究命题吸引Two Routes to Interoceptive Prioritisation: Dissociating Likelihood Precision and Preference Reweighting in Active Inference。翻译成大白话它想追问的是——当大脑把内部身体信号“优先处理”的时候到底走的是哪条路是身体信号本身变得“更清晰可信”了还是大脑对“与身体有关的偏好”做了重新加权这两件事在行为上看起来很像但在计算机制上可能完全不同。这篇文章我想把这条研究线掰开揉碎讲清楚它背后的理论背景、实验思路和潜在应用也顺带分享一些我在复现和扩展这类模型时踩过的坑。1. 先把地基打牢什么是内感受优先化为什么它值得较真1.1 内感受那个你很少注意到的“第六感”内感受interoception指的是大脑对来自身体内部状态信号的接收、表征和整合包括心跳、呼吸、胃肠活动、内脏充盈感、肌肉疲劳等等。它和你每天依赖的视听觉不一样——视听觉处理的是外部世界的物体和事件内感受处理的是“身体这台机器本身的运行状态”。你可能觉得它不起眼但它对行为和情绪的影响大得惊人。举个例子你感到焦虑的时候心跳会加快但有些实验发现如果被试能够更精确地感知自己的心跳ta会更倾向于在模糊情境中报告出更高水平的焦虑。这说明身体信号的感知和处理方式会反过来塑造我们的情绪体验和自我感。这个方向的研究以前往往被归在“躯体标记”或“情绪生理”的范畴里描述性强机制不够清晰。1.2 主动推理大脑不是在“被动看世界”传统认知科学喜欢把知觉比喻成“从下往上”的信息加工感觉器官收集数据大脑进行模式识别最后输出一个判断。主动推理Active Inference给出了一个不同的剧本大脑不是一个被动的信号接收器而是一个不断生成预测、再用预测与感觉输入之间的差值来更新自身模型的“推理机器”。它的核心逻辑可以用一句话概括——感知的本质是“用预测去解释感觉”而不是“从感觉里提取信息”。在这个框架里身体状态、外部世界和大脑的生成模型共同构成一个动态系统。系统想要维持稳定就要最小化“自由能”或者说最小化预测误差。而这个误差并不是所有信号都一视同仁地被对待它要经过一个重要的权重调节——精度加权precision weighting。精度越高这个信号对大脑模型更新的影响力就越大。这里的内感受优先化指的就是大脑在诸多感觉通道中“选择性地”放大对内部身体信号的重视程度。问题是这种“放大”到底是在哪个环节发生的标题里的两条路线给出了两套截然不同的解释。2. 两条路径的分岔口似然精度与偏好重新加权2.1 路径一似然精度——信号告诉你“这很重要”第一条路径叫作“提升似然精度”likelihood precision。在主动推理的术语里似然likelihood指的是给定某个隐藏状态时感觉信号出现的概率分布。它的精度——可以近似理解为分布集中程度或置信度——决定了这个感觉信号有多大话语权。如果你把大脑想象成一个正在听辩方和控方各自陈述的陪审团那么“似然精度”就是某个证人的证词有多可靠。一个用词精确、前后一致、且来自高分辨率传感器的证人当然会让陪审团更重视。在身体信号层面这意味着当大脑对心跳信号的“可信度评估”上调时哪怕客观刺激没变心跳信号对情绪、决策和身体感知的影响也会变大。从神经机制上看这条路径通常和感觉皮层的增益调节、前脑岛interoceptive cortex的核心区域的活动强度以及上行传入信号的信噪比调节有关。简单说它是“从身体到大脑”的这一段路被调亮了。2.2 路径二偏好重新加权——大脑告诉你“我更在乎这个”第二条路径则完全换了个角度它调整的不是感觉信号的“可信度”而是大脑先验偏好prior preferences的权重。在主动推理的语境下先验偏好可以被看作“大脑想要访问哪些状态”的预设倾向——它决定了系统愿意付出多大代价去靠近某个目标状态、回避某个状态。还是拿陪审团来做类比如果控方和辩方的证词都清晰有力但陪审团本身对“这个人是否危险”有强烈的预设倾向那么最终裁决会被这个倾向显著地拉偏。偏好重新加权就是这条“预设倾向”的权重被改变了。放在内感受优先化里它意味着大脑可能在认知层面、评价层面或“动机”层面把“关注身体内部”这件事本身设为更重要的目标。这和感觉信号的可信度无关——就算心跳信号本身很微弱、很嘈杂只要大脑决定“我一定要搞清楚自己现在的身体状态”它也会投入更多注意力资源去处理内感受信息。这条路径在计算上往往对应着生成模型中偏好先验C向量或E矩阵的调节在神经层面则更可能涉及前额叶皮层对价值编码和注意力分配的调控。2.3 两条路径的分界为什么不能混为一谈这条研究最核心的贡献不是发现“内感受会被优先化”——这个大家早就知道。关键在于它试图在计算层面把这两条路径分离说明它们在实验上可以被操纵、在模型上可以被区分。为了方便理解我把两条路径的几个关键差异整理成了表格比较维度路径一提升似然精度路径二偏好重新加权计算参数似然映射的精度precision of likelihood偏好先验的权重preference prior weight算法含义感觉证据的可信度上调目标状态的价值上调感受体验“身体信号变得更清楚了”“我变得更关心身体状态了”神经关联推测前脑岛、感觉皮层增益调节前额叶-边缘系统的价值编码变化行为表现内感受判断准确率提升对内感受信息的注意偏向和权重改变操纵方式改变刺激信噪比、调节注意增益改变任务目标、奖惩结构、动机诱导这个区分之所以重要是因为如果只从外在行为看两条路径都可能表现为“被试更重视身体信号”——但它们的神经基础、动力学机制和对干预的反应可能完全不同。换句话说这是把一个“看起来像一件事”的心理现象拆成了两个在计算上可分离的过程。3. 实验上怎么把两条路拆开设计思路与关键结果3.1 一个经典的内感受任务心跳感知要研究内感受优先化首先得有一个靠谱的行为范式。最常见的任务是心跳感知任务——被试需要判断自己的心跳是否与一个外部刺激同步例如一段声音是否落在心跳的节拍上。这类任务能给出一个心跳感知准确率interoceptive accuracy是衡量个体内感受能力的经典指标。但问题来了如果我在这个任务里观察到被试表现变好我是该说“ta的心跳信号被调得更清楚了”还是该说“ta更认真地完成这个任务了”前者对应路径一后者可能就涉及路径二。但注意行为表现上的提升并不自动等于某一条具体路径被激活。3.2 操纵分离从“变量混淆”到“双分离”研究者需要一个策略来分离这两条路径。常见的做法是采用双分离的逻辑找到某个操纵只影响路径一、另一个操纵只影响路径二然后观察它们是否产生不同的行为模式。对于路径一似然精度可以考虑改变内感受信号的信噪比。例如在某些试次中放大心跳信号的主观强度感知或通过相位性注意提示来调节感觉增益在计算模型里则放宽似然精度参数让模型估计它是否随条件变化。对于路径二偏好重新加权则可以通过改变任务奖惩结构来操纵——如果被试知道“这次准确识别心跳会有额外奖励”那么ta对“关注身体”这个目标的偏好就被临时加强了。在模型中这对应着偏好先验权重的参数变化。一个合格的研究设计需要让这两种操纵产生的行为影响在某个指标上分离理想情况下可能路径一的操纵改变了感知灵敏度比如信号检测论中的d而路径二的操纵改变了判断标准criterion或反应偏向。虽然实际数据不会那么干净但这是一个很值得借鉴的思路。3.3 模型比较让数据替你说“走的是哪条路”光有行为指标还不够因为不同机制可能产生相似的行为曲线。这时候就需要计算建模登场。常见的做法是针对同一个任务数据分别构建两个生成模型——模型A只包含似然精度的自由参数、模型B只包含偏好权重的自由参数模型C则让两条路径都可变——然后通过模型比较如贝叶斯因子、DIC或交叉验证来看哪个模型最能解释行为数据。这里有一个特别重要、也特别容易被忽略的细节参数的可辨识性parameter identifiability。如果两个参数在任何数据模式下都能互相替代那么模型比较就会失效。而我们常说的“双分离”正是为了让不同路径产生可区分的行为预测——否则你拟合一个“大杂烩参数模型”参数恢复一塌糊涂就等于白做。我在跑这类模型时一般会先做一轮参数恢复模拟parameter recovery用已知参数生成模拟数据再看反向拟合能不能找到原始参数。这一步不过模型的解释力就很可疑。4. 这个框架能往哪儿走从临床到工程再到方法论4.1 临床焦虑、躯体症状与计算精神病学内感受和情绪障碍的关联是这块研究最直接的应用出口。焦虑障碍患者往往对内感受信号过度敏感——医院里常见的主诉“心慌、胸闷、喘不上气”在排除了器质性病变后可能就是大脑对内感受信号的优先化方式出了问题。按照前面两条路径的区分我们可以把临床现象按机制做更精细的切分有些患者的“身体症状放大”是因为心跳信号的似然精度异常升高信号太清楚、想忽略都忽略不掉另一些患者的“身体症状放大”则可能是因为对“关注身体”这个先验偏好过度加权总觉得自己身体要出问题于是不断寻找证据。前者更偏向感觉层面的增益问题后者更偏向认知评价和价值编码问题。一旦做了这个区分干预思路就不一样了。对于前者心率变异性生物反馈、注意训练、感觉再训练可能更对症对于后者认知重评、暴露疗法、价值澄清和动机性访谈可能更有效。这正是计算精神病学追求的目标——用计算机制给心理障碍做“分型”而不是只按症状清单下诊断。虽然距离临床落地还有距离但这张地图已经比单纯的症状分类好用很多了。4.2 工程给机器智能体设计“身体感”这个框架还有一个很有意思的延伸方向具身智能embodied AI。现在的机器人大多在设计“外部感知”——视觉、激光雷达、触觉传感器但对“内部状态”的表征却很粗糙。如果想让机器人具备真正的自我监测能力——比如识别自身电池电量不足、机械臂关节过热、某处液压系统压力异常——那么它需要的不只是“传感器报警”而是把这些内感受信号整合进一个主动推理的生成模型中。这时标题提出的两条路径同样适用机器人的“内感受优先化”既可能来自对内感受信号精度的上调某个传感器数据质量更可信了也可能来自任务层面对“维护自身状态”这一目标的权重提升当任务策略更强调续航/安全时。在实现上前者可以对应传感器噪声协方差矩阵的自适应调节后者可以对应代价函数中状态代价的重新加权。这和人类的内感受优先化在算法层面是同构的。我觉得这是这个框架特别迷人的地方——本来为解释大脑而提出的计算机制反过来也可以指导工程系统。4.3 实操层面的方法论心得我踩过的几个坑关于这个方向我最后想掏心窝子地分享几条实操经验。第一内感受实验的被试内差异极大。有些人天生对自己的心跳几乎无感知另一些人则极度敏感。如果你的实验设计不把这种基线差异纳入控制很可能出现“全部被试被一个极端值主导”的情况。我习惯在正式实验前加一个简短的心跳感知筛选任务把极端低感知者单独分组处理。第二生理信号的质量直接影响结果。测内感受肯定要用心电图、呼吸带这些设备。但皮肤电极的阻抗变化、呼吸节奏对心率的调制、甚至被试的轻微移动都会制造大量伪迹。拿心电信号来说R波检测的阈值不能一劳永逸最好做逐段检查并把检测到的R峰位置与任务刺激时间戳做对齐验证。这一块做不干净后面的行为数据全是噪声。第三建模时一定先跑参数恢复。这不是学术洁癖而是程序性自保。因为内感受任务的行为指标本来就有限自由参数稍微一多模型就可能开始疯狂互相补偿。我见过不少论文模型拟合效果看起来不错但如果你把估计出的参数直接用来生成模拟数据行为曲线完全对不上——这就是在拿过拟合当发现。先做参数恢复、再报告模型比较是这套流程里最保值的一步。5. 常见问题速查从概念混淆到实操翻车这里把我在研究和复现这条路线时最常遇到的问题整理成一张速查表给做类似方向的读者一个快速排错的抓手。典型问题可能原因排查思路两条路径在模型中无法区分参数可辨识性不足实验操纵重叠做参数恢复模拟设计目标明确的实验条件减少自由参数行为指标对模型没有约束力任务过于简单或过于困难数据量不足提高试次数量引入信心评分、反应时等辅助指标考虑分层贝叶斯建模心跳感知准确率高但模型偏好参数不受约束偏好操纵太弱被试动机不足增加奖励幅度加入真实反馈操纵任务目标表述的显著性生理信号伪迹多行为数据漂移电极接触不良呼吸干扰设备采样率不足统一电极贴放位置记录呼吸带信号使用采样率≥500Hz的心电设备被试对内感受任务的理解偏差指令模糊内部信号与外部刺激同步判断很难加入练习模块和主观澄清使用表现检测是否偏离随机水平来剔除无效被试模型比较结果不稳定交叉验证折数过少先验设定不当使用留一法或K折交叉验证做先验敏感性分析报告稳健性检验我特别想强调最后一行模型比较的不稳定性是计算精神病学里一个非常隐蔽的坑。很多人跑完DIC或LOO看到结果稳定就松了一口气。但如果你换一组更宽松的先验结论可能就翻了。我在自己的项目里会养成一个习惯把关键参数的先验范围记录下来并做一个敏感性分析矩阵看看结论在多大范围内保持稳健。这样在审稿或向同行介绍时腰杆能硬不少。6. 一点延伸如果你正在考虑进入这个方向如果你正在犹豫要不要往主动推理和内感受方向投入时间我给你一个务实的判断标准如果一个问题让你觉得“光是讨论概念就已经收获很大、但你知道必须落到数据和模型上才真正有说服力”那这个方向值得做。内感受优先化恰恰就是这样的问题——它既有纯粹理论上的优雅又有清晰的实验路径和临床前景。从我自己的体会来说做得最痛快的时候并不是模型最终拟合数据的那一刻而是想清楚“这个行为结果到底在区分哪两条机制”的时候。那个“分岔口”一旦清晰了后面的实验设计、模型构建和结果解读都会顺理成章地展开。最后再分享一个小技巧如果你要在主动推理框架里做内感受研究别一上来就搭一个巨大而全的生成模型。先从一个最小化的设定出发——比如两状态、单模态、单时间步——把这个简化模型的预测写清楚再去逐层增加复杂度。这是我反复踩坑后得出来的方法复杂模型习惯性地把解释力建立在调参上而简单模型逼着你想清楚机制。想不清楚机制后面的路一定会还回来。