Filozoflar için “Sade Öngörmeli İşleme”: Öngörmeli İşleme Üzerine Bir Başucu Metni — Wanja Wiese, Thomas Metzinger

Görsel Midjourney AI ile tasarlanmıştır.

Özgün Adı: Vanilla PP for Philosophers: A Primer on Predictive Processing
Çevirmen: Ege Kingir
Editör: Sinem Gençtürk

Anahtar Kelimeler: aktif çıkarsama (active inference), dikkat (attention), Bayesci çıkarsama (Bayesian inference), çevresel tecrit (environmental seclusion), serbest enerji prensibi (free energy principle), hiyerarşik işleme (hierarchical processing), ideomotor prensibi (ideomotor principle), algı (perception), algısal çıkarsama (perceptual inference), hassasiyet (precision), öngörü (prediction), öngörü hatası (prediction error), minimizasyon (minimization), öngörmeli işleme (predictive processing), öngörmeli kontrol (predictive control), istatistiksel tahmin (statistical estimation), yukarıdan aşağı işleme (top-down processing)

Felsefeci okurları hedef alan bu kısa bölümün amacı, öngörmeli işlemede (predictive processing) yer alan ana konseptleri gözden geçirmek ve bu konseptlerin kısa ve öz açıklamalarını sunmak. Ana terimlerin bu koleksiyonda nasıl kullanıldıklarını görmek, kendini bu alanda uzman olarak görenler için bile kullanışlı olabilir. Başlangıçta işleri basit tutmak adına, öngörmeli işleme (Öİ) için önem arz eden bir dizi özellik tanımlayıp bunları kısa açıklamalar ve bir alfabetik sözlük ile destekleyeceğiz.

Burada açıklanan özellikler, yapılan Öİ tanımlarının tamamında yer almıyor. Bu özelliklerin bazıları belli bir Öİ modeli için gerekli değilken, bazıları üzerinde de anlaşmazlıklar var. Aslında yalnızca bu koleksiyonun yazarları bile bu özelliklerin tamamını kabul etmeyecektir. Biz de işi şeffaflaştırmak için yazarlarımızı, öne sürdükleri argümanları desteklemek adına hangi özelliklerin gerekli olduğunu ve (eğer varsa) hangilerinin onların tanımıyla uyumsuz olduğunu kısaca açıklamaları yönünde teşvik ettik. Açıklığı sağlayabilmek için burada özelliklerin tam listesini veriyor, özellikleri “Sade Öİ” (yani öngörmeli işlemenin, muhtemelen bu alanda çalışan çoğu araştırmacı tarafından kabul görecek bir formülasyonu) adına bizce ne kadar merkezi olduklarına göre kabaca sıralıyoruz. Daha detaylı açıklamalar aşağıda verilecek. Bu özelliklerin, “öngörmeli işleme” konseptinin uygulanması için her biri gerekli ve bir bütün olarak yeterli koşulları belirtmediklerini not edelim. Şu an için elimizdeki tek şey anlamsal bir yığın. Bu yığının, beraber alındıklarında yeterli olan kriterlerden oluşan alt kümeleri olabilir ve belki bu alt kümeler arasında kesişimler de vardır. Bu hala gelişmekte olan bir çerçeve; Öİ’yle ilgili tüm fikirler hakkında teorilerden bağımsız (theory-neutral), arka planda güçlü varsayımlara başvurmadan açıklamalar getirmek çok zor, belki de imkânsız. Yine de aşağıdaki özelliklerden 1–7 arasındakiler bu koleksiyonda Öİ olarak adlandırılan şey için gerekli özellikler denebilir:

1. Yukarıdan Aşağı İşleme: Beyinde kompütasyon yapılırken yukarıdan aşağı ve aşağıdan yukarı işleme arasındaki karşılıklı etkileşim önemli bir yer tutar. Öİ, algı ve eylemde yukarıdan aşağı ve aşağıdan yukarı sinyallerin birbirlerine göre ağırlıklandırmasına vurgu yapar.

2. İstatistiksel Tahmin: Öİ rastgele değişkenlere dair tahminlerin kompütasyonunu içerir. Bu tahminler, duyusal sinyalleri açıklayabilmek için varılan istatistiksel hipotezler olarak düşünülebilir.

3. Hiyerarşik İşleme: Öİ, hiyerarşik olarak organize olmuş estimatörler kullanır (bu estimatörlerin her biri farklı uzamsal ve zamansal ölçeklerdeki özellikleri takip eder).

4. Öngörü: Öİ, hiyerarşideki birçok rastgele değişkenin birbirini öngörebilmeyi sağlıyor oluşundan faydalanır.

5. Öngörü Hatası Minimizasyonu (ÖHM): Öİ öngörü hatalarının kompütasyonunu içerir, bu hata terimleri hassasiyet tahminleri tarafından ağırlıklandırılır ve Öİ’nin ana hedeflerinden biri bu ağırlıklandırılmış öngörü hatalarını minimize etmektir.

6. Bayesci Çıkarsama: Öİ Bayesci çıkarsamanın normlarıyla örtüşür: Hiyerarşik modeldeki öngörü hatası minimizasyonu tam olarak Bayesci çıkarsamanın sonucuna yakınsayacaktır.

7. Öngörmeli Kontrol: Öİ’ye göre organizma aldığı duyusal girdileri değiştirmek ve öngörüleriyle örtüştürmek adına eyleme geçebilir ve böylece öngörü hatasını minimize eder. Bu da organizmanın hayati parametrelerini (kandaki oksijen seviyesi, kan şekeri vb.) regüle etmesini sağlar.

8. Çevresel Tecrit: Organizmanın, çevresine ve vücuduna dair durumlara (states) direkt erişimi yoktur (“direkt algı” üzerine kavramsal bir analiz için bkz. Snowdon 1992), bu durumları -bedenden ve çevreden gelen duyusal sinyallerin gizli sebeplerini tahmin ederek- çıkarsayabilir. Bu, Öİ’nin bazı felsefi tanımlarına göre temel özelliklerden biri olsa da (Hohwy 2016; Hohwy 2017) hakkında tartışmalar bulunmaktadır (Anderson 2017; Clark 2017; Fabry 2017a; Fabry 2017b).

9. İdeomotor Prensibi: “İdeomotor” tahminleri hesaplamak algı ve eylemin dayanağını oluşturmaktadır çünkü bu tahminler, dünyamızdaki -algı tarafından kaydedilen ve eylemler tarafından oluşturulabilen- değişimleri kodlamaktadır.

10. Dikkat ve Hassasiyet: Dikkat, hassasiyet tahminlerini optimize etme süreci olarak tanımlanabilir.

11. Hipotez Testi: Algı, biliş ve eylemin altında yatan kompütasyonel süreçleri hipotez testi olarak tanımlayabiliriz (ya da içsel model lehine delil biriktirme süreci olarak). Kavramsal olarak pasif ve aktif hipotez testi arasında bir ayrım yapabiliriz (ve aktif hipotez testini eylem ile, pasif hipotez testini ise algı ile eşleştirmeyi deneyebiliriz). Fakat beyindeki tüm hipotez testlerinin (eğer böyle bir şey söylemek mantıklı ise) aktif hipotez testi olduğu ortaya çıkabilir.

12. Serbest Enerji Prensibi: Temelde Öİ, yalnızca serbest enerjiyi (çoğu Öİ tanımında serbest enerji, öngörü hatasının uzun vadedeki ortalamasıdır) minimize etmenin bir yoludur.

Aşağıdaki yazıda Öİ veya herhangi bir matematiksel temel hakkında bilgi sahibi olduğunuzu varsaymıyoruz. Bu giriş makalesi çoğunlukla Öİ çerçevesinin kavramsal temelleriyle sınırlı olacak. Kişi bu başucu metnini okuduktan sonra, bu koleksiyonun diğer makalelerindeki tartışmaları takip edebiliyor olmalı. Fakat biz okuyucularımızı aynı zamanda (Clark, 2016) ve (Hohwy, 2013) makalelerini -konu hakkında mükemmel iki felsefi monografi- okuyarak anlayışlarını derinleştirmeleri yönünde teşvik ediyoruz.

1. Öngörmeli İşleme Nedir? Yedi Temel Özellik

Öngörmeli işleme (Öİ); algı, eylem, biliş ve bunlar arasındaki ilişkiyi kavramsal olarak tek bir çatı altında açıklayabilmek için kullanılabilecek genel bir kompütasyon prensibini içeren bir çerçevedir. Direkt olarak altta yatan nöronal süreçlere dair bir teori olmasa da (bu teori kompütasyoneldir, nörofizyolojik değil) öngörmeli işlemenin beyinde nasıl yürütülebileceğine dair aşağı yukarı spesifik öneriler var (bkz. Engel ve ark. 2001; Friston 2005; Wacongne ve ark. 2011; Bastos ve ark. 2012; Brodski ve ark. 2015). Dahası, organizma-altı (subpersonal) seviyedeki (örn., kompütasyonel veya nörobiyolojik) analizlerin açıklamalarında kullanılabilen bazı prensipler, organizma seviyesindeki açıklamalara da (örn., kılgın fenomenlere (agentive phenomena), mantıklı düşünmenin yapısını veya bilincin içeriklerini açıklayan fenomenolojik raporlar) uygulanabilir gibi gözüküyor. Bu da Öİ’nin felsefe için ilginç ve felsefeyle alakalı olmasının sebeplerinden biri. Eğer Öİ teorisi doğru yoldaysa:

1. Biliş ve bilinç üzerine yapılan teorik ve deneysel çalışmalar arasında kavramsal köprüler kurulmasını sağlayabilir;

2. Birbirinden farklı gözüken fenomenler arasında beklenmeyen ilişkiler ortaya çıkarabilir;

3. Farklı teorik yaklaşımları belli ölçüde birleştirebilir.

Fakat öncelikle Öİ nedir? İşte teorinin anahtar fikirlerinden birinin görece eski formülasyonlarından biri:[1]

“Wenn die Anschauung sich nach der Beschaffenheit der Gegenstände richten müßte, so sehe ich nicht ein, wie man a priori von ihr etwas wissen könne; richtet sich aber der Gegenstand (als Ob­jekt der Sinne) nach der Beschaffenheit unseres Anschauungsvermögens, so kann ich mir diese Möglichkeit ganz wohl vorstellen.” (Kant 1998[1781/87], B XVII)[2]

Saf Aklın Eleştirisi’nin bu kısmında Kant’ın vurguladığı şeylerden biri de üzerinde sentezleme işlemlerinin uygulandığı duyusal materyali oluşturan sezilerimizin[3], olduğu gibi verilen duyu-verileri olmadığı (karşılaştırınız: Brook 2013, § 3.2). Duyu verileri sadece olduğu gibi alınmaz, aynı zamanda sezi yetimiz (Anschauungsvermögen) tarafından kısmen şekillendirilir. Bu fikir modern dile şöyle dökülebilir:

Duyusal işlemeye dair klasik teoriler beyni pasif ve uyaran (stimulus) tarafından yönetilen bir cihaz olarak görüyor. Bunun aksine daha yakın zamanlı yaklaşımlarsa algının yapıcı doğasını öne çıkarıyor, onu aktif ve oldukça seçici bir süreç olarak görüyor. Uyaranların işlenmesi sürecinin, talamokortikal ağları güçlü biçimde şekillendiren ve gelecekteki duyusal olaylar hakkında sürekli öngörüler üreten “yukarıdan aşağı etkiler” tarafından kontrol edildiğine dair bolca delil var (Engel ve ark., 2001).

İşte bu bizim öngörmeli işlemenin ilk özelliği olarak adlandırdığımız şey: Yukarıdan Aşağı İşleme. Görüldüğü üzere algının kısmen yukarıdan aşağı süreçlerle yönetildiği fikri yeni değil (bunu söyleyerek tabii ki geçmişte algıya dair baskın teorilerin, bu süreçlerin rolünü önemsemediği gerçeğini reddetmiyoruz). Öİ’nin buradaki yeni katkısı, yukarıdan aşağı işlemleri ve halihazırda var olan bilgileri algının her koşul ve zamanda -yani yalnızca duyusal girdiler gürültülü veya belirsiz olduğunda değil- mevcut bir bileşeni olarak göstermesi.[4] Öİ’ye göre kişinin beyni sürekli istatistiksel tahminler oluşturur ve bunlar dünyada o an var olan şeylerin temsilleri[5] olarak görev yaparlar (2. özellik: İstatistiksel Tahmin). Bu tahminler aynı zamanda hiyerarşik bir organizasyona sahip (farklı uzamsal ve zamansal ölçekleri takip ediyorlar; yani 3. özellik: Hiyerarşik İşleme).[6] Beyin bu temsilleri anlık (ve gelecekteki) duyusal girdileri ve bunların kaynağını öngörmek için kullanır. Bunun mümkün olmasının sebebi de hiyerarşinin farklı seviyelerindeki tahminlerinin birbirini öngörüyor olmasıdır (4. özellik: Öngörü). Öngörülerle gerçek duyusal girdiler arasındaki uyumsuzluklar pasif şekilde algı oluşumu için değil, yalnızca önceden yaratılmış olan temsillerin güncellenmesi için kullanılır (böylece, mümkün olduğu kadarıyla, gelmekte olan duyusal sinyali kestirmek için kullanılır). Bu güncellemelerin amacı, öngörüler sebebiyle oluşan öngörü hatalarını, Bayesci Çıkarsama (6. özellik; bunun hakkında aşağıda daha fazla konuşacağız) kurallarına uygun şekilde minimize etmektir (5. özellik: Öngörü Hatası Minimizasyonu (ÖHM)). ÖHM’nin kompütasyonel prensibi, beyindeki tüm işlemelerin (Öİ’deki tüm hiyerarşi seviyelerinde) uyduğu genel bir prensiptir. Bu noktada beyindeki işlemenin tamamını kontrollü faal (online) halüsinasyon şeklinde tanımlamaya çok yakınız:[7]

“İnsan beynini incelemenin verimli bir yolu; ona sıradan uyanık hallerde bile dünyayla ilgili halüsinasyonlar kuran, içsel otonom simülasyon dinamiklerini dışarıdan gelmekte olan duyusal girdilerle “çarpıştıran”, dünyayla ilgili dinamik bir şekilde hayal kurarak fenomenal deneyimleri oluşturan bir sistem olarak bakmaktır.” (Metzinger 2004[2003], syf. 52)

Fenomenal deneyimlere dair içeriklerin, Öİ’ye göre, yalnızca hiyerarşik organizasyona sahip öngörü hatası minimizasyonu sürecinin bir parçası olduğuna dikkat edelim (sürece dahil olan içeriklerin çoğu bilinçdışı). Yukarıda açıklanan altı ana özelliği toparlayıp bir de 7. özelliği eklediğimizde, bu koleksiyondaki anlamıyla öngörmeli işlemenin ne olduğuna dair net bir ifade sunabiliyoruz (bu tanımı aşağıda 8–12. özellikleri kullanarak zenginleştireceğiz):

Öngörmeli işleme (Öİ):

· hiyerarşik bir öngörmeli kodlamadır,

· hassasiyet ölçümlerinin aracılık ettiği[8] (precision-mediated) öngörü hatası minimizasyonu içerir[9],

· öngörmeli kontrole imkan tanır.

Bu tanımın, çoğunlukla öngörmeli kodlama olarak adlandırılan şeye göre halihazırda daha kapsamlı olduğuna (özellikle öngörmeli kodlama sadece veri sıkıştırma için kullanılan kompütasyonel bir stratejiyse; karşılaştırma için Shi ve Sun 1999; Clark 2013a) dikkat edelim. Birincisi, Öİ hiyerarşiktir. İkincisi, hassasiyet tahminleri geçmiş varsayımlar ile anlık duyusal kanıtlar arasındaki dengeyi istatistiksel olarak ideal şekilde sağlamanın ötesinde işlevsel görevleri yerine getirebiliyor (bkz. Clark 2013b). Üçüncüsü, Öİ Öngörmeli Kontrole (7. özellik; karşılaştırma için Seth 2015) olanak tanıdığı için sık sık eylem-odaklı olarak tanıtılıyor. Bu, bazıları tarafından kabul gören “eylem bir bakıma algıdan daha önemlidir; algı dünya hakkında bilgi edinme süreci olarak tanımlansa da bu bilgiyi edinmenin asıl işlevi organizmanın varlığını sürdürmesini sağlayacak, verimli ve bağlama duyarlı eylemlere imkân tanımak” şeklindeki varsayıma vurgu yapıyor. Öİ’yi Friston’ın serbest enerji prensibi (SEP) bağlamında ele aldığımızda bu daha belirginleşiyor[10]. Fakat bu konuyu açmadan önce bir adım geriye çekilelim ve öngörmeli kodlama perspektifinden algı problemine bakalım.

2. Öngörmeli İşleme ve Öngörmeli Kodlama

Öİ’nin neredeyse tüm özelliklerinde olduğu gibi, Öİ’nin algı hakkındaki perspektifinin de öncülleri mevcut. Örneğin Helmholtz’un şu ifadesini ele alalım:

“Die psychischen Thätigkeiten, durch welche wir zu dem Urtheile kommen, dass ein bestimmtes Object von bestimmter Beschaffenheit an einem bestimmten Orte ausser uns vorhanden sei, sind im Allgemeinen nicht bewusste Thätigkeiten, sondern unbewusste. Sie sind in ihrem Resultate ei­nem Schlusse gleich, insofern wir aus der beobachteten Wirkung auf unsere Sinne die Vorstellung von einer Ursache dieser Wirkung gewinnen, während wir in der That direct doch immer nur die Nervenerregungen, also die Wirkungen wahrnehmen können, niemals die äusseren Objecte.” (Von Helmholtz 1867, p. 430)[11]

Burada ele alındığı haliyle algı probleminin iki boyutu var: 1) algılar (percepts) bilinçdışı çıkarımsal bir sürecin sonucudur; 2) algılar bize dışsal nesnelerin özelliklerini sunar, fakat aslında dışsal nesnelerin sadece etkilerini algılayabiliriz. Bu fikrin modern bir açıklamasını Dennett’in 2013’te yayımladığı monografisinde (Sezgi Pompaları ve Diğer Düşünme Aletleri) bulabiliriz. Dennett beynin kendini içinde bulduğu bu gizemli durumu, aşağıdaki kurgusal senaryoya benzeterek karakterize ediyor:

“Dev bir robotu kontrol edebildiğiniz bir odada (kontrol odası) hapsedilmiş durumdasınız. […] Robot, birçok risk ve fırsat barındıran tehlikeli bir dünyada yaşıyor. Robotun geleceği sizin ellerinizde, tabii kendi geleceğiniz de robotunuzu bu dünyada ne kadar iyi yönetebildiğinize bağlı. Robot yok edilirse odanızdaki elektrik kesilecek, artık buzdolabınızda yemek olmayacak ve öleceksiniz. İyi şanslar!” (Dennett 2013, syf. 102)

Robotun içindeki insanın, robotun sensörleri aracılığıyla dünyaya yalnızca dolaylı yoldan erişimi var ve yaptırılan eylemlerin etkilerini bilemez, bunları çıkarsamak zorunda. Bu, Çevresel Tecrit olarak adlandırdığımız özelliği örneklendiriyor (8. özellik). Çevresel Tecrit, kompütasyonel değil, epistemolojik bir özellik. Fakat Öİ’deki kompütasyonların çözebildiği problemlerin tanımlarında bu terimin ismi geçiyor.[12] İçerideki insanın, robota ulaşan farklı farklı sinyallerin ne anlama geldiğini bulabilmesi için bu sinyallerin gizli sebepleri hakkında hipotezler üretmesi gerekiyor. Duyusal sinyallerin sebeplerini çıkarsamak bir ters problemdir (inverse problem) çünkü dışsal-gizli sebeplerden duyusal etkilere doğru olan haritalamayı tersine çevirmeyi gerektirir. Bu en hafif tabiriyle zor bir problem çünkü aynı etkinin birden fazla sebebi olabilir.[13] Yani sebepler (S) ve etkiler (E) arasındaki ilişki deterministik bir haritalamayla açıklanabiliyor bile olsa (f: C -> E), bu haritalamanın tersi (f-1: E -> C) genellikle var olmayacaktır. Peki beyin bu problemi nasıl çözüyor?

Öncelikle duyusal bir etkinin sebebi, etki sayesinde tam olarak belirlenemez; dolayısıyla bu gizli sebep hakkında iyi bir tahmin yapabilmek için geçmişten gelen bilgilerin kullanılması gerekiyor. Dahası, duyusal bir aygıtın dışsal sebepler tarafından nasıl etkilendiğini bilirsek bu gizli sebepler hakkında bilgimiz olduğunda duyusal etkileri çıkarsamak, tam tersini yapmaya göre daha kolay. Yani gizli sebepler hakkında bilgimiz olursa bunların duyusal etkileri hakkında bir öngörü oluşturabiliriz. Bu öngörü gerçekte olan duyusal sinyalle kıyaslanabilir ve ikisi arasındaki farkın -yani öngörü hatasının- miktarı bize gizli sebep hakkında yaptığımız tahminin kalitesi hakkında bir ipucu verir. Bu tahmini güncelleyebilir, yeni bir öngörü hesaplayabilir, yeniden anlık duyusal sinyallerle karşılaştırabiliriz ve böylece öngörü hatasını (umuyoruz ki) minimize edebiliriz. Gizli sebebe dair yaptığımız ilk tahminin çok kötü olması pek mühim değil çünkü sürekli öngörüler ve öngörü hataları hesaplayarak -ve tahminimizi bunlara göre güncelleyerek- gizli sebebin iyi bir temsilini bulduğumuza dair güvenimizi giderek artırabiliriz.

Bu stratejiyi basit bir örnekle açıklayalım. Bir öğretmen sınıfa girer ve masasının üzerinde “Öğretmen bir sahtekâr. Gerçekte böyle biri yok bile.” yazan bir kâğıt bulur. Mesajın mavi bir dolmakalemle yazılmış olması (öğretmenin bildiği kadarıyla) birçok öğrencisini adayların dışında bırakır. Suçluyu bulmak için öğretmen mavi dolmakalem kullanan tüm öğrencilerin tahtaya çıkmasını ve kendi kalemlerini kullanarak bir kâğıda bir şeyler yazmasını ister. Üç öğrenci (A, B ve C) öne çıkar ve hepsinin farklı markalarda mürekkep kullandıkları anlaşılır (bu da onların birbirinden ayrıştırılabilmelerini sağlar). Öğretmen artık mesajın gizli sebebi hakkında bilgiye dayalı bir tahmin yapabilir: İlk tahmininde A’nın suçlu olduğunu düşünür ve ondan mesajın aynısını yazmasını ister. Bu, asıl mesajın bir öngörüsü olarak görülebilir ve öğretmen asıl mesaj ile mesajın A tarafından tekrar yazıldığı versiyonunu karşılaştırarak gizli sebep hakkında yaptığı tahmini değerlendirir. Eğer mürekkep aynı gözüküyorsa öngörü hatası yoktur ve gizli sebebe dair yapılan tahminin değişmesine gerek olmaz — suçlu bulunmuştur. Eğer bir farklılık varsa öğretmen tahminini örneğin B’nin suçlu olduğu varsayımıyla güncelleyebilir. Öğretmen sürekli öngörüler (tahtaya çıkarılan öğrencilerin yazdığı mesajlar) oluşturup bunları asıl duyusal sinyallerle (masadaki asıl mesaj) karşılaştırarak öngörü hatasını sonunda minimize eder ve gerçek suçluyu bulur.

Bu kurgusal senaryo ile beynin gerçekte kendisini bulduğu durum arasında birçok farklılık var. Bir tanesi bu örneğin kişi seviyesinde bir irade içermesi (Dennett’in “dev robot” düşünce deneyindeki gibi): Yani öğretmen A’nın suçlu olduğu hipotezini A’ya o mesajı yeniden yazdırarak test ediyor. Dahası, olası gizli sebeplerin sayısı sonlu ve öngörü hatası öğretmene sadece belirli bir öğrencinin olaya dahil olmadığını gösteriyor. Suçlu hakkında daha fazla bir bilgi vermiyor; sadece bir tane şüpheliyi eliyor. Beyin tüm olası hipotezler üzerinden tek tek geçemez çünkü dünyadaki olası gizli sebeplerin sayısı sonsuz olabilir. Dahası, dünya dinamiktir, yani gizli sebeplerin temsillerinin de dinamik olması; çevredeki tüm alakalı ve öngörülebilir değişimlere adapte olup onları öngörmesi gerekiyor. Son olarak örneği daha gerçekçi kılmak için öğretmenin kendisine ulaşan her duyusal girdi için her zaman öngörüler oluşturduğunu düşünelim. Öğretmen mesaja yol açan nedensel etkileşimleri çıkarsayabileceği gibi çevresinde nedensellik örgüsü bağlamında olan biten her şeyi de (duyusal yolağa kendi etkisini de içererek) çıkarsayabilir.

3. Öngörmeli İşleme ve Bayesci Çıkarsama

Bayesci Çıkarsama (6. özellik), var olan fakat hakkında belirsizlik bulunan bilgiyi mantığa uygun şekilde[14] yeni delillerle birleştirmeyi sağlayan kompütasyonel bir metottur. Burada belirsizlik, bilginin olasılıksal bir formatta -yani olasılık dağılımı kullanılarak- açıklanabilmesi anlamına geliyor. Çok basit bir örnek olarak bir öznenin -yukarıda bahsettiğimiz öğretmen gibi- sonlu sayıdaki hipotezlerden hangisinin doğru olduğu hususunda belirsizlik yaşamasını verebiliriz. Bu durumda belirsizlik, öznenin hipotezlere 1’den küçük olasılıklar ataması (hiçbir hipotezin doğruluk olasılığına 1 vermemesi) şeklinde yansıtılır. Fakat bazı durumlarda -örneğin özne sürekli bir aralıkta herhangi bir değere sahip olabilecek bir nicelik hakkında gürültülü (noisy) bir ölçüm yaptığında- öznenin sahip olduğu bilgi en iyi, sonsuz sayıda ihtimal (“hipotez”) olarak modellenebilir. Böyle bir durumda bilgi, alt bölgelerine farklı olasılıklar atayan bir olasılık yoğunluk fonksiyonu (probability density function) -yani bir model- kullanılarak kodlanabilir. Bayesci çıkarsama, Bayes kuralını kullanarak şu soruya mantıklı bir cevap sağlar: Yeni bir bilgi edindiğimde modelimi nasıl güncellemeliyim? Yeni bilgiye bir örnek, öznenin bir ölçüm yaparak elde ettiği bilgi olabilir (öznenin ölçtüğü nicelik hakkında önceden de belirsiz bir bilgiye sahip olduğunu varsayıyoruz).

Bu güncelleme formel olarak, a posteriyori (“deneyden sonra”) dağılımı (bu terim aynı zamanda sadece sonraki dağılım olarak da adlandırılıyor) hesaplamayı içeriyor. Sonraki dağılım, a priori (“deneyden önce”) dağılım (ya da önceki dağılım) ile olabilirlik (likelihood) değişkenlerini birleştirerek elde ediliyor. Önceki dağılım, öznenin halihazırda sahip olduğu bilgiyi; olabilirlik ise öznenin bilgi sahibi olduğu alan ile yeni gelen bilginin birbiriyle nasıl bir ilişkide olduğunu kodluyor. Bayesci çıkarsamanın güzel bir özelliği, belirsizliği azaltabilmesi. Bu formel olarak sonraki dağılımın, önceki dağılıma göre daha düşük bir varyansa sahip olduğu -yani daha hassas (precise) olduğu- anlamına geliyor.

Yüzeysel olarak baktığımızda öngörü hatası minimizasyonu (ÖHM) ile Bayesci çıkarsama arasında belirgin bir bağlantı yok. Aslında Bayesci çıkarsamayı ÖHM kullanarak uygulamamızın neden yararlı olabileceği de bariz değil. Fakat bir iyi nedenimiz var. Algıyla ilgili yukarıda bahsettiğimiz ters problemin kötü tanımlanmış bir problem olduğunu hatırlayalım: Dışsal olayların etkileri olarak görülen duyusal sinyaller, çevremizdeki gizli sebeplere haritalanamaz çünkü her bir duyusal sinyal için birden fazla olası dışsal sebep var. Diğer bir deyişle, gizli sebepler hakkında belirsizlik mevcut. Bu sebepler hakkında önceki varsayımlar verildiğinde ve ölçtüğümüz duyusal sinyalleri yeni deliller olarak düşündüğümüzde, Bayesci çıkarsama bize gizli sebepler hakkındaki geçmiş varsayımlarımızı nasıl güncellememiz gerektiğine dair mantıklı bir çözüm sunuyor. Yani Bayesci çıkarsamanın bize verdiği şey (en azından teoride) “olasılıksal ters haritalama” gibi bir şey. Bu fonksiyon ölçülen bir duyusal etkiyi, farklı olası gizli sebeplere haritalıyor ve hangi olası sebeplerin duyusal etkiye gerçekten sebep olma ihtimalinin daha fazla olduğunu bildiriyor.

Fakat Bayesci çıkarsamaya sahipsek neden ÖHM’ye ihtiyacımız var? Çünkü Bayesci çıkarsama kompütasyonel olarak kompleks ve çok zor olabiliyor. Basit durumlarda sonraki dağılımı analitik olarak hesaplamak mümkünken diğer durumlarda bunu anca yaklaşık bir değer olarak bulabiliyoruz. Diğer bazı durumlarda ise sonraki dağılımı hesaplamak mümkün olsa da asıl bu dağılımın maksimize eden kısmını bulmayı istiyoruz (örneğin yeni delilleri hesaba kattığımızda doğruluk olasılığı en yüksek olan tek bir hipotez). Bu maksimize eden’i bulmak da kompütasyonel olarak uğraştırıcı olabilir ve yaklaşık tahminler bulduran metotları gerektirebilir. Bu metotlardan bazıları öngörü hatası minimizasyonunu içerir. Bayesci çıkarsamanın amacı öngörü hatası minimizasyonununkinden farklı da olsa; Bayesci çıkarsamayı algı probleminin bir çözümü olarak aldığımızda, öngörü hatası minimizasyonu da Bayesci güncellemelerin hesaplanması için bir çözüm sunuyor.

Bayesci çıkarsamanın aynı zamanda hiyerarşik modellerde de çalıştığına dikkat edelim. Birbirine komşu olmayan seviyelerdeki değişkenlerin birbirinden koşullu bağımsız olduğunu varsaydığımızda, farklı seviyelerdeki tahminler paralel olarak[15] güncellenebilir (karşılaştırma için Friston 2003, syf. 1342), bu da ideal bir dünyada evrensel olarak tutarlı bir tahminler seti ortaya çıkarır (Lee ve Mumford 2003, syf. 1437’de değinildiği üzere pratikte işler daha karmaşık). Buradaki ana fikir şu: Dünyadaki birçok nesne birbirini direkt nedensel olarak etkilemiyor olsa da bunlar aynı dünyanın nesneleri; bu da iki rastgele nesne arasındaki nedensel ilişkilere genellikle diğer nesnelerin aracılık ettiği anlamına geliyor. Benzer şekilde, tek bir nesnenin farklı özellikleri de birbirinden tamamen bağımsız değil çünkü bunlar aynı nesnenin özellikleri. Fakat bu durum, bu özelliklerin beyinde her zaman birlikte işlenmesi gerektiği anlamına gelmiyor. Örneğin mavi bir diskin temsili, bir lokasyonda belli bir rengin (mavi) ve aynı lokasyonda belli bir şeklin (disk) temsili sayesinde oluşturulabilir. Rengin lokasyonu hakkındaki bilgi bana şeklin lokasyonu hakkında bilgi veriyor. Fakat diskin lokasyonu hakkında ayrı bir temsile sahipsem, renk ve şekil birbirinden (koşullu) bağımsızmış gibi davranabilirim; yani diskin lokasyonu verildiğinde, renk hakkındaki bilgi bana şekille ilgili yeni bir bilgi vermiyor[16]. Bu, kompütasyonel açıdan daha az yoğun temsillere olanak tanıyor. Beyindeki işlevsel dağılım (functional segregation) da bu durumu yansıtıyor olabilir (karşılaştırma için, bahsettiğimiz durumu zamansal boyuta odaklanarak irdeleyen Friston ve Buzsaki 2016).

4. Öngörmeli İşleme ve İdeomotor Prensibi

Şu ana kadar öngörü hatası minimizasyonundan sadece “duyusal girdiler ışığında algılar yaratma yöntemi” olarak bahsettik. Fakat ÖHM’nin asıl rolü dünyadaki gizli sebepleri çıkarsamak değil, dünyada öznenin hayatta kalmasını sağlayacak değişimleri hayata geçirmek olabilir (aşağıda 7. kısıma bkz.). Aynı zamanda bu değişimlerin hedefi dışsal çevre değil, öznenin içsel doğası, yani vücudu olabilir. Biyolojik sistemlerde organizma bütünlüğü üst düzey öneme sahip çünkü stabil (içsel durumlarını kontrol edebilen) bir organizma farklı çevrelerde hayatta kalabilirken stabil olmayan bir organizma uygun çevrelerde bile hayatta kalamayabilir. Bu durum Anil Seth tarafından şöyle dile getiriliyor:

“Öİ, dış duyumdansa (dış çevreden doğan duyusal sinyalleri taşıyan klasik duyular) iç duyumda (vücudun içsel fizyolojik durumuyla ilgili duyu) daha doğal olarak uygulanabilir. Çünkü bir organizma için iç duyuma dair beklenmedik durumlardan kaçınmak, dış durumlara dair beklenmedik durumlardan kaçınmaktan daha önemlidir. Kandaki oksijen ya da şeker miktarının beklenmedik seviyelerde olması organizma için muhtemelen kötü şeylerin habercisiyken dış duyuma dair beklenmedik duyumsamalar (örneğin yeni görsel girdiler) daha az zararlı olmakla birlikte bazı durumlarda arzulanan bir şey bile olabilir […]” (Seth 2015, syf.9)

İç-duyusal (interoceptive) çıkarsama yalnızca vücudun içsel durumunu çıkarsamak değil, kandaki oksijen seviyesi ve kan şekeri gibi yaşamsal parametrelerin öngörmeli kontrolünü (7. özellik) sağlamaktır. Seth bu konuda aşağıdaki örneği veriyor.

“Beyin iç-duyusal çıkarsama aracılığıyla kan şekerinde bir düşüş fark ettiğinde oluşan algı (şekerli bir şeyler aşerme), hiyerarşik olarak daha yukarı seviyelerde öngörü hatalarına yol açar. Bu modeller birbiriyle eşleşen iç-duyusal ve dış-duyusal girdilere dair öngörüler oluşturmaya başlar ve bu öngörüler hiyerarşi boyunca aşağı yönde ilerler. Böylece oluşan öngörü hataları dizisi ya vücuttaki yağ deposunu kullanmak gibi bir otonom kontrol mekanizmasıyla (aktif çıkarsama) ya da dış çevreyi içeren allostatik[17] eylemlerle (şekerli şeyler bulup yemek gibi) çözülür.” (Seth 2015, syf. 10)

Bu yüzden iç-duyusal öngörü hatası minimizasyonu, Öİ’ye göre algı ve eylem arasında nasıl bir bağ olduğuna dair aydınlatıcı bir örnek. İç-duyusal ÖHM’nin amaçlarından biri organizmanın yaşamsal parametrelerini uygun sınırlar içinde tutabilmek; bu da hem bu parametrelerin güncel durumunu isabetli biçimde çıkarsayabilmeyi hem de gerektiğinde onları değiştirebilmeyi içeriyor. Friston bu durumu şöyle açıklıyor (aslında serbest enerjiyi minimize etmek bağlamında açıklıyor fakat bunu yapabilmek -belli varsayımlar eşliğinde- öngörü hatasını minimize etmeyi beraberinde getiriyor):

“Özneler serbest enerjiyi baskılamak için onun bağlı olduğu iki şeyi değiştirebilir: Gelen duyusal girdileri çevrelerini etkilemek suretiyle değiştirebilir veya içsel durumları üzerinde oynayarak tanıma yoğunluklarını (recognition density) değiştirebilirler. Bu ayrım eylem ve algı arasındaki farkla da güzelce eşleşiyor […]” (Friston 2010, syf. 129)

Kısacası duyusal sinyaller ile bu sinyallere dair (içsel tahminler sayesinde edinilen) öngörüler arasındaki hata miktarı, içsel tahminleri ya da duyusal sinyalleri (eylem aracılığıyla) değiştirerek minimize edilebilir. Bu durum, algı sırasında aktifleşen içsel temsillerin aynılarının eylemlere olanak tanıma esnasında da kullanılabileceğini öneriyor. Bu da sadece ortak bir veri formatı olduğu anlamına değil, aynı zamanda algının altında yatan temsillerin en azından bazılarının eylemlerin altında yatan temsillerle nümerik olarak aynı olduğu anlamına geliyor.

Bu varsayım James’in özünü şöyle açıkladığı ideomotor teorisinde zaten var (James 1890)[18]: “Eylem E’nin duyusal etkilerini temsil eden fikir, hareketin üretilmesi için anında bir öncül teşkil edecektir” (James 1890, syf. 586; italik yazım ihmal edildi). Yakın zamanda bu fikir eylem temsilinin ortak kodlama bağlamında açıklanması şeklinde ele alındı (bkz. Hommel ve ark. 2001; Hommel 2015; Prinz 1990).[19] Temel fikir hep aynı: Dünyadaki gizli sebeplere dair nöral temsiller, eylem hazırlıklarına dair nöral temsillerle kesişiyor (yani bu temsillerin bazı kısımları nümerik olarak eşit). Diğer bir deyişle, hem algılarımız olarak hem de motor emirler olarak işlev görebilen bazı “ideomotor” temsiller mevcut.[20]

Ideomotor Prensibi (9. özellik), kompütasyonel olarak eylem ve algı arasındaki formel bir ikilikten faydalanıyor. İkilik şu: Eğer ben algısal olarak işlerin geldiği nokta (state of affairs) olarak adlandırabileceğimiz bir p noktasına erişebiliyorsam, p’nin c olarak adlandırabileceğimiz algılanması mümkün sonuçları (ya da bileşenleri) vardır. Eylem hedef odaklı olduğu için bir eylemde bulunarak işlerin geldiği bir p noktasına erişmek istiyorum. Bu da demek oluyor ki eylemi, p’nin algılanması mümkün sonuçları c’nin ortaya çıkarıldığı bir süreç olarak tanımlayabiliriz. Algıyı da farazi bir eylemin etkilerinin (bu etkiler p’yi, dolayısıyla c’yi ortaya çıkarıyor) çıkarsandığı bir süreç olarak tanımlamak mümkün (bu fikrin detaylı bir açıklaması için bkz. Todorov 2009). Bu ikili perspektifin kompütasyonel faydaları, Friston ve meslektaşları tarafından geliştirilen aktif çıkarsama kavramıyla açığa çıkıyor:

“Beyni bu şekilde ele aldığımızda nöronlar hem sebep hem de sonucu temsil ediyor: Dünyadaki gizli durumlar hakkında koşullu beklentiler kodluyor, aynı zamanda da eylemler vasıtasıyla dolaylı yoldan bu durumlara sebep oluyorlar. […] Kısacası aktif çıkarsama, duyusal (sonuç) ve motor (sebep) temsiller arasındaki klasik ayrımları yıkıyor ve dairesel bir nedensellik ilişkisi doğuruyor. Bu da temsilleri optimize etmenin algı veya niyete (intention), yani algı veya niyet oluşturmaya denk düşmesi anlamına geliyor.” (Friston ve ark. 2011, syf. 138)[21]

Aktif çıkarsama çoğunlukla algısal çıkarsamadan ayrılır. Fakat hem ikisi de öngörü hatasının minimize edilmesiyle gerçekleştirildiği, hem de uygulanışları birbirinden düzgünce ayrışamadığı için aktif çıkarsama özellikle Friston ve meslektaşları tarafından aynı zamanda daha genel bir terim olarak da kullanılıyor. Bu terim serbest enerji prensibi bağlamında serbest enerjiyi minimize eden ve hem eylemin hem de algının altında yatan kompütasyonel süreçleri ifade ediyor: “Aktif çıkarsama — yani dünyayı etkilemek yoluyla (eylem) içsel durumları (algı) ve duyusal durumları değiştirerek serbest enerjiyi minimize etme.” (Friston ve ark. 2012a, syf. 539)[22]

Eylem ve algının ortak yanı, (bilinçdışı, yaklaşık olarak Bayesci) çıkarsamadır. Eylem ve algının altında yatan nöral yapıların birbiriyle kesiştiği varsayıldığı için aktif ve algısal çıkarsama birbiriyle uyum içerisinde çalışıyor.[23] Dolayısıyla İdeomotor Prensibinin bu güncellenmiş ve zenginleştirilmiş versiyonu, prensibin derin önerileri daha yeni yeni keşfedilmeye başlansa da eylem ve algı üzerine birleştirici bir perspektif sunuyor.[24]

5. Dikkat ve Hassasiyet

Öİ perspektifinde oluşturulmuş birçok kullanışlı fikirden bir tanesi de dikkatimizi yöneltme eyleminin aslında hassasiyet tahminlerini optimize etme olarak analiz edilebileceği fikri (10. özellik). Fikir ilk olarak Karl Friston ve Klaas Stephan tarafından ortaya atıldı (Friston ve Stephan, 2007) (Feldman ve Friston 2010 ile Hohwy 2012 makaleleri de bu fikri daha da açıyor). Hassasiyet tahminleri öngörü hatası terimlerini ağırlıklandırmaya yaradığı için, belli bir öngörü hatasıyla eşleşen hassasiyet bu hatanın diğer seviyelerdeki işlemelere etkisini belirliyor. Yani tahmin edilen hassasiyetin artması, bir uyaranın daha derin biçimde işlenmesini sağlıyor. Dahası, hassasiyet tahminleri aşağıdan yukarıya ve yukarıdan aşağıya olmak üzere iki farklı şekilde değiştirilebiliyor: Aşağıdan yukarıya, hassasiyet eldeki nesneye dair bir fonksiyon olarak tahmin edilebilir (yani nesnenin varyansının tersi); yukarıdan aşağıya yönde ise hassasiyet tahminleri hassasiyetin artması ya da azalması beklenen bağlamlarda ayarlanabilir (modüle edilebilir) veya zihinsel eylemler için amacı temsil eden şeyler olarak işlev görebilir (Metzinger 2017). Hassasiyet tahminlerinin aşağıdan yukarıya ve yukarıdan aşağıya değişimleri arasındaki fark, içsel ve dışsal dikkat arasındaki fark ile eşleştirilebilir (detaylar için, bkz. Feldman ve Friston 2010 ve Hohwy 2012).

Dikkatin hassasiyet-optimizasyonu olarak açıklanmasını kullanarak eylem ve dikkat arasında bir bağlantı da oluşturabiliriz. İdeomotor prensibine göre bazı nöral yapıların hem eylem hem de algının altında yatan nöral devrelerin birer parçası olduklarını hatırlayalım. N adında bir nöral yapının, birinin çenesini kaşımak üzere olduğunu algıladığımda ve kendi çenemi kaşımak üzere olduğumda aktifleştiğini varsayalım. Friston ve ark. (Friston ve ark. 2011, syf. 138) makalesini takiben, N hem algı hem de niyeti temsilen işlev görebilir fakat çoğunlukla bunların yalnızca bir tanesi olarak işlev görür. Yani, eğer ekopraksi hastası değilsem, bir hareketi algılamak benim aynı şekilde hareket etmeme sebep olmayacak (tabii insanların birbirini belli ölçülerde taklit ettikleri durumlar da var, bkz. Quadt 2017). Çenemi kaşımak üzere olduğum hipotezinin proprioseptif[25] duyu ve diğer duyulara dair öngörülere (örneğin kolum hareket ederken kaslarımın durumunu açıklayan öngörüler) sebep olacağına dikkat çekerek yukarıda bahsettiğimiz durumu Öİ çerçevesinden açıklayabiliriz. Gerçekten çenemi kaşımıyorsam, bu hipotez duyusal sinyallerle çelişecek ve büyük bir öngörü hatası oluşacak; bu da çenemi kaşıdığım hipotezinin güncellenmesine yol açacak. Diğer bir deyişle, bu öngörü hatalarının varlığında hipotez sürdürülemez. Yani hareketi sağlayabilmek adına duyusal öngörü hatalarıyla eşleşen hassasiyet tahminlerinin, yukarıdan aşağıya modülasyon ile ortadan kaldırılması lazım. Bunu dikkatin hassasiyet tahminlerini güçlendirdiği hipoteziyle birleştirdiğimizde, bahsettiğimiz modülasyonu dikkatimizi somatosensoriyel[26] sinyallerden uzaklaştırma olarak tanımlayabiliriz. Tersine, dikkatimizi duyusal uyaranlara yöneltmek de normal hareketi engellemeli (bkz. Limanowski 2017).

Eylem ve dikkat arasındaki bu bağlantıdan kişinin kendisini neden gıdıklayamadığını açıklama bağlamında da yararlanılmış (bkz. Van Doorn ve ark. 2014 ve Van Doorn ve ark. 2015). Hassasiyet tahminlerindeki sapmalar dikkat ve motor bozukluklarıyla bağdaştırılmış ve otizm ile şizofreni bağlamında dile getirilmiş (bkz. Gonzalez-Gadea ve ark. 2015; Palmer ve ark. 2015, Van de Cruys ve ark. 2014; Friston ve ark. 2014, Adams ve ark. 2016). Bu, Öİ’nin bilişsel nöropsikiyatri ve ilişkili alanlarda yeni bulguların ortaya çıkabilmesi için ne ölçüde bir verimliliğe sahip olduğuna ve bulguları açıklama gücüne dair yalnızca bir örnek.

6. Bir “Hipotez Test Edici” Olarak Beyin

Yukarıda bahsettiğimiz üzere dev bir robotun içine hapsolan bir insan (Dennett’in düşünce deneyini hatırlayalım) çevresi hakkında hipotezler kurmak zorunda. Bazıları Öİ’ye şüpheyle yaklaşsa da bazılarına bu teorinin çekici gelme sebebi, bunun gibi birey seviyesinde açıklamaları kompütasyon seviyesindeki açıklamalara da uygulayabilmesi (karşılaştırma için; 11. özellik, Hohwy 2010: “Bir Hipotez Test Edici Olarak Beyin (The hypothesis testing brain)” adlı makale). Fakat bu tarz açıklamalar dünyayı neden bu şekliyle algıladığımız ve bilhassa algısal organizasyonun formel prensiplerinin neler olduğu sorularına yanıt verebilmemiz için en azından bulgusal olarak faydalı olabilir. Richard Gregory’nin “Hipotezler Olarak Algılar (Perceptions as Hypotheses)” adlı klasik makalesi, algıların duyusal sinyalleri açıkladığı ve öngörme gücüne sahip olduğu fikrini inceliyor (Gregory 1980, syf. 182, 186). Helmholtz bu fikrin daha da detaylandırılmış halini, yani hareketlerin (movement) deneyler olarak görülebileceği fikrini halihazırda önermiş:

“[W]ir beobachten unter fortdauernder eigener Thätigkeit, und gelangen dadurch zur Kenntniss des Bestehens eines gesetzlichen Verhältnisses zwischen unseren Innervationen und dem Präsent­werden der verschiedenen Eindrücke aus dem Kreise der zeitweiligen Präsentabilien. Jede unserer willkührlichen Bewegungen, durch die wir die Erscheinungsweise der Objecte abändern, ist als ein Experiment zu betrachten, durch welches wir prüfen, ob wir das gesetzliche Verhalten der vorliegenden Erscheinung, d.h. ihr vorausgesetztes Bestehen in bestimmter Raumordnung, richtig aufgefasst haben.” (Von Helmholtz 1959[1879/1887], p. 39)[27]

Günümüzde ilgili tartışmalara konu olan bir uygulama da şu anda hipotez test etmenin bedenlenmiş (embodied) bir versiyonu olarak kavramlaştırılan sakkadik (sıçramalı) göz hareketleri (Friston ve ark. 2012). Bunun gibi bulgusal düşüncelere ek olarak, eğer Öİ bir teori olarak doğru yoldaysa beynin gerçekten çıkarsama ile uğraşıp uğraşmadığını sorabiliriz. Bu soru Alex Kiefer tarafından bu koleksiyondaki bir makalede olumlu cevaplanıyor (bkz. Kiefer 2017). Jelle Bruineberg ise daha şüpheci bir pozisyonu benimsiyor (bkz. Bruineberg 2017 ve Bruineberg ve ark. 2016). Halk psikolojisi (folk psychology) ve Öİ’nin birbiriyle nasıl bir bağlantı içerisinde oldukları ve halk psikolojisine dair kavramların bilimsel bağlamda kullanımlarının ne ölçüde yeniden gözden geçirilmesi gerektiğine dair daha genel sorunlar Joe Dewhurst tarafından tartışılıyor (bkz. Dewhurst 2017).

7. Öngörmeli İşleme ve Karl Friston’ın Serbest Enerji Prensibi

Şu totolojiyi düşünelim: Belli bir süre boyunca canlı kalmayı başaran her organizma bu süre zarfında ölmemiş olur. Dahası, canlı kalmak ölme riskini beraberinde getirir. Bu, yaşam konseptiyle ilgili derin bir içgörü değil, sadece yaşayan organizmalarla ilgili yüzeysel bir yorum. Fakat bu yorum ilginç şeyler ima ediyor. Yaşayan her organizmanın hayatta kalmak için kaçınması gereken ölümcül durumlar var ve belki de bir organizma ne kadar kompleks ise bu durumların sayısı o kadar fazla oluyor. Bunu anlamak için bir bakterinin hayatta kalabileceği çevreleri düşünelim ve bunu insanınkilerle karşılaştıralım. Bir organizma bir süre hayatta kalmışsa, o sürenin sonuna kadar ölümcül durumlardan kaçınabilmiş demektir.

Bir organizmanın kendisini içinde bulabileceği durumların listesini yapıp bunu organizmanın hayatta kalabileceği durumların listesiyle karşılaştırırsak iki şey buluruz:

1. Çoğu organizma için (örneğin insanlar) ikinci liste birinci listeden çok daha kısa olacaktır (çünkü çok fazla ölümcül durum var).

2. Hayatta kalmayı başarabilen bir organizmayı hatırı sayılır bir süre boyunca gözlemlersek, rastgele bir anda onu muhtemelen ikinci listeden bir durumun içerisinde buluruz (bu yukarıda bahsettiğimiz totolojinin bir yansıması).

Bu iki gözlemi biraz daha teknik bir anlatımla yeniden ifade edebiliriz. Organizmanın içinde bulunması mümkün olan tüm durumların oluşturduğu sete bu organizmanın durum uzayı diyelim. Buradaki “durum”, organizmanın duyu sisteminin aldığı mevcut duyusal sinyaller olarak tanımlanıyor. Prensipte, bu uzayın farklı kısımlarına olasılıklar atayan ve organizmayı yaşadığı süre boyunca bu kısımlarda bulmanın ne ölçüde olası olduğunu belirten bir olasılık dağılımı tanımlayabiliriz. Bu durumda bazı bölgeler yüksek, bazı bölgeler düşük olasılıklara sahip olacak (örneğin bir balığı denizde bulmak oldukça olası, karada bulmak ise hiç olası değil). Dahası, durum uzayının çoğu kısmı düşük olasılığa sahip olacak (çünkü çok fazla ölümcül durum var). Bu formel olarak olasılık dağılımının entropisinin düşük olduğu anlamına geliyor (durum uzayının tüm bölgeleri eşit olasılığa sahip olsaydı entropi[28] en fazla olurdu; basit bir formel örnek için paragrafın devamına bkz.). Elimizdeki bu olasılık dağılımıyla yaşamı boyunca rastgele bir anda gözlemleyeceğimiz bir organizmanın, durum uzayının hangi bölgesinde bulunacağı üzerine bir iddiada bulunabiliriz. Bahsettiğimiz dağılım durum uzayının çoğu bölgesine çok düşük olasılıklar atayacağı için oldukça hassas bir tahminde bulunabiliriz (örneğin bir balığın suda, bir tatlı su balığının da tatlı suda olacağını tahmin edebiliriz).

Şimdi de yaşamı boyunca bir balığın içinde bulunduğu durumların tekrarlı şekilde örneklerini topladığımızı ve bu örnekleri kullanarak bir deneysel dağılım oluşturduğumuzu düşünelim. Deneysel dağılım, örneklerin her bir bölgeden alınma frekanslarını yansıtan olasılıklar atar. Basit bir örnek olarak bir butona basıldığında 0 ya da 1 rakamlarından birini gösteren bir cihaz düşünelim; bu numaralar butona basan kişi tarafından bilinmeyen olasılıklarla gösteriliyor olsun. İki numara birbiriyle eşit olasılıklarla gösterilebilir (0.5) ya da biri diğerinden çok daha yüksek olasılıkla gösterilebilir (örneğin 0.9 olasılıkla 0 rakamı, 0.1 olasılıkla da 1 rakamı gösterilebilir). Birinin butona bastığı her anda, başka biri hangi rakamın gösterildiğini not etsin (bir kere not edildiğinde bir örnek elde edilmiş olur). Böylece her bir rakamın hangi sıklıkta gösterildiğini sayarak, yani göreceli frekansları kullanarak, deneysel bir dağılım oluşturabiliriz. Mesela 100 örnekten 14’ü 0 ise ve 86’sı 1 ise deneysel dağılım 0 rakamına 0.14, 1 rakamınaysa 0.86 olasılığını atar. Bu dağılımın entropisi yaklaşık 0.58 olur.

Fakat öncelikle entropi nedir? Entropi, bu örnekte cihazın gösterdiği farklı çıktıların yol açtığı ortalama sürpriz. Burada sürpriz, bir olayın olasılığının negatif logaritmasına karşılık gelen teknik bir kavram. Ortalama sürpriz (yani entropi) şu şekilde hesaplanır: H = -[0.14*log(0.14) + 0.86*log(0.86)]. Bu sayı düşük ise sebebi tekil çıktıların (en azından bu çıktıların çoğunun) sürpriz değerlerinin düşük olması olur. Yani entropinin düşük olması için, herhangi bir anda (en azından çoğu zaman) durumların yarattığı sürprizlerin düşük olması gerekir.

Bunu yine balık örneğine uygulayabiliriz. Balık çoğunlukla sürpriz olmayan durumlarda bulunacak. Balıklar hakkında sayısız bilgimize dayanarak durum uzayında balığın bulunması olası bölgeleri tanımlayabilir ve bu bilgiyi yansıtan bir “koltuk” dağılımı oluşturabiliriz. Veya balığı gözlemleyip durum uzayının farklı bölgelerinde göreceli bulunma sıklıklarını not edebiliriz. Uzun vadede deneysel dağılım, “koltuk” dağılımına giderek daha çok benzemeli. (Bu, ergodiklik[29] varsayımının, yani belirli rastgele süreçlerin formel olarak tanımlanmış bir özelliğinin, formel olmayan bir açıklaması; bkz. Friston 2009, syf. 293.)

Şu ana kadar balığı dışarıdan, gözlemcinin perspektifinden gözlemledik. Peki bakış açımızı değiştirip balığı “hayvanın perspektifinden (Eliasmith 2000, syf. 25’te adlandırıldığı gibi)” gözlemlersek ne olur? Buradaki kilit fark balığın şu anki durumunu bile bilmememiz. Bir organizma o anki durumu hakkındaki bilgiyi duyusal ölçümlerden alır fakat bu ölçümler ona ancak kısmi ve belki de gürültülü bilgiler verir. Dahası, organizmanın içinde bulunduğu durumların sürpriz miktarını hesaplayabilmesine yarayacak olasılık dağılımına erişimi yok. İşte burada serbest enerji prensibi (SEP) bir çözüm sunuyor (12. özellik).

SEP’in genel stratejisi iki adımdan oluşuyor. Birincisi içsel olarak kodlanan bir olasılık dağılımını (bir tanıma dağılımı), gizli durumların duyusal sinyaller verildiğindeki gerçek sonraki (posteriyor) dağılımıyla eşleştirmeye çalışmak. İkincisi duyusal sinyalleri, duyusal ve gizli durumların sürpriz miktarlarının herhangi bir anda düşük olacağı şekilde değiştirmeye çalışmak. Bu, işleri daha da zorlaştırabilir çünkü şimdi önümüzde iki problem var: Tanıma dağılımı, bilinmeyen bir posteriyor dağılımla nasıl eşleştirilebilir ve sürpriz miktarını hesaplamayı sağlayan dağılım bilinmiyorsa duyusal sinyallerin sürpriz miktarları nasıl minimize edilebilir? SEP’in marifeti iki problemi de serbest enerjiyi minimize ederek çözmesinde yatıyor. Burada serbest enerji, bilgi teorisiyle ilişkili bir nicelik ve bunu minimize etmek hayvanın perspektifinden de mümkün (detaylar için, bkz. Friston 2008; Friston 2009; Friston 2010).

Bunu anlatmak için biraz daha formel bir açıklamaya ihtiyacımız var (burada işleri oldukça basitleştiriyoruz fakat serbest enerji prensibine dair bundan çok daha detaylı, yine de okunabilir, bir açıklama Bogacz 2015 makalesinde bulunabilir). Öncelikle tanıma dağılımını bilinmeyen bir posteriyor dağılımla “eşleştirmek”, yalnızca tanıma dağılımının belirli bir forma (örneğin Gauss dağılımına) sahip olduğunu varsaydığımız Bayesci çıkarsamaya bir yakınsamadan ibaret. Bu da hesaplamaları basitleştiriyor. İkincisi, doğru modele yakınsamayı hesapladıktan sonra, serbest enerji duyusal sinyallerin sürpriz miktarına katı bir sınırlama getiriyor. Böylece duyusal sinyalleri değiştirme yoluyla serbest enerjiyi minimize etmek, dolaylı yoldan sürpriz miktarını da minimize ediyor.

SEP ile Bayesci çıkarsamanın arasındaki bağlantı açıkça ortada: Serbest enerjiyi minimize etmek, tanıma dağılımını kullanarak posteriyor dağılıma bir yakınsama yapmayı içeriyor. Tanıma dağılımının bir Gauss dağılımı (çan şekline sahip ünlü olasılık yoğunluk fonksiyonu) olduğunu varsayarsak, serbest enerjiyi minimize etmek aynı zamanda hassasiyet tahminleriyle ağırlıklandırılan öngörü hatalarını minimize etmeyi içeriyor. Yani en azından bu varsayım altında (Laplace varsayımı) SEP ile öngörü hatası minimizasyonu arasında da bir bağlantı oluyor. Aslında SEP’e, öngörmeli işlemenin yukarıda anlatılan farklı özelliklerini tekil ve formel olarak titizce tanımlanmış bir çerçevede birleştiren temel bir teori gözüyle bakılabilir. Fakat bu özelliklerinin hangilerinin aslında SEP’in kapsamına girdiği tartışma konusu. Yukarıda ifade edildiği gibi Çevresel Tecrit, tartışmalı özelliklerden bir tanesi (bkz. Fabry 2017a; Clark 2017). Dolayısıyla bu yeni önerinin çeşitli boyutlarına sadece empirik değil, aynı zamanda kavramsal ve meta-teorik bir perspektiften bakmak faydalı olabilir. Bu metin koleksiyonunun oluşturulmasındaki ana motivasyonlarımızdan bir tanesi de buydu.

Şekil 1. Serbest enerjiyi minimize etmenin dolaylı yoldan sürpriz miktarını da nasıl minimize edebileceğine dair şematik bir gösterim. Tanıma dağılımı, başlangıçta gerçek posteriyor dağılımla (gizli sebeplerin duyusal sinyaller verildiğindeki dağılımı) tam olarak eşleşmeyecek. Tanıma dağılımını geliştirmek için, onu öyle bir değiştirebiliriz ki ölçülen duyusal sinyaller bu dağılım verildiğinde daha olası olur (yani modele dair deliller artar). Bunu pratiğe dökmenin bir yolu öngörü hatasını minimize etmektir. Buradaki varsayım duyusal sinyallerin sürpriz miktarının düşük olması; tanıma dağılımı da bu durumu yansıtmalı (yani tanıma dağılımı öyle bir değişecek ki, bu dağılıma göre duyusal sinyallerin sürpriz miktarı düşük olacak). Tabii ki bu durumda hâlâ duyusal sinyaller gerçek posteriyor dağılıma göre sürpriz verici olabilir. Bu yüzden tanıma dağılımının test edilmesi gerekir. Bu da çevremizi değiştirerek dolaylı yoldan yapılır: Bu durumda eğer uygun bir tanıma dağılımımız varsa duyusal sinyallerin sürpriz miktarı düşük olur. Buna aktif örnekleme denir. Duyusal sinyaller her zaman belli bir ölçüde şaşırtıcı olacaktır, dolayısıyla tanıma dağılımının sürekli ayarlanması gerekir. Bunu aktif örnekleme takip eder, sonrasında tanıma dağılımı yeniden ayarlanır vs. Yani bu önyükleme (bootstrapping) süreci sürekli bir deneme yanılma protokolüyle çalışır ve özne ile çevresi arasındaki sıkı nedensellik ilişkisine dayanır. Şekildeki siyah oklar zamansal bir sekansa işaret etmek amacıyla eklenmiş olsa da algısal çıkarsama ile aktif çıkarsama arasında net bir zamansal ayrım olmak zorunda değil: Önyükleme süreci bedensel hareketler ile de başlayabilir.

Sözlük

Aktif çıkarsama: 1) Öngörü hatası minimizasyonunu, içsel modelimizi değiştirerek (algısal çıkarsama: “modeli dünyaya uydurma”) değil de dünyamız üzerinde eylemde bulunarak gerçekleştirdiğimiz (“dünyayı modele uydurma”) kompütasyonel süreç. 2) Aynı zamanda hem eylem hem de algının altında yatan hesaplamaların tamamı için kullanılan daha genel bir terim. SEP bağlamında da serbest enerjiyi minimize eden tüm kompütasyonel süreçler için kullanılıyor.

Bayesci çıkarsama: Modeli Bayes kuralına göre güncelleme (yani posteriyor dağılımı hesaplama: p(c|s) = p(s|c)*p(c)/p(s). Örnek için (bkz. Harkness ve Keshava 2017).

Karşıolgusal (Counterfactual) model[30]: Olası eylemleri gelecekteki olası durumlara bağlayan bir koşullu olasılık dağılımı (tanım Friston ve ark. 2012b makalesi izlenerek yapılmıştır).

Tahmin edici: Bir istatistiksel tahmin edici, örneklem olarak alınan bir grup rastgele değişkenin bir fonksiyonudur. Yani bir tahmin edici, gözlemlenen verilerden bir tahminin nasıl hesaplanacağını belirler. Tahmin, bir tahmin edicinin ortaya çıkardığı belirli bir değerdir (bu değer belirli örneklemler -yani rastgele değerlerin uygulamada kullanılmaları- elde edildiğinde hesaplanır).

“Örtbas etmek (Explaining away)”: Bu metindeki bağlamıyla “örtbas etmek” kavramı belirsiz bir kavram. 1) Bazı yazarlar yukarıdan aşağıya öngörülerle duyusal sinyallerin “örtbas edildiği”ni savunuyor (karşılaştırma için Clark 2013a, syf. 187). 2) Terimin kullanıldığı bir diğer bağlam da birbiriyle yarışan hipotez veya modellerin birbirini “örtbas etmesi” (karşılaştırma için Hohwy 2010, syf. 137). 3) Üçüncü bir anlam ise öngörü hatasının örtbas edilmesi (karşılaştırma için Clark 2013a, syf. 187).

Serbest enerji: Friston’ın SEP teorisi bağlamında serbest enerji, termodinamik değil, bilgi teorisine bağlı bir niceliktir ve sürpriz miktarının yukarı limitini belirler. Bu sıkı bir limitse, dünyada değişiklik yaratmak suretiyle serbest enerjiyi minimize ettiğimizde duyusal sinyallerin sürpriz miktarlarını da azaltabiliriz.

Gauss dağılımı: Çan şeklindeki ünlü olasılık dağılımı (normal dağılım olarak da adlandırılır). Önemi, birçok dağılımın toplu olarak Gauss dağılımıyla temsil edilebileceğini belirten merkezi limit teoreminden geliyor.

Generatif model: İki ya da daha fazla rastgele değişkenin oluşturduğu birleşik olasılık dağılımı (Çoğunlukla önceki (prior) ve olabilirlik (likelihood) terimleri cinsinden ifade ediliyor: p(s,c) = p(s|c)*p(c). Bazen olabilirlik (p(s|c)) terimi tek başına “generatif model” olarak adlandırılıyor). Modele, duyusal sinyallerin (s) gizli sebepler © tarafından nasıl oluşturulduğunu modelliyor oluşu sebebiyle generatif deniyor. Dahası, bu modeller gizli sebeplerin bir tahmini verildiğinde sahte duyusal sinyaller de oluşturabiliyor.

Hiyerarşi: Öİ, farklı uzay ve zamansal ölçeklerde çalışan bir tahmin ediciler hiyerarşisini barındırır (böylece bu tahmin ediciler farklı ölçeklerdeki özellikleri takip eder). Hiyerarşinin illa bir tepe noktası olmak zorunda değil fakat bir merkezi olabilir — hiyerarşideki seviyeleri bir disk veya küre üzerindeki halkalar olarak düşünebiliriz.

Ters Problem: Öngörmeli işleme perspektifinden baktığımızda algı problemi, gizli sebeplerden duyusal sinyallere doğru olan haritalamayı tersine çevirmeyi gerektirir. Problemin birden fazla çözümü olduğu ve duyusal sinyaller çoğunlukla gürültülü olduğu için bu zor bir problemdir (yani gizli sebeplerden duyusal sinyallere doğru olan haritalama deterministik değildir).

Öngörü: Öngörü, bir tahminin, başka bir tahmin (öngörülen tahmin) ile de karşılaştırılabilen, deterministik bir fonksiyonudur. Öngörüler mutlaka gelecek hakkında değildir (bir değişken diğer bir değişken hakkında bilgi taşıyorsa, yani aralarında bir korelasyon varsa, onu öngörebilir; karşılaştırma için Anderson ve Chemero 2013, syf. 204). Yine de Öİ’deki birçok tahmin, zamansal anlamda da öngörme işlevi üstlenir (karşılaştırma için Butz 2017; Clark 2013c, syf. 236).

Hassasiyet: Rastgele bir değişkenin hassasiyeti, varyansının tersidir. Diğer bir deyişle ortalamadan sapmalar arttıkça, o rastgele değişkenin hassasiyeti düşer.

Rastgele Değişken: Olasılık uzayı ile ölçülebilir uzay arasında ölçülebilen bir fonksiyon. Örneğin altı yüzlü bir zar, altı tane eşit olasılıklı olayı {1,2,3,4,5,6} setindeki rakamların bir tanesine haritalayan bir rastgele değişken olarak modellenebilir.

Sürpriz: Bir model verildiğinde bir olayın ne kadar beklenmedik olduğunu belirten, bilgi teorisine ait bir kavram. Tam olarak bir olayın olasılığının negatif logaritmasına denk geliyor. Kişi seviyesinin altında (subpersonal), bilgi teorisi bağlamında bahsedilen “sürpriz” konseptiyle kişi seviyesindeki fenomenolojik “sürpriz” kavramını karıştırmamak önemli.

Notlar

[1] Burada Helmholtz’un, algının bilinçdışı çıkarsamaların bir sonucu olduğu yönündeki ünlü fikrine bir gönderme beklenebilir — aşağıda bu kesite değineceğiz. Helmholtz’un algı hakkındaki görüşü önemli ölçüde Kant’tan etkilenmiştir (her ne kadar Helmholtz öğrenme ve deneyimin rolünü Kant’a göre daha fazla vurgulamış gibi gözükse de, bkz. Lenoir 2006, syf. 201&203). “Dass die Art unserer Wahrnehmungen ebenso sehr durch die Natur unserer Sinne, wie durch die äusseren Dinge bedingt sei, wird durch die angeführten Thatsachen sehr augenscheinlich an das Licht gestellt, und ist für die Theorie unseres Erkenntnissvermögens von der höchsten Wichtigkeit. Gerade dasselbe, was in neuerer Zeit die Physiologie der Sinne auf dem Wege der Erfahrung nachgewiesen hat, suchte Kant schon früher für die Vorstellungen des menschlichen Geistes überhaupt zu thun, indem er den Antheil darlegte, welchen die besonderen eingeborenen Gesetze des Geistes, gleichsam die Organisation des Geistes, an unseren Vorstellungen haben.” (Von Helmholtz 1855, p. 19). (Bizim çevirimiz: Bu gerçekler, algımızın doğasının dışsal objeler kadar bizim duyularımızın doğasıyla da sınırlandırıldığını gösteriyor. Bu, epistemik yetilerimiz hakkındaki bir teori için azami öneme sahiptir. Kant’ın daha önce zihnimizin doğuştan var olan kurallarının -bir bakıma zihnimizin organizasyonunun- fikirlerimize verdiği katkıyı açıklamak suretiyle insan zihninin ürettiği fikirler hakkında değindiği noktayı, duyularımızın fizyolojisi de deneyim yoluyla gösterdi. Öİ’nin Kantçı temellerine dair genel bir değerlendirme için bkz. Swanson 2016.

[2] “Seziler nesnelerin yapısına göre şekillenmek zorundaysa, nesneler hakkında apriori olarak herhangi bir şey bilmemizin nasıl mümkün olabileceğini göremiyorum; fakat nesne (duyularımızın nesnesi) sezi yetimizin yapısına göre şekilleniyorsa, bu olasılığı kendime pekâlâ açıklayabilirim.” (Kant 1998, B xvii)

[3] (Ç.N) Burada Kant’ın “sezi” (intuition) kelimesiyle ne kastettiğine dair bir açıklama sunmak adına şu alıntıyı paylaşmayı faydalı buluyorum: “Sezi; bilişin hangi yolla ve araçlarla olursa olsun nesneyle kurduğu ilişki, nesneyle direkt olarak bağlantı kurmak adına kullandığı yol ve üzerine tüm düşüncelerin birer araç olarak yöneltildiği şeydir. Fakat bu yalnızca nesnenin bize verildiği ölçüde gerçekleşir, nesnenin bize verilmesi de nesne zihni belli bir şekilde etkileyebiliyorsa mümkündür. Nesnelerden etkilenme yolumuz sayesinde temsiller edinebilme kapasitemiz (alıcılık) duyarlık (sensibility) olarak adlandırılır. Dolayısıyla nesneler bize duyarlık vasıtasıyla verilir ve bu sezi yetimizin var olması için yeterlidir. Fakat seziler hakkında anlayış (understanding) vasıtasıyla düşünürüz ve bu süreç sonucunda ortaya kavramlar çıkar.” (A 19/B 33, ilk paragraf)

[4] Tabii ki Kant’ın kendisinin seziler (Anschauungen) üzerindeki aktif (yukarıdan aşağı) etkilerin ne derecede “her zaman mevcut olan” etkiler olduğunu düşündüğü sorulmaya değer bir soru. En azından Saf Aklın Eleştirisi’nden bazı kesitler, Kant’ın kavrayış yetimiz (cognizing) (kavramların kendiliğindenliği) tarafından uygulanan yukarıdan aşağı etkilere daha fazla önem verdiğini gösteriyor:

“Unsere Erkenntnis entspringt aus zwei Grundquellen des Gemüts, deren die erste ist, die Vorstellungen zu empfangen (die Rezeptivität der Eindrücke), die zweite das Vermögen, durch diese Vorstellungen einen Gegenstand zu erkennen (Spontaneität der Begriffe); durch die erstere wird uns ein Gegen­stand gegeben, durch die zweite wird dieser im Verhältnis auf jene Vorstellung (als bloße Bestimmung des Gemüts) gedacht.” (Kant 1998[1781/87], B 74).”

“Bilişimiz zihindeki iki temel kaynaktan doğar, birincisi temsillerin alınması (izlenimlerin alınabilirliği), ikincisi de bir nesneyi onun temsilleri yoluyla kavrayabilme yetisi (kavramların kendiliğindenliği). İlki aracılığıyla nesneler bize verilir, ikincisi aracılığıyla da bu temsillerle ilişkisi üzerinden düşünülür (yalnızca zihnin bir saptaması olarak). (Kant 1998, B 74). Fakat bu sorunun ciddi bir incelemesi için, sezilerin oluşumunda bilinçdışı temsillerin etkisine odaklanılmalı (bkz. Giordanetti ve ark. 2012).

[5] “Temsil” kelimesinin buradaki kullanımı tartışmaya tamamen kapalı değil. Öİ’nin temsillere dair bir şey önerip önermediği ve eğer öneriyorsa onları en iyi nasıl tanımlayabileceğimize dair tartışmalar var (bkz. Gładziejewski 2016; Downey 2017; Dolega 2017). Fakat en azından Öİ’nin önermelerine dair temsilci perspektiften yapılan açıklamalara temsilci (veya yönelimsel) bir terminolojiyle yaklaşabiliriz (karşılaştırma için Egan 2014; Anderson 2017). Sonuç olarak bazıları karşı çıkacak olsa da biz Öİ’de yapılan tahminleri temsiller olarak tanımlamayı en azından bu başucu metni özelinde kullanışlı buluyoruz (bazı yazarlar bu önermelerin tam anlamıyla temsiller olmadıklarını savunsa da).

[6] Buradaki tahminlerin hiyerarşisi, bir hiyerarşik üretken (generatif) model gerektiriyor. Generatif model, bir dizi rastgele değişkenin ortak dağılımıdır (sözlük kısmına bakınız). Bir hiyerarşik generatif model, -komşu olmayan seviyelerdeki değişkenlerin koşullu bağımsız (conditionally independent) olduğu- rastgele değişkenlerin hiyerarşisine denk gelir (bu, örneğin nedensel ilişkiye sahip nesne veya olayların hiyerarşisini temsil edebilir, bkz. Drayson 2017). Öİ’deki tahminler hiyerarşisi, rastgele değişkenler hiyerarşisindeki değerleri takip eder. Generatif modellerin bulgusal bir anlatısı (Clark, 2016) kitabının giriş kısmından okunabilir. Bize generatif modellerden bahsetmeyi hatırlatan Chris Burr’e minnettarız.

[7] Horn (Horn 1980, syf. 373), “görmenin kontrollü bir halüsinasyon olduğu” fikrini Clowes’a (Clowes 1971) atfediyor. Fakat Clowes’un bu formülasyona en çok yaklaştığı ifadesi “İnsanlar ne görmeyi bekliyorlarsa onu görür” (Clowes 1969, syf. 379; karşılaştırma için Sloman 1984) gibi duruyor. Daha yakın zamanda benzer bir fikir Grush tarafından gündeme getiriliyor (Grush 2004, syf. 395; o bu fikrin ortaya çıkışını Ramesh Jain’e atfediyor): “Duyunun oynadığı rol, bu temsilin şeklini ve evrimini sınırlamak. Bir parolaya indirgeyecek olursak, algı kontrollü bir halüsinasyon sürecidir.”

[8] (Ç.N) Bu terimin açıklaması metnin ilerleyen kısımlarında yapılacak. (bkz. 5. Dikkat ve Hassasiyet)

[9] Bu tanımın ilk iki maddesi aşağı yukarı Clark’ın önerdiği tanıma denk düşüyor (Clark 2013a, syf. 202; Clark 2015, syf. 5). Clark ayrıca (Clark 2013a)’da eylem-odaklı Öİ’yi tanıtıyor (bu da bizim tanımımızın son maddesini kapsıyor). Bu üç özellik aynı zamanda Hohwy’nin öngörü hatası minimizasyonu anlatısı için de merkezi bir konumda (bkz. Hohwy 2013’ün ilk dört bölümü).

[10] Buna aşağıda daha detaylı değineceğiz. SEP olmadan da Öİ tanımları geliştirebileceğimize dikkat edelim (Öİ, bir bakıma SEP’ten bağımsız), fakat Öİ, öngörü hatası minimizasyonunu serbest enerjiyi minimize etmenin bir yolu olarak inşa etmek suretiyle (bu da SEP’in özel bir durumu olur) SEP’in içerisine yerleştirilebilir (bkz. Friston ve Kiebel 2009).

[11] “Önümüzde belli bir yerde belli bir karaktere sahip belli bir nesne olduğunu çıkarsamamızı sağlayan zihinsel aktiviteler, genellikle bilinçli değil bilinçdışı aktivitelerdir. Bu aktivitelerin sonuçları; ancak duyularımız tarafından gözlemlenen eylemler bize bu eylemlerin olası sebepleri hakkında bir fikir sahibi olma imkânı tanıdığı ölçüde bir nihailik taşır. Aslında direkt olarak algıladığımız şey her zaman sinirsel uyarımlardır fakat bu uyarımlar dışsal nesnelerin kendileri değil, eylemlerdir.” (Von Helmholtz 1985[1925], syf. 4)

[12] İşte bazı örnekler: “Görsel algı sırasında beynimizin, göze gelen ışığın şiddeti ve dalga boyunun uzamsal dağılımı hakkındaki bilgiye erişimi var. Beyin, bu bilgiden yola çıkarak algılanan görüntüyü (yani görüntü oluşturma sürecinin sonucunu) oluşturan nesnelerin dizilişine (yani sebebe) dair çıkarım yapmak zorunda.” (Spratling 2016, syf. 1 önbaskı)

“Bunların ilki (olasılıksal generatif modellerin algı ve eylemde yukarıdan aşağı yönde kullanılışı) oldukça önemli fakat aynı zamanda soyut bir öneriyi içeriyor: Algı ve eylemin her ikisi de ‘sentez aracılığıyla analiz’ yapmanın belli bir formuna dayanıyor; gözlemlenen duyusal veriler, bu verileri oluşturabilecek gizli sebepler içerisinden en iyi adayların bulunması sayesinde açıklanıyor.” (Clark 2013a, syf. 234; fakat nitelikli bir görüş için aynı zamanda bkz. Clark (basım aşamasında))

“Benzer şekilde, bilincin bütünselliği (unity) kavramına öngörü hatası çerçevesinden yaklaşırken kullanılan başlangıç noktası da bahsettiğimiz dolaylılık ile ilişkili: Beyin, kafatasının içerisinden, kendisine ulaşan duyusal girdilerin gizli sebeplerini çıkarsamak durumunda.” (Hohwy 2013, syf. 220)

[13] Bu sebeple, bahsettiğimiz problem kötü tanımlanmış bir problem olarak ele alınabilir (bkz. Spratling 2016) fakat bazı yazarlar “bu problemi nasıl çözeceğimizi bulma problemi”ni kötü tanımlanmış olarak ele alıyorlar (bkz. Anderson 2017).

[14] Burada “mantığa uygun şekilde” demek, olasılık aksiyomlarıyla uyumlu olmak demek. Koşullu olasılığın tanımı kullanılarak, Bayesci çıkarsamanın aynı zamanda enformasyon teorisi bağlamında da ideal olduğu gösterilebilir (bkz. Zellner 1988).

[15] (Ç.N) Birbiriyle eş zamanlı da denebilir.

[16] (Ç.N) Renk ve şekil birbirinden koşullu bağımsız değilken; renk hakkındaki bir bilgi (rengin lokasyonu) bana şekil hakkında yeni bir bilgi veriyordu (şeklin lokasyonu).

[17] (Ç.N) Vücudun çevredeki stres unsurlarına karşı aksiyon alarak fizyolojik dengeyi koruması olarak tanımlanabilir.

[18] Bu fikrin bir diğer öncülü Herbart’ın (Herbart 1825, syf. 464 f.) ve Lotze’nin (Lotze 1852, syf. 313 f.) çalışmalarından okunabilir.

[19] İdeomotor yaklaşımlara dair bir derleme (Badets ve ark. 2014) makalesinden okunabilir. Tarihsel bir genel bakış da (Stock ve Stock 2004) makalesinde bulunabilir.

[20] Aslında ideomotor temsiller bazen algıya hiyerarşinin yüksek kısımlarından gelen (geç) katkılar ve eylemin (erken) öncülleri olarak anılıyor (şimdiki alıntıda “EKT”, eylem kodlama teorisini (EKT) temsil edecek): “EKT, eylemlere yol açacak olan ‘erken’ duyusal işlemelerin kompleks mekanizmalarıyla uğraşmıyor. Diğer taraftan eylemler konusundaki odağı da -çevrede oluşturulacak olan olayların (=eylemler) belirli özelliklerini temsil eden- eylemin ‘erken’ bilişsel öncüllerinde. EKT, eylemlerin gerçekleştirilmesine hizmet eden ‘geç’ motor süreçlerin (eylemlerin kontrol ve koordinasyonu gibi) kompleks mekanizmalarıyla da uğraşmıyor. Dolayısıyla EKT, (geç) algı ve (erken) eylem veya eylem planlama (action planning) arasındaki bağlantıları anlamak için bir çerçeve sunuyor” (Hommel ve ark. 2001, syf. 849)

[21] Bu aynı zamanda Holst ve Mittelstaedt’in (Von Holst ve Mittelstaedt 1950) “yeniden içeri iletme (reafference) prensibi”yle de örtüşüyor. Bu prensibe göre de algıya yol açan nöral olaylar duyusal sinyallerin sadece etkilerinden değil, aynı zamanda onların sebeplerinden de oluşuyor çünkü bu sebepler duyusal sinyalleri eylemler vasıtasıyla etkileyebiliyor.

[22] Ayrıca bkz. (Clark 2016, syf. 181) ve (Burr 2017).

[23] Aynı fikir; Lake, Salakhutdinov ve Tenenbaum’un konsept öğrenimi üzerine yakın zamanlı çalışmalarında da kullanılıyor: Sistem görsel karakterleri bir “olasılıksal program” ile çıkarsıyor ve bu program bir generatif model olup görsel girdinin oluşturulmasında da kullanılabiliyor (karşılaştırma için Lake ve ark. 2015, syf. 1333)

[24] Örneğin (Wiese 2016), ideomotor teorisinin Öİ versiyonu doğru yolda ise sistemsel yanlış-temsillerin (misrepresentations) eyleme olanak tanıması gerektiğini savunuyor. (Colombo 2017) ise Öİ’ye göre sosyal motivasyonda arzular ve değerlerin çekiciliği değil de sosyal belirsizliği minimize etmenin önemli olacağı sebebiyle Öİ’nin Hume’cu motivasyon teorisiyle çatıştığını savunuyor.

[25] (Ç.N) Vücudumuzun pozisyonu ve hareketlerine dair duyu sistemi.

[26] (Ç.N) vücudumuzun herhangi bir yerinden gelen, makaledeki bağlamıyla kaslarımızın durumuna dair aldığımız tüm duyusal girdiler olarak düşünülebilir.

[27] Sürekli devam eden aktivitelerimiz arasında sinir sistemimizi oluşturan bağlantılarımız ve geçici olarak bize sunulan farklı izlenimler [Prasentabilien] arasında belli kurallara bağlı bir ilişki olup olmadığı hakkında gözlemler yapıp bilgi ediniyoruz. Şeylerin görünümlerini değiştirmemize aracılık eden tüm gönüllü hareketlerimiz birer deney olarak görülmeli. Bu deneyler sayesinde elimizdeki şeyin görünümünün kurallara bağlı davranışlarını -yani onun belirli uzamsal yapılar arasındaki sözde varlığını- doğru anlayıp anlayamadığımızı test ediyoruz.

[28] (Ç.N) Fizik alanındaki anlamıyla entropi: Evrendeki tüm madde ve enerjinin düzensizlik eğilimi.

[29] (Ç.N) Ergodiklik, bir sistemin davranışını ya da uzayda bulunduğu tüm noktaları, o sistemin herhangi bir noktasını seçerek açıklayabilmek olarak tanımlanabilir.

[30] Bu ve bunun gibi bazı kavramlar, sözlükte tanımlanmalarına rağmen metinde geçmiyor. Fakat metinde bu kelimelerin aynısı olmasa da benzer kelimelere yer verilmiş.

Kaynakça

Adams, R. A., Huys, Q. J. & Roiser, J. P. (2016). Compu- tational psychiatry: Towards a mathematically informed understanding of mental illness. J Neurol Neurosurg Psy- chiatry, 87 (1), 53–63. https://dx.doi.org/10.1136/jnnp-2015–310737.

Anderson, M. L. (2017). Of Bayes and bullets: An embod- ied, situated, targeting-based account of predictive pro- cessing. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Anderson, M. L. & Chemero, T. (2013). The problem with brain GUTs: Conflation of different senses of ‘’predic- tion’’ threatens metaphysical disaster. Behavioral and Brain Sciences, 36 (3), 204–205.

Badets, A., Koch, I. & Philipp, A. M. (2014). A review of ideomotor approaches to perception, cognition, action, and language: Advancing a cultural recycling hypothe- sis. Psychological Research, 80 (1), 1–15. https://dx.doi. org/10.1007/s00426–014–0643–8.

Bastos, A. M., Usrey, W. M., Adams, R. A., Mangun, G. R., Fries, P. & Friston, K. J. (2012). Canonical microcircuits for predictive coding. Neuron, 76 (4), 695–711. https:// dx.doi.org/10.1016/j.neuron.2012.10.038.

Bogacz, R. (2015). A tutorial on the free-energy frame- work for modelling perception and learning. Journal of Mathematical Psychology. https://dx.doi.org/10.1016/j. jmp.2015.11.003.

Brodski, A., Paasch, G.-F., Helbling, S. & Wibral, M. (2015). The faces of predictive coding. The Journal of Neuros- cience, 35 (24), 8997–9006. https://dx.doi.org/10.1523/ jneurosci.1529–14.2015.

Brook, A. (2013). Kant’s view of the mind and conscious- ness of self. In E. N. Zalta (Ed.) The Stanford encyclopedia of philosophy.

Bruineberg, J. (2017). Active inference and the primacy of the ‘I can’. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Bruineberg, J., Kiverstein, J. & Rietveld, E. (2016). The an- ticipating brain is not a scientist: The free-energy prin- ciple from an ecological-enactive perspective. Synthese, 1–28. https://dx.doi.org/10.1007/s11229-016-1239-1.

Burr, C. (2017). Embodied decisions and the predictive brain. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Butz, M. V. (2017). Which structures are out there? Learn- ing predictive compositional concepts based on social sensorimotor explorations. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Clark, A. (2013a). Whatever next? Predictive brains, situ- ated agents, and the future of cognitive science. Behavi- oral and Brain Sciences, 36 (3), 181–204. https://dx.doi. org/10.1017/S0140525X12000477.

— — — (2013b). The many faces of precision (Replies to com- mentaries on ‘’Whatever next? Neural prediction, situ- ated agents, and the future of cognitive science’’). Fron- tiers in Psychology, 4, 270. https://dx.doi.org/10.3389/fpsyg.2013.00270.

— — — (2013c). Are we predictive engines? Perils, pros- pects, and the puzzle of the porous perceiver. Behavio- ral and Brain Sciences, 36 (3), 233–253. https://dx.doi.org/10.1017/S0140525X12002440.

— — — (2015). Radical predictive processing. The South- ern Journal of Philosophy, 53, 3–27. https://dx.doi.org/10.1111/sjp.12120.

— — — (2016). Surfing uncertainty: Prediction, action, and the embodied mind. New York: Oxford University Press.

— — — (2017). How to knit your own Markov blanket: Re- sisting the second law with metamorphic minds. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

— — — (in press). Busting out: Predictive brains, embod- ied minds, and the puzzle of the evidentiary veil. Noûs. https://dx.doi.org/10.1111/nous.12140.

Clowes, M. B. (1969). Pictorial relationships — A syntactic approach. In B. Meltzer & D. Michie (Eds.) (pp. 361– 383). Edinburgh, UK: Edinburgh University Press.

Colombo, M. (2017). Social motivation in computational neuroscience: Or if brains are prediction machines then the Humean theory of motivation is false. In J. Kiever- stein (Ed.) Routledge handbook of philosophy of the social mind. Abingdon, OX / New York, NY: Routledge.

Dennett, D. C. (2013). Intuition pumps and other tools for thinking. New York, N.Y., and London, UK: W.W. Nor- ton & Company.

Dewhurst, J. (2017). Folk psychology and the Bayesian brain. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Downey, A. (2017). Radical sensorimotor enactivism & predictive processing. Providing a conceptual frame- work for the scientific study of conscious perception. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Dołega, K. (2017). Moderate predictive processing. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Drayson, Z. (2017). Modularity and the predictive mind. In T. Metzinger & W. Wiese (Eds.) Philosophy and predicti- ve processing. Frankfurt am Main: MIND Group.

Egan, F. (2014). How to think about mental content. Phi- losophical Studies, 170 (1), 115–135. https://dx.doi. org/10.1007/s11098–013–0172–0.

Eliasmith, C. (2000). How neurons mean: A neurocomputa- tional theory of representational content. PhD dissertation, Washington University in St. Louis. Department of Philosophy.

Engel, A. K., Fries, P. & Singer, W. (2001). Dynamic predic- tions: Oscillations and synchrony in top-down processing. Nat Rev Neurosci, 2 (10), 704–716.

Fabry, R. E. (2017a). Predictive processing and cognitive development. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

— — — (2017b). Transcending the evidentiary boundary: Prediction error minimization, embodied interaction, and explanatory pluralism. Philosophical Psychology, 1–20. https://dx.doi.org/10.1080/09515089.2016.1272674.

Feldman, H. & Friston, K. J. (2010). Attention, uncertain- ty, and free-energy. Frontiers in Human Neuroscience, 4. https://dx.doi.org/10.3389/fnhum.2010.00215.

Friston, K. (2003). Learning and inference in the brain. Neural Networks, 16 (9), 1325–1352.

— — — (2005). A theory of cortical responses. Philosophi- cal Transactions of the Royal Society B: Biological Scien- ces, 360 (1456), 815–836. https://dx.doi.org/10.1098/ rstb.2005.1622.

— — — (2008). Hierarchical models in the brain. PLoS Com- putational Biology, 4 (11), e1000211. https://dx.doi. org/10.1371/journal.pcbi.1000211.

— — — (2009). The free-energy principle: A rough guide to the brain? Trends in Cognitive Sciences, 13 (7), 293–301. https://dx.doi.org/10.1016/j.tics.2009.04.005.

— — — (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11 (2), 127–138. https://dx.doi.org/10.1038/nrn2787.

Friston, K. & Buzsáki, G. (2016). The functional anatomy of time: What and when in the brain. Trends in Cognitive Sciences, 20 (7), 500–511. https://dx.doi.org/10.1016/j.tics.2016.05.001.

Friston, K. & Kiebel, S. (2009). Predictive coding under the free-energy principle. Philosophical Transactions of the Royal Society B: Biological Sciences, 364 (1521), 1211–1221. https://dx.doi.org/10.1098/rstb.2008.0300.

Friston, K. J. & Stephan, K. E. (2007). Free-energy and the brain. Synthese, 159 (3), 417–458. https://dx.doi. org/10.1007/s11229–007–9237-y.

Friston, K., Mattout, J. & Kilner, J. (2011). Action under- standing and active inference. Biological Cybernetics, 104 (1–2), 137–160. https://dx.doi.org/10.1007/s00422-011–0424-z.

Friston, K., Samothrakis, S. & Montague, R. (2012a). Ac- tive inference and agency: Optimal control without cost functions. Biological Cybernetics, 106 (8), 523–541. https://dx.doi.org/10.1007/s00422-012-0512-8.

Friston, K., Adams, R., Perrinet, L. & Breakspear, M. (2012b). Perceptions as hypotheses: Saccades as exper- iments. Frontiers in Psychology, 3 (151). https://dx.doi. org/10.3389/fpsyg.2012.00151.

Friston, K. J., Stephan, K. E., Montague, R. & Dolan, R. J. (2014). Computational psychiatry: The brain as a phantastic organ. The Lancet Psychiatry, 1 (2), 148–158. https://dx.doi.org/10.1016/S2215-0366(14)70275-5.

Giordanetti, P., Pozzo, R. & Sgarbi, M. (2012). Kant‘s phi- losophy of the unconscious. Berlin, Boston: De Gruyter.

Gonzalez-Gadea, M. L., Chennu, S., Bekinschtein, T. A., Rattazzi, A., Beraudi, A., Tripicchio, P., Moyano, B., Soffita, Y., Steinberg, L., Adolfi, F., Sigman, M., Marino, J., Manes, F. & Ibanez, A. (2015). Predictive coding in autism spectrum disorder and attention deficit hyperactivity disorder. Journal of Neurophysiology, 114 (5), 2625-2636. https://dx.doi.org/10.1152/jn.00543.2015.

Gregory, R. L. (1980). Perceptions as hypotheses. Philoso- phical Transactions of the Royal Society of London. B, Bio- logical Sciences, 290 (1038), 181–197.

Grush, R. (2004). The emulation theory of representation: Motor control, imagery, and perception. Behavioral and Brain Sciences, 27 (3), 377–396.

Gładziejewski, P. (2016). Predictive coding and repre- sentationalism. Synthese, 559–582. https://dx.doi.org/10.1007/s11229–015–0762–9.

Harkness, D. L. & Keshava, A. (2017). Moving from the what to the how and where — Bayesian models and pre- dictive processing. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Herbart, J. F. (1825). Psychologie als Wissenschaft neu ge- gründet auf Erfahrung, Metaphysik und Mathematik. Zweiter, analytischer Teil. Königsberg: Unzer.

Hohwy, J. (2010). The hypothesis testing brain: Some phil- osophical applications. In W. Christensen, E. Schier & J. Sutton (Eds.) Proceedings of the 9th conference of the Australasian society for cognitive science (pp. 135–144). Macquarie Centre for Cognitive Science. https://dx.doi.org/10.5096/ASCS200922.

— — — (2012). Attention and conscious perception in the hy- pothesis testing brain. Frontiers in Psychology, 3. https://dx.doi.org/10.3389/fpsyg.2012.00096.

— — — (2013). The predictive mind. Oxford: Oxford Univer- sity Press.

— — — (2016). The self-evidencing brain. Noûs, 50 (2), 259–285. https://dx.doi.org/10.1111/nous.12062.

— — — (2017). How to entrain your evil demon. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Hommel, B. (2015). The theory of event coding (TEC) as embodied-cognition framework. Frontiers in Psychology, 6. https://dx.doi.org/10.3389/fpsyg.2015.01318.

Hommel, B., Müsseler, J., Aschersleben, G. & Prinz, W. (2001). The theory of event coding (TEC): A framework for perception and action planning. Behavioral and Brain Sciences, 24, 849–878. https://dx.doi.org/10.1017/ S0140525X01000103.

Horn, B. K. P. (1980). Derivation of invariant scene characteristics from images (pp. 371–376). https://dx.doi. org/10.1145/1500518.1500579.

James, W. (1890). The principles of psychology. New York: Henry Holt.

Kant, I. (1998). Critique of pure reason. Cambridge, MA: Cambridge University Press.

— — — (1998[1781/87]). Kritik der reinen Vernunft. Hamburg: Meiner.

Kiefer, A. (2017). Literal perceptual inference. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Lake, B. M., Salakhutdinov, R. & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350 (6266), 1332–1338. https://dx.doi.org/10.1126/science.aab3050.

Lee, T. S. & Mumford, D. (2003). Hierarchical Bayesian inference in the visual cortex. J. Opt. Soc. Am. A, 20 (7), 1434–1448. https://dx.doi.org/10.1364/ JOSAA.20.001434.

Lenoir, T. (2006). Operationalizing Kant: Manifolds, mod- els, and mathematics in Helmholtz’s theories of percep- tion. In M. Friedman & A. Nordmann (Eds.) The Kantian legacy in nineteenth-century science (pp. 141–210). Cambridge, MA: MIT Press.

Limanowski, J. (2017). (Dis-)attending to the body. Action and self-experience in the active inference framework. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Lotze, R. H. (1852). Medicinische Psychologie oder Physiol- ogie der Seele. Leipzig: Weidmann’sche Buchhandlung.

Metzinger, T. (2004[2003]). Being no one: The self-model theory of subjectivity. Cambridge, MA: MIT Press.

— — — (2017). The problem of mental action. Predictive con- trol without sensory sheets. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Palmer, C. J., Paton, B., Kirkovski, M., Enticott, P. G. & Hohwy, J. (2015). Context sensitivity in action decreases along the autism spectrum: A predictive processing perspective. Proceedings of the Royal Society of Lon- don B: Biological Sciences, 282 (1802). https://dx.doi. org/10.1098/rspb.2014.1557.

Prinz, W. (1990). A common coding approach to percep- tion and action. In O. Neumann & W. Prinz (Eds.) Re- lationships between perception and action (pp. 167–201). Berlin; Heidelberg: Springer.

Quadt, L. (2017). Action-oriented predictive processing and social cognition. In T. Metzinger & W. Wiese (Eds.) Philosophy and predictive processing. Frankfurt am Main: MIND Group.

Seth, A. K. (2015). The cybernetic Bayesian brain: From interoceptive inference to sensorimotor contingen- cies. In T. Metzinger & J. M. Windt (Eds.) Open MIND. Frankfurt am Main: MIND Group. https://dx.doi. org/10.15502/9783958570108.

Shi, Y. Q. & Sun, H. (1999). Image and video compression for multimedia engineering: fundamentals, algorithms, and standards. Boca Raton, FL: CRC Press.

Sloman, A. (1984). Experiencing omputation: A tribute to Max Clowes. In M. Yazdani (Ed.) New horizons in educa- tional computing (pp. 207–219). Chichester: John Wiley & Sons.

Snowdon, P. (1992). How to interpret ‘direct perception’. In T. Crane (Ed.) The contents of experience (pp. 48–78). Cambridge: Cambridge University Press.

Spratling, M. W. (2016). A review of predictive cod- ing algorithms. Brain and Cognition. https://dx.doi. org/10.1016/j.bandc.2015.11.003.

Stock, A. & Stock, C. (2004). A short history of ideo-mo- tor action. Psychological Research, 68, 176–188. https:// dx.doi.org/10.1007/s00426–003–0154–5.

Swanson, L. R. (2016). The predictive processing paradigm has roots in Kant. Frontiers in Systems Neuroscience, 10, 79. https://dx.doi.org/10.3389/fnsys.2016.00079.

Todorov, E. (2009). Parallels between sensory and motor information processing. In M. S. Gazzaniga (Ed.) The cognitive neurosciences. 4th edition (pp. 613–623). Cam- bridge, MA / London, UK: MIT Press.

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://dx.doi.org/10.1037/a0037665.

Van Doorn, G., Hohwy, J. & Symmons, M. (2014). Can you tickle yourself if you swap bodies with someone else? Consciousness and Cognition, 23, 1–11. http://dx.doi.org/10.1016/j.concog.2013.10.009.

Van Doorn, G., Paton, B., Howell, J. & Hohwy, J. (2015). Attenuated self-tickle sensation even under trajectory perturbation. Consciousness and Cognition, 36, 147–153. https://dx.doi.org/10.1016/j.concog.2015.06.016.

Von Helmholtz, H. (1855). Ueber das Sehen des Menschen. Leipzig: Leopold Voss.

— — — (1867). Handbuch der physiologischen Optik. Leipzig: Leopold Voss.

— — — (1959[1879/1887]). Die Tatsachen in der Wahrneh- mung. Zählen und Messen. Darmstadt: Wissenschaftli- che Buchgesellschaft.

— — — (1985[1925]). Helmholtz‘s treatise on physiological op- tics. Birmingham, AL: Gryphon Editions.

Von Holst, E. & Mittelstaedt, H. (1950). Das Reafferenz- prinzip. Die Naturwissenschaften, 37 (20), 464–476.

Wacongne, C., Labyt, E., van Wassenhove, V., Bekinschtein, T., Naccache, L. & Dehaene, S. (2011). Evidence for a hi- erarchy of predictions and prediction errors in human cortex. Proc Natl Acad Sci U S A, 108 (51), 20754–9. https://dx.doi.org/10.1073/pnas.1117807108.

Wiese, W. (2016). Action is enabled by systematic mis- representations. Erkenntnis. https://dx.doi.org/10.1007/s10670–016–9867-x.

Zellner, A. (1988). Optimal information processing and Bayes’s theorem. The American Statistician, 42 (4), 278–280. https://dx.doi.org/10.2307/2685143.