自閉症的根源在感官系統嗎？

預測性編碼理論認為，當感官輸入推翻大腦期望的時候，患有自閉症的人便會出現標誌性的癥狀。

綾屋紗月(Satsuki Ayaya) 還記得她小時候和其他孩子們玩起來有多難，就好像有一道屏幕把她和別人隔開。有時她覺得遲鈍，有時變得太敏感；有時聲音消失了，有時又太尖銳。作為一個絕望地想努力理解自己的青春期少女，她開始記錄自己的生活。「我開始把我的想法寫進筆記本里，例如：我身上發生了什麼？或者：我哪裡出了錯？或者：我是誰？我寫啊，寫啊，寫滿了40本筆記本。」她說。

如今43歲的綾屋對自己有了更好的理解：她在30歲出頭時被診斷為自閉症。作為東京大學（University of Tokyo）科學史與科學哲學專業的博士生，她正在用自己的日記研究自閉症，從她始於青少年時期的陳述里產生假說，並啟發實驗。這種自我分析的研究方法被稱為 當事者研究（Tojisha-Kenkyu），始於20年前日本的殘疾人權利運動。

在綾屋的敘述中，她的自閉症中存在著一大堆感知上的「失聯」。舉個例子，她能感覺到細枝末節，卻不能將它們拼湊在一起，而常人則會把這些細節組合為「餓」。「對我來說總結出『我餓』十分困難，」她說，「我感覺煩惱、我感覺悲傷、我感覺不對。這些信息是分離的，沒有聯繫在一起。」她需要過好久才意識到自己是餓了，通常那時她已經感覺頭暈了，直到別人提醒她吃東西，她這才去吃。

她還將自己言語上的困難歸咎於她期望發出的聲音和實際聲音的不匹配。「她說話之後，自己的聲音傳回耳朵。她傾向於過分注意兩者的區別，」她的合作者熊谷晉一郎（Shin-ichiro Kumagaya）說。熊谷是東京大學的兒科神經學家，他正在用 Tojisha-Kenkyu 研究自閉症。那種效應很像打電話時，聽筒偶爾傳回奇怪的回聲，讓你沒法講話。只不過對於綾屋來說，這樣的情況幾乎在每次說話時都會發生。

綾屋對她自身經歷的詳細記錄幫助建立了一個全新的案例，它為自閉症的一個新興理論提供了支撐。該理論將自閉症和感知研究中最具挑戰的問題聯繫起來：大腦是如何分配注意力的？新奇的東西會吸引注意力，但是要有「新奇」，大腦需要先有一個的期望，並且違反這個期望。大腦還必須為這個期望分配一個確定度，因為在嘈雜的世界中，並不是所有違反期望的事件都有等同的新奇性：有時候這個事件的發生是有理由的，有時候它只是發生了而已。

大腦是如何做到那些的？科學家現在覺得最有可能是通過一個叫做元學習（學習的學習）的過程來實現的——學著去發現要學什麼和不學什麼。根據這個理論，元學習過程中的偏差解釋了自閉症中的主要癥狀。這個理論本質上將自閉症重新描述成了一個感知病症，而不是一個社會病症；它將自閉症的標誌性癥狀——與社會互動的困難——重新理解為對例行慣例的執著，而這種執著來源於自閉症大腦對感覺輸入處理方式的與眾不同。

我們面對新處境和新課題時，每個細節——圖像上的每個亮點、人聲中的每個音調變化——看上去都有意義。隨著我們經驗的積累，我們開始總結出規律，知道該期待什麼。細節變得不那麼顯著；大腦將注意力轉移到了更大的圖景上。通過這種方式，大腦解決上一個挑戰轉而迎接下一個，讓自己在無趣和挫敗之間，保持最佳的表現。自閉症大腦可能代表了一條不同的學習曲線——它們更喜歡細節，卻犧牲了更廣的特徵。

不像其它「大一統」理論試圖解釋自閉症所有的癥狀，這個理論是建立在對大腦功能更通用的描述上的，這種描述被稱為預測性編碼（predictive coding）。它假設所有的感知活動都是一種模型構建（model-building）和模型測試（testing）的實踐——做出預測並看看是否實現。用預測性編碼理論的話說，一個自閉症患者的大腦過分看重預期和實際感覺的差距。當路邊的汽車鳴笛開過，普通的大腦可能只是將它作為城市聽覺背景中的偶然波動；而對自閉症大腦來說，每一次鳴笛聲都會讓它有意識地注意。「這為自閉症的主要特徵提供了非常簡潔的解釋。」倫敦大學學院（University College London）的神經科學家卡爾·弗里斯頓（Karl Friston）說。他曾經幫助建立了預測性編碼理論應用於大腦的數學基礎。

目前，這個模型還在一些重要的細節上模糊不清。「還有很多沒擰緊的螺絲。」耶魯大學的自閉症研究者卡塔日娜·哈瓦爾斯卡（Katarzyna Chawarska） 說。一個簡單的模型能否解釋自閉症那麼多不同的癥狀？有人質疑。但支持者認為正是這種多樣性才支持一個統一的理論。理解一個基本的病因或許可以開發出同樣通用的療法。「如果預測真的是潛藏（在自閉症中）的核心障礙，那針對這個方向的干預有可能會在其它不同方面也產生積極影響。」麻省理工學院的計算神經科學家帕萬·辛哈（Pawan Sinha）說。

預測性編碼入門：

預測性編碼的基本假設早在19世紀中期就由德國物理學家、心理學家赫爾曼·馮·亥姆霍茲（Hermann von Helmholtz），以及哲學家伊曼努爾·康德（Immanuel Kant）提出。他們兩人都堅持認為我們的主觀體驗並不是外部現實的直接反映，而是一種建構。「所有的體驗都是受控的幻覺，」愛丁堡大學（University of Edinburgh）的認知科學家安迪·克拉克（Andy Clark）說，「你體驗到的，從某種程度上說，是你期望體驗的世界。」

我們如此依賴期望，其中一個原因是我們的感知落後於現實。我們的大腦有意識地探測到輸入需要80毫秒甚至更長；我們做的很多事情，包括在吉他上演奏十六分音符和在晃動的地鐵上調整站姿，都發生在意識到之前，更加不會等輸入被處理好之後再據此行動。因此大腦必須時刻預測下一刻會發生什麼。它生成了一個描述世界的模型，在此基礎上做出決定，然後根據感覺反饋更新模型。用概率論的話說，大腦是一個貝葉斯推斷機，將先驗預期與當前情景結合，來估計未來事件的概率。

預測和更新不需要——通常也沒有——意識的參與，大腦在多個潛意識層次建立模型。將近20年前，研究者揭示了視覺皮層使用的多層次、預測性的工作方式（Rao & Ballard, 1999, Nat. Neurosci. ）。初級視覺皮層產生了對圖像的小尺度特徵的預測，比如邊緣信息，然後試圖通過完善預測來匹配視網膜的信號，但如果這局域化的微調不夠，那它就把任務再甩給次級視覺皮層，後者再改進對更大尺度的幾何特徵的預期。隨著層級向上，更廣泛的變化被喚起，直到最高的層級：意識為止。（「預測性編碼」一詞是神經科學家從通訊工程中繼承的，該術語在1950年代被建立，用來描述為減少所需要荷載的信息量，通訊網路只傳遞偏差而不是原始數據的想法。）

當大腦感知到偏差時，它要麼更新模型，要麼將偏差視為偶然的偏離。在第二種情況下，這個偏差不再會浮起到意識層面。「你希望少聽些假新聞，」弗里斯頓說。或者，還有第三種選項：面對模型和世界的偏差，大腦也有可能去更新世界——譬如說，通過移動一條胳膊或者握緊一隻手來使預測成真。「預測誤差不僅僅可以通過更新模型實現，也可以通過實施動作來實現。」 英國蘇塞克斯大學（University of Sussex）的神經科學家阿尼爾·塞斯（Anil Seth）說。通過這種方式，預測性編碼不僅僅可以是感知系統的工作方式，也可以是運動控制系統的一部分。

不過大腦如何在三個選項中抉擇呢？在預測性編碼模型中，大腦通過分配給預測的精確度（precision）來決定。精確度就是大腦對輸入信號的可變性的統計學預期（statistical variability），也就是大腦版本的誤差限（error bar），或者說大腦對模型有多確定。高精確度（低可變性）的預測被違反時，大腦會重視：「這很重要，注意！」預測的低精確度（高可變性）讓偏差不那麼重要：「只是隨機現象罷了，別理它。」

假設大腦總是把精確度設得比實際需要得高，那就像谷歌地圖把一個人的位置不確定性表示得太低（把那個圍繞定位點的藍色圓圈畫得太小），信號的隨機變化就會讓估計位置的跳動顯得像真正的運動似的。這時你一定會看著地圖思考：到底什麼會讓那個用戶像這樣跳來跳去？別人看到的是噪音，你卻當成了信號。

自閉症患者中也發生了同樣的錯誤計算。「可能自閉症譜系障礙（autism spectrum disorder）包含了一種無法將貝葉斯估計平衡好的障礙，或者說，至少沒能用神經系統典型的方式來平衡。」克拉克說。

高估的精確度

儘管預測性編碼的理論可以追溯到至少150年前，但直到上世紀90年代它才成為神經科學理論的一部分，就像機器學習也是不久前才轉化到計算機科學中那樣。這並不是巧合，兩個領域是相輔相成的。

弗里斯頓說，很多機器學習系統中，都有一個參數「學習速率」（learning rate），發揮著與預測精確度等同的作用。人工智慧通過試錯（trail and error）來學習；如果它誤將小狗認成小貓，他就會修改內部的連接來使自己下一次做得更好。學習速率就決定了每次修改的程度，預測的精確度越高，所需修改的程度就越大。機器學習系統會調整自己的學習速率，使得它們在學習優化的同時避免過度擬合數據（只能認出遇到過的所有小貓小狗，卻不能推廣出分辨小貓和小狗的特徵）。學習速率通常在起始時很高，隨後隨著時間下降。在預測性編碼模型中，普通的大腦也會在開始時為預測分配較高的精確度，隨後逐漸調低。調低的方式可能是通過化學信號分子，例如去甲腎上腺素（Yu & Dayan, 2005, Neuron）和乙醯膽鹼（Moran et al. 2013, J Neurosci. ）。「人們相信精確度是由大腦中的神經調質編碼的，那些可以改變大腦皮層響應增益（gain）的化學分子。」劍橋大學的麗貝卡·勞森（Rebecca Lawson）說。當需要開始新一輪學習時，大腦又會調高精確度。

在患有自閉症的人腦中，精確度卻有躍向高水平或者卡在高水平的傾向——不論出於什麼原因，他們的大腦傾向於過擬合。這個大致想法首先於2010年由哥倫比亞大學的神經科學家錢寧（Ning Qian）和理查德·利普金（Richard Lipkin）提出。受機器學習的啟發，他們提出：自閉症大腦偏向於死記硬背，而不是找出規律和模式。「我們可以把自閉症患者面臨的困境想成是任務和學習風格的不匹配。」錢寧說。

過了一年，另一個研究組提出了首個自閉症的貝葉斯模型（Pellicano & Burr, 2012, Trends Cogn Sci.），認為自閉症大腦不太信任自己的預測，從而相對過於依賴感覺輸入。作為回應，另外兩個研究組（其中一組包括了弗里斯頓和勞森）提出預測性編碼可以作為這種預測-感覺不平衡的機制（Lawson, Rees & Friston, 2014, Front Human Neurosci.）。辛哈和同事則在2014年提出自閉症大腦並不是看輕預測，而是無法準確預測（Sinha et al, 2014, PNAS）。舉個例子，當一個事件發生在另一個事件之後的頻率比偶然偏高一點點時，自閉症患者可能是注意不到兩個事件之間的聯繫的：對普通人來說至少在某種程度上可以預測的世界，卻可以弄懵自閉症患者，使其覺得反覆無常，或者按辛哈的話說，「魔幻」。

儘管這些研究組關注的是預測過程中的不同環節，他們描述的大致是同一原理：對一個自閉症患者，世界從來都讓人驚奇。「這是在自閉症患者中很常見的描述，」熊谷說。「相對於擁有普通神經系統的人，他們有被頻繁驚奇的傾向。」某種程度上，這種世界觀輔助了某些學習。舉個例子，研究顯示自閉症人群在需要持續注意細節的任務中做得更好，比如大家來找茬（Joseph et al. 2009）和辨音（Bonnel et al. 2006）。同時，他們也更不容易看出視覺錯覺（Mitchell et al. 2010）和多感覺錯覺（Stevenson et al. 2014），這些錯覺都源於感知系統的強烈預期。

然而持續處於覺知狀態很累人，「你永遠被自己的感覺系統奴役。」弗里斯頓這樣描述。自閉症患者給日常事物分配太多注意力，這可以解釋他們為何常常報告感官過載。一些患者說他們一直能意識到檯燈的嗡嗡聲和空調的隆隆聲。研究還顯示他們對重複刺激適應得更慢（Jamal & Sinha, 2017 SfN會議) 。

還有一個支持預測性編碼模型的證據：自閉症患者對於本身考驗預測的任務，例如接球，很不擅長。應付世界上最不可預測的東西——人類時，問題更被放大了。要預測一個人在特定情境下會做什麼，你需要根據這個人或者類似這樣的人在不同情況做過什麼來作推測。這對任何人都很困難，但對自閉症患者尤其困難。「舉個常見的例子，（自閉症患者）難以將情境A學習到的社會互動用到情境B。」利普金說。缺乏預測能力會導致嚴重的焦慮，這在自閉症譜系患者也是常見問題。自閉症的一些癥狀，例如對慣例的偏好，可以被理解為是一種應對焦慮的表現（Van de Cruys, 2014, Psych Rev. ）。「當你看到他們重複做一些動作時，大多數時候他們是在積極地逃避，遠離自然世界的複雜性。」比利時魯汶大學的Sander van de Cruys說。

除了為自閉症的一系列特徵作出解釋，預測性編碼可能還能幫助我們理解自閉症和精神分裂症之間令人困惑的聯繫。這個理論，在某種程度上將精神分裂症看成自閉症的鏡像。自閉症中，感覺信號推翻了腦中的模型；精神分裂症中，模型勝過了感官。

讓我們看看精神分裂症獨特的癥狀：聽覺言語幻覺（幻聽出說話聲）。去年，耶魯大學的菲利普·科利特（Philip Corlett）和同事通過誘導這種幻覺的弱化版本，研究了它的起源（Powers, Mathys & Corlett, 2017, Science）。他們招募了30位有幻聽癥狀（彙報每天聽到說話聲，其中一半被診斷患精神病）和29位沒有幻聽癥狀的人，並且借鑒了俄羅斯生理學家伊萬·巴甫洛夫的方法：在給被試展示棋盤圖像的同時播放一個純音，讓他們預期兩者會同時發生。隨後研究者不再播放純音。不幻聽的被試很快發現了變化，但是傾向於幻聽的被試則有更可能仍舊認為自己聽見了純音。研究組從預測性編碼的角度理解了結果。「有聽覺言語幻覺的人對實驗中的兩種刺激之間的關係有非常，非常嚴格的期望，以至於憑空構造了感覺，」 科利特說，「這讓他們聽到了實際上沒有放給你聽的聲音。」

自閉症在某些方面和精神分裂症很像，科利特說。儘管聽見說話聲不算常見，自閉症譜系人士中產生妄想的比例卻不低（妄想指的是被所有證據駁斥仍堅持的錯誤信念，例如自己被外星人或超自然力量操縱）。科利特認為這些妄想的產生，是因為感覺信息被賦予了太多信任，繼而在腦中植入了一套新的信念，並固定了下來。

展望

預測性編碼還沒有解釋自閉症中的一切。例如，是什麼導致了自閉症大腦在獲得經驗後不及時調低預測精確度？是哪一環出了錯：是預測、感覺輸入、兩者的比較還是利用兩者差距更新模型的那一步？研究者們還在調查。還有，有哪些預測受到自閉症的影響，是所有預測，還是特定種類的預測？大腦的預測發生在不同層次和時間尺度上，自閉症患者在其中許多尺度上都做得不錯。

一些研究者依然對疾病根源持懷疑態度，認為自閉症不一定是預測的問題。同樣在耶魯的心理學家詹姆斯·麥克帕特蘭（James McPartland）表示，他依然偏愛更關注社交病徵的解釋。如果只用一個特徵來描繪自閉症，那隻能是社交困難，他說，研究者應該把關注點放在與他人互動的精神機制上，比如說面部識別。「我們對大腦處理面部信息的腦區是清楚的，」他說。他還質疑預測性編碼模型弄錯了因果：不是預測本身的問題導致了社交困難，而有可能反過來——大腦的許多預測能力可能來自社會接觸。「社交信息會不會是預測性編碼正常發育所需的關鍵信息？」他說。

預測性編碼的研究者自己也承認，他們才剛剛開始在自閉症中測試自己的理論。「那些最早的論文，只是講了些『不過是那樣』的故事，是事後分析——解釋已經收集到的數據，」勞森說。但她和其他人也已經開展實驗，試圖更確切地探測預測機制。許多實驗涉及了聯想學習（associative-learning）任務，其中參與者需要總結出一系列圖像和其它刺激之間的規律。時不時地，實驗者會改變這個規律，改變的效果在一開始不容易察覺，隨後實驗者觀察參與者多快能意識到規律的改變。

譬如說去年，勞森和她的同事就招募了20個自閉症患者和25個普通人。他們給參與者播放一個高音或一個低音，並展示一張臉或者一個房子的圖片。然後要求參與者按下對應「房子」或「臉」的按鈕。一開始，高音預示了之後有84%的可能性是房子，隨後規律變成了低音對應84%的房子，最後，高低音分別對應兩種圖片50%的可能性。對照組（普通人）在期望被違反到一定程度，讓他們認定規則已經改變時，會放慢速度；而患有自閉症的參與者則以更加均衡的速率按鍵，而且總體上按鍵比對照組慢。（Lawson, Mathys & Rees, 2017, Nat Neurosci. ）研究者總結認為對自閉症患者來說，每次偏離期望——比如說在高音之後臉更多的情況下，出現了高音-房子——都是規律改變的表現，而普通人則傾向於將頭幾次偏離視為偶然而不在意。

對大約一半的參與者，研究者還測量了瞳孔大小，因為瞳孔會因去甲腎上腺素（norepinephrine）而擴張。而去甲腎上腺素被認為是編碼預測準確度（precision）的化學分子之一。對結果的理解不很直接，因為每個人都遵循略微不同的學習曲線，形成不同的期望。為了判斷一個事件是否會違反期望，研究者只能給每個人的反應模式單獨建模。最後的要點是自閉症患者的瞳孔似乎一直處於一觸即發的狀態。「不像我們會適應性地去為應該驚訝的東西而驚訝，自閉症患者似乎對所有東西都有輕微的驚訝。——所以說，這像是，嗯，這有點驚人，啊，那也有點驚人，這個也驚人，那個也驚人。」勞森說。

將預測性編碼理論放在計算機模型，甚至機器人中實驗也是一個有吸引力的方案。人工神經網路可以被當作數字小白鼠，來測試我們有關大腦功能的理論。研究者可以改變模型中的參數，看神經網路是否能重現自閉症、精神分裂症等各種精神病的癥狀。2012年，計算科學家谷淳（Jun Tani）和一個同事給機器人編程，來模擬精神分裂症（Yamashita & Tani, 2012, PLOS One）。通過在機器人控制器的計算中加入噪音，他們讓它錯誤地計算期望和感覺輸入之間的差距。這個偽造的誤差——你可以說是機器人幻覺，如果願意的話——沿著機器人的認知層級向上傳播，並破壞了它操作的穩定性。「這個機器人表現出了紊亂的行為。」谷說，他現在是日本沖繩科學技術大學院大學（Okinawa Institute of Science and Technology）的教授。他和另一些人一起，正開始用這個方法將預測性編碼推廣到自閉症研究中。

如果預測性編碼確實是解釋自閉症的模型，它也可以為新的治療方案給出方向。「不同的自閉症兒童可能會在預測鏈的不同部分表現出異常，」哈瓦爾斯卡說。這些不同可能對應一系列臨床治療。當她與自閉症孩子的家長會面時，她用「預測」的概念來幫助他們理解孩子對世界的體驗，告訴他們：「你們的孩子只是非常難理解下一秒會發生什麼罷了。這是他們必須經歷的，特別是在他們特別特別小的時候。他們聯繫各個事件時的苦惱和困難只是他們不知道這些事件該被整合到哪裡。」

即使不能提供別的治療，預測性編碼的想法也可以為一些年輕人提供他們渴求的啟示——就像綾屋在她十幾歲時渴求的那樣。「我注意到了我和其他孩子的不同，然後我想，為什麼會這樣？」她回憶道。現在成年了，她說自己的焦慮已經減輕了，不僅僅因為她對自己的認識加深了，也因為她的同伴和朋友表現出的意識。通常，和她待在一起的人都知道她的情況。她說：「他們了解我。（因此）我可以更輕鬆地問出『我覺得剛剛那個讓我感到驚訝，不過對你來說那並不是，是嗎？』」

作者：George Musser翻譯：顧金濤編輯：EON原文：https://spectrumnews.org/features/deep-dive/autism-may-stem-problems-prediction/

神經現實是公益的科普翻譯小組，致力於譯介神經科學、認知科學和精神病學等領域內的深度文章和前沿研究，並關注生物、醫學、哲學、技術和社會的發展。關注我們的公眾號neureality第一時間閱讀深度譯文，了解譯者招募詳情點擊這裡。

推薦閱讀：