上一文中，我们把大脑比作一台“计算机器”，并用三个不同的层次来描述这台机器。如果大脑是这样一台依据固定的算法、接收输入、不断给出输出的计算机器的话，它又是如何处理不确定性事件的呢？为何它只偏向有意义的信息输入呢？
我个人认为，这两个问题在讨论一件事，那就是预设的“先验观念(prior belief)”对整个算法的影响。“先验”即“先于经验”，也就是在接触事物或者事件发生前，我们的观念、态度、认识等等：我们总是抱着主观判断来面对不确定事件；我们说一些信息有意义而不是杂乱无章的，也即这些信息的排列方式符合我们先前的某种预期。
认知科学从贝叶斯概率模型(Bayesian probability)出发，提出了“概率计算机器(Probabilistic Machine)”的比喻，从而对上述的问题给出了逻辑自洽的解释。贝氏概型加入了先验观念这一维度，为很多心理现象，如知觉、社会知觉、认知过程、认知发展、异常心理等，提供了独特的洞察视角。贝氏概型在心理学认知观点中的应用会在后续文章中反复体现，这里我们着重看一下先验观念和贝氏概型二者自身。
先验观念
先验观念，简单来讲，就是我们并非抱着一颗“纯净的内心”来对待周围的事物，而是带着先验观念这个“有色眼镜”来看整个世界。在不确定事件发生之前，或者通过对这些事件的零散的观察，我们首先主观上形成了对这些事件的一些看法或者态度，然后才去考虑或处理这些事件；在接收信息输入之前，我们对输入该是一个什么样子有着一个主观的判断，符合这个样子的信息输入我们容易接受和加工，否则不然。
通过一个小实验，我们来体会一下先验观念对推理的影响。从逻辑上来看，下面两个三段论的论述是否正确？
所有生物需要水，玫瑰需要水，因此玫瑰是生物；
所有昆虫需要氧气，老鼠需要氧气，因此老鼠是昆虫；
这两个三段论从逻辑结构上来看是相同的，并且两者的结论都是无效的(not valid)，这里我稍作一下说明。把“生物”、“昆虫”看作A，“水”、“氧气”看作B，“玫瑰”、“老鼠”看作C，上述两个三段论的结构可以概括成（∈代表属于）：
A∈B，C∈B，则C∈A；这个论证是无效的，反例的韦恩图如下：
但我们从直觉上来看，总觉着第一个论述正确，而第二个错误。
如果我们单纯把大脑看作一台依据固定算法加工信息的“计算机器”的话，就会解释不通：按照那个比喻的逻辑，我们能毫不费力地判断一个三段论推理的有效性，这说明我们有着处理这类问题的算法；如果有一个处理三段论的算法的话，为何两个结构一样的三段论我们直觉上会给出不同的答案？从常识来讲，“老鼠∈昆虫”并不符合我们对二者关系的先验判断，也没有任何意义，而这一观念影响了我们整个的推理过程。
就像是一台正常运转的计算机后台总有操作系统的进程那样，我们很难主动去控制自己摘下这个有色眼镜客观地看待周围一切。通常我们认为科学思维是在客观地看待这个世界，但这并不代表每个科学家都能做到完全客观，正因如此，科学才需要有同行互审(peer review)制度，对研究的信度和效度反复验证以保证研究的质量。
很难做到不意味着摘下这副有色眼镜做不到：佛教中的正念(mindfulness)冥想训练，从信息加工的角度来看的话，就是一个摘下这副有色眼镜然后带上一副明亮、透明的眼镜来看这个世界的过程。所谓遁入“空”这一境界，可以理解为一个人去掉了所有先验观念，相对纯粹地去体会所有周围信息。佛教哲学观和认识论中关于心理过程的看法即便是拿到今天来看，依然很“前卫”，在以后的文章中还会对相关内容有所涉及，这里不做详细展开。
贝氏概型
提到概率，你首先会想到什么？我猜会是中学课本上“花式掏小球”问题，和乱七八糟的直方图和其对应的不知所云的公式计算。前者是古典概型，它认为随机事件所有能发生的情况概率相等；后者是频率概型，它通过无限重复一个随机事件，穷尽所有可能情况，通过频率来推断概率。尽管中学阶段它们俩为难过我们，但是不可否认的是这两个模型对于某一类随机事件很有客观描述力。
然而，这两个模型应用在个人的现实生活中有着一些问题：
首先，生活不只是“花式掏小球”，或者画几个漂亮的直方图。在生活中，我们经常会考虑这样的问题：我跟老板提加薪，老板有多大可能性同意？我想跟一位异性表白，他或者她有多大概率接受？这些问题都涉及我们的主观判断。如果我们从古典概型入手，那就是55开——要么人家同意，要么拒绝；如果我们从频率概型入手，我们需要提它个十次八次，看看被拒多少次，被接受多少次，或者找来一群跟我们各方面差不多的人，看看他们被接受的情况如何。前者没有有价值判断，后者不可操作，并且两者都与主观判断不沾边。
其次，这两个模型无法回答“有多大把握”的问题。当我们有一些线索或者理由相信我们对随机事件的判断时，基于这些已知数据，我们有多大把握认为判断是正确的？比如说现实生活中，我们常会做这样的判断：我看老板对我态度不错，我跟他提加薪有80%可能性他会同意。这个判断虽有一定依据，但仍是主观的。乍一看频率概型能回答这样的问题，其实不然：按照频率概型的基本逻辑，我们的判断只有两个——要么老板接受，要么不接受，结论要么是我观察到的老板的态度支持了前者判断(conclusive)，要么这个态度不具有说服力(inconclusive)，不论哪一种结论都给不出“有多大把握”这一问题的回答。
贝氏概型则同时考虑了我们的主观判断以及我们对随机事件的观测这两个因素。我们还是以“老板加薪”为例，来把下面的这个贝叶斯公式翻译成“人话”。
P(H∣D)∝P(H)•P(D∣H)
假设H(hypothesis)：我认为老板要给我加薪（这里假设H=1）；观测数据D(data)：老板对我最近态度不错；P代表括号内事件发生的概率。我们最终关心的是右侧P(H∣D)，即后验概率(posterior probability)：在老板对我最近态度不错前提下，给我加薪的可能性有多大，它跟两个因素的乘积成正比关系：
P(H)，即先验概率(prior probability)：我认为老板有多大可能给我加薪；
P(D∣H)，即似然值(likelihood)：如果老板要给我加薪，他最近有多大概率会对我有好态度？同样，你也可以把H和D换成：“老鼠不属于昆虫”和“该三段论给出的结论是老鼠属于昆虫”，来应用贝氏概型解释一下我们为何认为这个论述是错误的（后验概率值很小）。
贝氏概型可以不仅可以用来思考推理过程，还可以用来思考很多知觉过程，比如自上而下(top-down)的知觉，后续文章会详述。
参考材料
1. ‘Philosophy and the Cognitive Sciences’, Coursera Online Course, transcript for lecture 3.2;
