計算認知（Computational Cognition）
摘要
認知可被理解為系統對環境建立內部模型（internal models）並持續更新的過程。感知（perception）、學習（learning）、推論（inference）與行動（action）並非彼此獨立，而是建立在表徵（representation）、預測（prediction）與控制（control）的共同計算結構之上。
現代觀點中，認知不再僅被視為符號操作或神經活動，而被形式化為對不確定環境的動態推論系統。此框架將機率推論（probabilistic inference）、最佳化（optimization）與預測誤差修正（prediction error correction）統一於同一理論結構中，並構成現代人工智慧（artificial intelligence）、神經科學（neuroscience）與認知理論的重要共同基礎。
表徵與內部模型
計算認知的核心問題在於：系統如何透過內部結構表示世界，並根據此表示產生行為。認知因此不只是輸入與輸出的映射，而是對環境形成內部模型（internal world models）的過程。
表徵（representation）負責保存環境中的結構資訊，而運算（computation）則負責操作這些表徵，使系統能進行推論、預測與決策。不同理論路線的差異，往往來自對表徵形式與運算機制的不同假設。
在此框架中，認知系統可被理解為一種持續更新的動態模型，其目標是在有限資訊與不確定性下維持對世界狀態的有效描述。
符號與分散式表徵
符號主義（symbolism）將認知視為對離散符號（discrete symbols）的規則操作，強調組合性（compositionality）與系統性（systematicity）。此觀點認為複雜認知可由形式規則操作符號結構而產生，因此特別適合描述邏輯推理與語言結構。
連結主義（connectionism）則以分散式表徵（distributed representation）為核心，透過大量簡單單元之間的權重互動形成認知功能。此路線強調學習能力、模式識別與對噪聲的容忍性，並成為現代深度學習（deep learning）的主要理論基礎。
兩者差異不只是實作方式，而是對認知本質的不同理解：符號主義強調明確結構與規則，連結主義則強調分散式動態與統計學習。當代研究則逐漸轉向神經符號系統（neuro-symbolic systems），試圖在連續表示中保留結構化推理能力。
預測與誤差修正
現代認知理論的一個重要觀點，是將認知理解為持續預測（prediction）與誤差修正（error correction）的過程。系統並非被動接收輸入，而是不斷利用內部模型預測感知結果，再透過預測誤差（prediction error）調整自身表示。
在預測處理（predictive processing）框架中，自上而下路徑傳遞對世界的預測，自下而上路徑則傳遞觀測與預測之間的差異。認知因此被視為降低預測誤差的動態更新過程。
此觀點與人工智慧中的最佳化（optimization）存在直接對應。在神經網路中，梯度下降（gradient descent）與誤差反向傳播（backpropagation）同樣透過誤差訊號更新內部表示，使模型逐步改善對資料的預測能力。
認知作為機率推論
另一個核心觀點是將認知理解為機率推論（probabilistic inference）。由於真實環境具有不確定性，認知系統需在不完整資訊下持續更新對世界的信念（beliefs）。
貝葉斯推論（Bayesian inference）因此成為重要框架。系統透過先驗分佈（prior distribution）表示既有假設，再根據觀測形成後驗分佈（posterior distribution），使知覺、學習與決策皆可被理解為對機率分佈的更新。
層次貝葉斯模型（hierarchical Bayesian models）進一步假設認知系統具有多層結構。高層表示抽象規律與長期結構，低層則處理局部感知訊號，推論在不同層級之間持續流動。
主動推論（active inference）則將行動納入推論框架，認為系統不只更新信念，也會主動改變環境，使觀測結果更符合預測。此觀點將感知、學習與行動統一為同一動態過程。
統一觀點
從更一般的視角來看，現代計算認知逐漸形成一種統一框架：認知系統透過內部模型對世界進行預測，並在不確定性下持續修正自身表示。
在數學上，機率推論與最佳化亦存在深層連結。例如最大後驗估計（maximum a posteriori, MAP）可被視為帶有先驗約束的最佳化問題，而變分自由能（variational free energy）則將推論、學習與誤差修正統一於共同目標函數之中。
因此認知不再被理解為單一模組或靜態符號操作，而是一種建立、維持與更新世界模型（world model）的動態計算過程。這使計算認知成為連接人工智慧、神經科學與機率推論的重要理論框架。
