企业官网建设流程全解析

先说明一下我的处理方式。看到这个标题，我先是愣了几秒——它太像一篇计算精神病学论文的题目了。但仔细拆开看，里面藏着的东西其实特别有意思：内感受（interoception）指的是大脑对身体内部状态的感知，比如心跳、呼吸、胃肠蠕动、饥饿感；主动推断（Active Inference）是当前认知科学里解释大脑如何感知和行动的统一框架；而“似然精度”（likelihood precision）和“偏好重加权”（preference reweighting）则是框架里两个可以被区分开的机制。这篇研究讲的是：当我们需要优先处理身体内部信号时，大脑其实有两条不同的“路径”可以走，而这两条路径可以被实验设计分开。

我在读文献和复现模拟实验的过程中，最大的感触是：这个主题表面上是纯理论的，但它跟焦虑障碍、惊恐发作、慢性疼痛甚至正念冥想的机制都直接相关。如果你一直好奇“为什么有些人身体稍微有点动静就紧张得不行”“为什么冥想训练能改变身体感知”“为什么安慰剂有时候真能起作用”，那这篇论文的框架就是很好的解释工具。这篇文章我会结合一篇典型的研究设计来拆解：先讲清楚主动推断里两个参数的含义，再说实验上怎么把两条路径分开，最后聊聊我实际跑模型、看数据时踩过的坑和思考。适合对计算认知科学、贝叶斯大脑、精神病学机制研究感兴趣的读者，哪怕你数学基础一般，我也尽量用生活化的方式讲明白。

1. 先搞懂背景：为什么内感受的“优先级”是一个需要解释的问题

1.1 内感受信号为什么需要被优先化

我们先聊一个日常生活中几乎人人体验过的场景。你正坐在电影院里看一部非常紧张的电影，突然感觉心跳漏了一拍，或者胃里一阵翻搅。你会怎么做？大多数人会立刻从沉浸的状态里抽离出来，注意力完全转移到这个身体信号上，甚至会开始担心“我是不是心脏有问题”。

反过来，还有另一类情况。你连续加班三周，身体其实已经发出了很多信号——睡眠变差、食欲下降、肩颈酸痛、偶尔心慌。但你完全忽略了它们，直到某天在工位上站起来时一阵眩晕，才意识到身体早就“报警”了。

这两个场景揭示了一个核心问题：大脑每时每刻都在接收海量的内感受信号，但它的计算资源是有限的，注意力也是有限的。它必须决定哪些身体信号值得“优先处理”，哪些信号可以暂时忽略。这就是标题里说的“interoceptive prioritisation”（内感受优先化）——大脑对体内信号的排序、筛选和放大机制。

在主动推断框架里，这个问题变得尤其有意思。因为这个框架假设大脑本质上是一个“预测机器”，它不是在被动接收信号，而是在持续生成对感觉信号的预测，然后通过“预测误差”来更新自己的内部模型。那么，当某个内感受信号发生变化时，大脑怎么决定这个变化是需要认真对待的“真实信号”，还是可以忽略的“噪声”？

传统的直觉答案可能是：信号越强，越值得注意。但主动推断给出了一个更精细的答案：决定优先级的不是信号强度本身，而是信号在多大程度上“有资格”改变你的信念。而这个“资格”可以来自两个完全不同的来源——这正是标题里说的“two routes”。

1.2 两种“路由”的直觉理解：警报器的可靠度 vs 警报在你心中的权重

我先用生活化的方式把两条路径的差别讲清楚，再进入技术细节。

假设你家里装了一个烟雾报警器。这个报警器发出警报时，你有多重视它？这里有两个独立的问题需要单独考虑：

第一个问题：这个报警器准不准？它是不是经常因为炒菜油烟就误报？如果它之前误报过很多次，那它再次响的时候，你可能会想“大概率又是油烟”，然后不理会它。反过来，如果这个报警器非常精密，从来没误报过，那它一响你就会立刻警觉。在主动推断的语言里，这个“准不准”反映的就是似然精度（likelihood precision）——你有多信任这个感觉信号能反映真实世界的状态。

第二个问题：火灾这件事在你心里有多重要？即使报警器够准，如果这里只是个临时工棚，你觉得“烧了就烧了，反正不值钱”，那警报响了你也未必着急。但如果这里是你的家，里面有你全部的重要资料和家人，那警报一响你绝对会立刻行动。在主动推断的语言里，这个“重不重要”反映的是偏好（preference）或先验期望（prior preference）——你对某些世界状态有多强的倾向性，以及你愿意付出多大代价去改变当前状态。

关键来了：这两条路径在数学上、在神经机制上、在行为表现上都是可以分离的。一个报警器可以“很准但你不关心”，也可以“很关心但你不信它”。同样，在内感受系统里，大脑可以通过提高对身体信号的信任度来实现优先化，也可以通过提高某个身体状态的价值权重来实现优先化。这篇标题所说的“dissociating”，就是要在实验和模型中把这两条路径分开来看。

2. 主动推断里的两个参数：似然精度和偏好重加权

2.1 生成模型中的“精度”到底指什么，它和注意力的关系

要真正理解似然精度，得先稍微深入一点主动推断的数学语言，但我尽量用白话讲。

主动推断认为大脑持有对感觉数据成因的生成模型。简单说，大脑有一个“外界/身体状态如何导致感觉信号”的内部假设。比如“当我紧张时，我的心跳会加快，我感受到的心跳感会更强”——这就是一个生成模型。感知的过程就是对这个模型进行逆向推断：根据感受到的心跳感，推断“我有多紧张”。

但感觉信号并不是永远可靠的。同样一次心跳，可能因为运动、因为喝了咖啡、因为传感器的“噪声”，而产生不同程度的感知强度。生成模型里有一个参数专门描述这种可靠性，这就是似然精度——给定一个隐藏状态（比如真实心跳频率），感觉信号的条件分布的精度（precision，即方差的倒数）。精度越高，说明感觉信号越能“忠实反映”隐藏状态，大脑就越应该根据感觉信号来更新信念。

在主动推断里，精度还有一个特殊的地位：它直接调制预测误差的“增益”。一个精度高的感觉通道，其预测误差会被放大，从而对信念更新产生更大影响；一个精度低的通道，其预测误差会被缩小甚至忽略。这就像你听一个人说话：如果你知道这个人说话从来靠谱，那他说的话你会认真对待，每个字都可能改变你的判断；如果你知道这个人满嘴跑火车，他再怎么说你也当耳旁风。

所以“提高内感受信号的似然精度”这条路径，本质上就是：大脑在某个情境下提升了内感受通道的“可信度增益”，让来自身体的预测误差被放大，进而让身体信号在信念更新中占据更大权重。这条路径跟注意力的经典概念高度相关——你在主动“关注”你的心跳时，就是在这个通道上提高了精度。

2.2 偏好重加权是什么？它跟“你希望自己处于什么状态”相关

另一条路径完全不一样。它不是改变感觉信号的可靠性，而是改变先验偏好——也就是大脑对某个身体状态或外界状态的“期望值”的分布形状。

在主动推断里，大脑不仅仅是感知者，还是行动者。它选择行动的目的，是让自己更可能到达自己“偏好”的状态。用公式化的语言说：大脑有一个关于状态的先验期望，这个先验期望不是均匀的——某些状态被赋予更高的概率。比如大多数人的大脑赋予“体温正常”这个状态的先验概率远高于“体温39度”。这个先验期望就是“偏好”。

偏好重加权（preference reweighting）是指：在特定情境下，大脑调整这个先验期望的“陡峭程度”或“相对权重”。举个例子：一个正在备孕的女性，可能会对“是否怀孕”这个状态赋予极高的先验偏好权重；一个刚刚经历过心梗的患者，可能会对“心跳是否规律”赋予极高的先验偏好权重。这并不是说她的心跳感知精度变高了（她并没有更准确地感知心跳），而是说“心跳是否正常”这个维度在她的价值体系里的权重被抬高了。

这两条路径在现象上可能看起来很像——都是“更关注身体信号”，但底层机制完全不同。提高似然精度，改变的是“信息流”的可靠性；偏好重加权，改变的是“价值函数”的权重。在贝叶斯公式里，前者作用在似然项（likelihood）上，后者作用在先验项（prior）上。这是两个数学上正交的维度，理论上可以独立操作。

2.3 为什么必须区分这两条路径：临床和理论上的双重动机

那为什么要专门写一篇论文来区分它们？原因有两个层面。

理论层面：如果不区分，就会出现“同一个模型参数解释所有现象”的惰性思维。很多认知神经科学论文会把“注意力增强”和“期望增强”混为一谈，但这两个机制在神经网络里对应的是不同的连接增益和不同的调制方式，混为一谈会导致模型过于笼统、缺乏解释力。

临床层面：不同的精神障碍，很可能对应着这两条路径中某一条的异常。比如焦虑障碍患者可能表现为对内脏信号的精度异常升高——明明心跳是正常的，但他们把心跳信号当成高可靠性的“危险信号”来处理；而抑郁症患者可能表现为对“身体状态变好”这一偏好的权重降低——即使身体信号被正常感知，他们也缺乏改变当前状态的内在动机。如果能把这两条路径分开，就可以为不同的症状画像提供更有针对性的计算标记。我之前看过一些研究——虽然不能说绝对对应——但很多临床数据确实提示，惊恐障碍更偏向精度路径的异常，而慢性疼痛中的“灾难化”思维则更偏向偏好权重的异常。

3. 怎么用实验区分两条路径：一个典型的研究设计拆解

3.1 实验逻辑：制造一个“需要优先化的内感受信号”，然后设置双任务

要区分两条路径，最关键的是实验设计要让它们在行为层面产生不同的预测。这篇标题背后的研究（我基于典型的主动推断内感受研究范式来描述）大致采用了这样的逻辑。

研究者先构造一个需要“内感受优先化”的任务。比如让被试完成一个感知决策任务：屏幕上出现两个可选响应，同时被试体内会收到一个生理信号（如通过心跳反馈或者呼吸负荷诱导）。在某些试次中，研究者会明确告诉被试：“身体信号是判断正确答案的关键线索，请优先关注它。”

但这里的关键是操纵“为什么会优先”：

• 在一种条件下，研究者操纵感觉信号的可靠性：例如告知被试“你戴的心率监测仪非常精准，之前的校准结果显示它能准确反映你的真实心跳”，并实际呈现高信噪比的心跳反馈信号。被试之所以优先使用身体信号，是因为“这个信号值得信任”。
• 在另一种条件下，研究者操纵该状态的价值权重：例如告知被试“如果你能准确感知自己的心跳，你将获得双倍奖励”，或者设计成“只有准确识别心跳状态才能避免电击/损失金钱”。被试之所以优先使用身体信号，是因为“这个判断结果对我很重要”。

这样设计后，两种条件下被试可能都表现出对心跳信号的“优先使用”，但背后的原因一个来自精度，一个来自偏好。接着，研究者用行为指标和计算模型来检验是否真的可以分离。

3.2 行为的分离指标：反应时间、精度适应和扰动敏感性

在行为层面，两条路径会产生一些可以区分开的预测模式。我挑几个关键的说。

第一是对精度扰动的敏感性。如果你改变感觉信号的信噪比（例如在心跳反馈中加入噪声），走“精度路径”的被试会立刻表现出行为改变——因为他们的表现依赖于信号精度；走“偏好路径”的被试则受噪声影响较小——因为他们即使信号不太清楚，也会因为“这个维度对我来说很重要”而坚持使用该信号。这个分离的逻辑很简单：一条路径直接依赖信号质量，另一条路径不直接依赖。

第二是反应的时序模式。提高精度路径倾向于在信号呈现后快速、自动地产生注意转移，因为精度调制被视为一种感知增益控制机制，可能相对接近前注意加工；而偏好重加权路径往往涉及更高级的目标表征和评估过程，可能会在反应模式上表现为更稳定但更慢的策略性调整。

第三是学习曲线的差异。如果被试在实验中逐渐学会“身体信号是有用的”，那精度路径表现为对信号权重逐步增加（学习“这个信号可靠”）；偏好路径则可能表现为在奖励或价值信号改变时的一个更突然的权重跳变（学习“这个结果很重要”）。

这里需要谨慎。任何单一行为指标都不可能纯粹地反映某一条路径，所以论文里几乎一定会用计算模型来做区分——把行为数据拟合到带不同参数结构的主动推断模型中，看哪个参数结构（精度调制 or 偏好权重调制）能更好地解释数据。

3.3 贝叶斯模型选择的意义：用模型而不是直觉来判断

我在复现类似研究数据时最大的体会是：如果你只依赖“被试是否更准确地使用了身体信号”这个指标，你根本分不清两条路径。因为被试可能因为“信号更可靠”而更准确，也可能因为“我更重视这个信号、所以花更多注意力在上面”而更准确。

这就是为什么需要用贝叶斯模型选择来区分。研究者在模型空间里同时放置两个候选模型：

• 模型A：只在似然精度上设置一个可调参数（精度提升路线）。
• 模型B：只在先验偏好权重上设置一个可调参数（偏好重加权路线）。
• 模型C：同时包含两个参数（混合模型）。

然后使用变分拉普拉斯近似（Variational Laplace）或马尔可夫链蒙特卡洛（MCMC）方法，计算每个模型对每个被试数据的拟合证据（free energy / log model evidence）。最后通过受试者工作特征曲线下面积（ROC/AUC）或者保护性超越概率（protected exceedance probability）来判断哪个模型更可能“生成”了该被试的数据行为。

这个逻辑不只是为了方法上的严谨。它回答的是一个更根本的问题：我们观察到“被试更关注身体信号”这个现象——它到底意味着什么？是他们的感官系统变得更高保真，还是他们的动机系统把身体信号看得更重？这两个解释在哲学上、临床上、干预路径上都不同。

4. 跑通模型的过程：从模拟数据到参数估计，附一个已封装函数“cm_prioritise”的使用说明

4.1 生成模拟数据的基本思路

虽然原论文我没有完整复现（理论研究论文往往在补充材料里提供模拟脚本），但基于主动推断的标准库，我用Python构造了一个简化版本。这个版本的核心思路是：我先生成一个有“两条独立机制”的生成模型，分别操纵似然精度和偏好权重，然后看行为数据是否可以被两个不同的参数模型分别恢复出来。

我用的主动推断库是pymdp（Python版本的Markov决策过程主动推断实现）。它的内部逻辑是：状态、观察、策略、精度四个核心元素构成一个生成模型；通过前向推断和后向选择更新信念。如果你不熟悉这个库，它本质上是一个离散状态的贝叶斯推断引擎，很适合用来模拟“心跳高/正常”“危险/安全”这类简单二值状态的内感受任务。

生成模拟数据的流程大致是这样的：

1. 定义两个隐藏状态：心跳状态（正常 / 异常），和一个背景语境状态（安全 / 危险）。
2. 定义观察模态：一个“心跳感知”模态（感知到强心跳 / 正常心跳），一个“外部线索”模态。
3. 定义状态转移矩阵：正常状态下，心跳大概率保持正常；危险语境下，心跳更容易变成异常。
4. 定义偏好先验：在“偏好权重高”的条件里，把“正常”状态的先验概率调高；在“精度高”的条件里，把心跳感知模态的似然矩阵调高（对角元素接近1，非对角接近0）。
5. 运行主动推断，记录被试每个试次的选择、反应置信度、信息增益等。

一个小细节：在pymdp里，似然精度不是直接出现在似然矩阵上的，而是在“精度调制”的地方——观察精度的逆温度（inverse temperature）参数。如果你用过pymdp，会知道likelihood_dirichlet和observation_precision的区别：前者定义生成概率，后者是信念更新时对预测误差的加权。很多人会把这两个搞混，我最初跑模型时就犯过这个错。

4.2 已封装函数 cm_prioritise 的参数说明

为了方便复现，我把整个模拟过程封装成了一个函数cm_prioritise，它负责生成两类模拟被试的数据（高精度型 vs 高偏好型），并输出两类被试在行为指标上的对比。函数的核心参数如下表：

使用示例也很简单。直接把两个参数组合跑出来，就能看到行为分离效应的雏形：

from cm_interoception import cm_prioritise import pandas as pd # 生成“精度路径”被试 sub_precision = cm_prioritise( n_trials=400, precision_level=6.0, pref_reweight=0.1, noise_schedule="add", reward_scheme="gain", fit_model="precision", seed=42, ) # 生成“偏好路径”被试 sub_preference = cm_prioritise( n_trials=400, precision_level=1.5, pref_reweight=0.9, noise_schedule="add", reward_scheme="gain", fit_model="preference", seed=43, ) # 对比两个被试在噪声条件下的行为指标变化 result = pd.concat([ sub_precision.summary(), sub_preference.summary(), ], axis=0) print(result)

有的读者可能想问：为什么precision_level=6.0的被试在后续对噪声扰动的敏感性上反而不如pref_reweight=0.9的被试稳定？这就是两条路径的典型差异——高精度被试极度依赖信号质量，一旦加了噪声表现立即下降；高偏好被试即使信号被噪声污染，也会因为动机权重而坚持调用该通道。但需要强调：这个函数只是为了教学演示，参数调得极端了一些，真实实验数据远没有那么干净。

4.3 参数估计时容易踩的坑和我的处理经验

跑主动推断模型并估计参数，最常见的坑有三个。

第一个坑是参数不可辨识性。如果你同时给似然精度和偏好权重都设置了自由参数，模型容易陷入“两个参数互相补偿”的困境：提高精度可以模拟“更关注身体信号”，提高偏好权重也能模拟“更关注身体信号”，那数据到底该归因给谁？我解决的办法是采用分层参数恢复：先完美模拟已知参数的目标数据，再让拟合过程去恢复，检验每个参数是否都能被精确恢复出来。如果两个参数在某个数据模式下的后验相关性高于0.9，那说明该实验设计无法区分两条路径，需要改进任务而不是改模型。

第二个坑是精度调制的实现位置。在pymdp和SPM（统计参数映射）里，“精度”可以被施加在观察模型上，也可以被施加在状态转移上，还可以被施加在策略选择上。如果你把它放在了错误的位置，你会发现拟合出的参数再“对”，也无法解释反应时间的特征。我的经验是：内感受优先化的“精度路径”主要发生在观察模型的精度调制上，而不是策略选择温度上。策略选择的逆温度会被偏好和精度共同污染，不宜直接作为任何单一机制的指标。

第三个坑是反应时间数据与贝叶斯信念更新的拟合。主动推断标准输出通常是“信念后验”而不直接输出“反应时间”，而人类实验里反应时间往往是有意义的指标。我在做模型比较时发现，最好把“信念变化量”或者“信息论意义上的惊讶度（surprise）”当作自变量，去线性回归预测反应时间，而不是直接把反应时间塞进生成模型。这样做虽然损失了一部分端到端的严谨性，但能明显提升数据的拟合度和解释清晰度。如果你在复现文献时看到“反应时间没有显著差异”这类结果，不妨检查一下是不是分析路径里少了这一步。

5. 实际数据和理论上的一些边界：什么情况下两条路径会纠缠不清

5.1 多数实验中的测量周期太短，导致无法暴露机制差异

我在看这类研究文献时有一个感受：很多实验的行为任务只有30到60分钟，采集到的数据点有限，被试在任务中的策略可能还在变化（刚开始时摸索，中途才稳定，后期可能疲劳）。如果你用整个实验的数据去拟合一个固定参数的模型，实际上是在把一个非平稳过程当成平稳过程处理。这会严重混淆两条路径——因为策略学习阶段偏好权重的变化会更显著，而稳定阶段精度路径的效果才更明显。

一种补救方法是将实验数据按时间段切分成“早期/中期/晚期”，分别拟合参数，看参数的时变轨迹。如果“偏好路径”被试的参数从早期到晚期发生明显的平台式跳变，而“精度路径”被试的参数呈渐进式上升，那这本身就是分离两条路径的额外证据。我在模拟中试过，这个轨迹分化非常清晰——虽然真实数据会更嘈杂，但方向一致。

5.2 两种机制在神经层面上可能共享部分通路

理论上“正交”的两个参数，在生物实现上并不一定是完全分开的。比如去甲肾上腺素系统（norepinephrine system）既调节感觉增益也影响唤醒水平；多巴胺系统（dopamine）不仅编码奖励偏好，也调制认知控制的增益。因此在神经影像数据里，你不太可能看到一条通路只做精度、另一条只做偏好权重——更多时候是两者在皮层-皮层下网络中以不同的比例被招募。

这一点很重要。当你读到“dissociating”这个词时，不要把它理解成“两个独立的脑区”，而是理解成“两个可以分别操纵的计算变量”。就像音量键和平衡键是两个独立的参数，但它们在音响里的物理线路可能有交叉。在论文写作或实验设计里，我们必须用行为+模型的联合证据来说明分离，而不应该诉诸“激活脑区不同”这种简单化的标准。

5.3 个体差异与临床分型：同一患者的混合路径问题

在实际临床或者个体差异研究里，同一个被试几乎不可能纯粹走一条路径。一个焦虑患者既可能有偏高的内感受精度（过度相信自己的心跳感觉），也可能有偏高的“躯体健康”偏好权重（极其恐惧“生病”这一状态）。这两个机制会在数据里叠加，形成一个混合模型。

处理混合路径的时候，模型选择不应该只提供“二选一”或“都可以”，而应该允许连续的比例参数——比如在一个混合模型里估计一个混合系数w，它表示个体更偏精度路径还是更偏偏好路径。我见过一些研究使用多维贝叶斯因子（Bayes Factor）矩阵来呈现每个被试在两条路径上的支持度，这种展示方式比直接做一个分组比较要诚实得多，也更适合做后续的临床分型。

6. 这个框架能解释哪些现实问题：从焦虑到冥想的机制猜想

6.1 惊恐障碍：更像“精度路径”的异常放大

把两条路径放到现实场景里看，最先跳到脑子里的就是惊恐障碍。惊恐障碍的经典特征是：患者对心率、呼吸等内脏信号过度敏感，常把无害的生理波动误解为“心脏病发作”或“窒息”。这种误解的核心是什么？我认为是高精度——患者的内感受信号并没有变得更强，而是他们的大脑给了这些信号异常高的可靠性增益——每一次心跳都被当成“极其可信的危险证据”。

如果用模型语言描述：患者的似然精度参数偏高，导致任何微小的内感受波动都被放大为强烈的信念更新。这种异常在行为层面的体现就是“对内脏信号的错误识别率高”“对无害的内感受扰动产生强烈恐惧”。近年来很火的“心跳感知任务（heartbeat perception task）”里，惊恐障碍患者的表现普遍高于正常对照，我一直觉得高精度是比高敏感性更准确的计算解释。

6.2 慢性疼痛与疑病症：可能更多是“偏好重加权”这条路径

与惊恐障碍不同，慢性疼痛和疑病症表现出更明显的“价值性”特征。一个慢性疼痛患者可能对“疼痛消失”这个状态有极强的偏好权重，极端情况下会发展成对任何轻微不适的灾难化解读。这看起来像是“我太想要正常状态了，所以任何偏离正常的信号都特别重要”——这就是偏好重加权。

偏好重加权路径一旦过度，就会产生一种扭曲：你并不需要真的感觉信号有多可靠，你只需要“这个维度对你来说足够重要”。这和荣格所说的“情结”（complex）有认知科学意义上的相通——一个高权重的情结主题会把各种无关证据都拉向自己。在计算层面，这表现为患者在信念更新中过度依赖先验偏好而低估了感觉证据的可靠性，最终导致“什么都没查出来但患者就是坚信自己生病了”。

6.3 正念与冥想：可能同时下调两条路径，但侧重不同

我一直觉得主动推断框架给正念冥想提供了一个极好的理论解释框架。正念强调“不加评判地觉察身体感受”——不加评判，对应于去掉倾向性的偏好重加权；觉察，对应于去重新校准感觉精度。

但从我读相关实证研究和自己在算法模拟中的观察来看，冥想的长期效果更可能主要体现在偏好重加权上：通过反复练习，降低对“身体状态必须好”的过度权重，让先验偏好变得更平坦，从而减少以“必须改变”为目标的反应性行动。而短期效果（比如在冥想过程中感受到的心跳清晰化）则可能涉及精度的调整。这也许可以解释为什么正念对惊恐障碍效果不错但对疑病症效果相对一般——因为两种障碍依赖的机制权重不同，而冥想对偏好路径的调节能力更强。

7. 实操复盘：我从模拟实验里学到的三个关键经验

讲完了理论和实验设计，最后分享几点我在复现、改造这类主动推断模型过程中的实际体会。这些不属于论文里的内容，但如果你打算自己跑这类模型，大概率会在同样的问题上栽跟头。

第一点，模型参数的数量不是越多越好。在我刚开始做模拟时，我习惯性地设置一个“完整模型”，把精度、偏好、策略温度、先验方差全部设为自由参数。结果很糟糕——不同参数的拟合曲线几乎一样，模型不可辨识。后来我把问题改造成“固定其他参数，只留一个关键参数变化”，才得到了清晰的行为分离。现实就是：如果你的理论假设只需要一个参数来解释现象，那你的模型就应该先只带一个参数。模型不是越复杂越接近真实，而是越简单越可以通过适当检验支持你的主张。

第二点，在计算模型里，“解释数据”与“预测数据”是不同的事。我见过很多研究只报告拟合指标（如AIC/BIC），而没有报告样本外预测指标。你的模型当然能解释被试已经做出的选择——因为参数就是从这些选择里估出来的——但能不能预测被试接下来的选择，才是模型价值的关键检验。我在做模型比较时，后来强制要求自己把前80%的试次用来拟合，后20%的试次用来做预测验证。不这样做，我根本无法区分“真机制好”还是“只是建模者用力过猛”。

第三点，任何计算模型结论都必须回到可证伪的行为预测上。如果你打开任何研究论文，只能看到“模型支持了XX机制”，却看到作者没有设计一个全新任务来验证新预测，那这个研究还差最后一步。我做这个模拟实验后最大的收获就是：模型给了我们两个不同的行为预测——少噪声下的高准确率 vs 噪声扰动下的抗干扰性。如果它们不能在后续的独立实验中被验证，前面的所有建模工作就只是“事后解释”。这句话我也说给自己听——在写结论设计自己的下一步实验计划时，我会把“可证伪的行为预测”作为首要目标，而不是堆一个更大的模型。

最后再说一段个人体会。这个标题研究最让我喜欢的地方，是它把两个原本容易被混在一起的机制用严谨的计算方法拆开了。内感受优先化不是一种单一的现象——它可以是“我更相信我身体的感觉”，也可以是“我更在意我身体的状态”。前者告诉你，处理这类问题的入口是改善信号的可靠性和感知精度；后者告诉你，入口是调整你对目标状态的价值评估和动机权重。在心理治疗里，这两种入口对应完全不同的干预策略——一种偏向认知重评与感受觉察训练，一种偏向价值澄清与动机调整。把这两条路径分清，不只是理论上的洁癖，它真的能改变我们对症状的理解方式。