Однако сама концепция прогнозирования и построения моделей мира начала развиваться значительно позже. В XVIII и XIX веках идеи Лапласа о детерминизме начали подвергать сомнению современные философы и ученые, такие как Исаак Ньютон, Карл Фридрих Гаусс и другие. Идеи, связанные с вероятностными расчетами и неопределенностью, стали набирать популярность с развитием статистики и термодинамики.
В XX веке работы Клауса Хейслера, Ричарда Фейнмана, и Яна Френкеля стали важным шагом к пониманию того, как предсказания могут работать в условиях неопределенности и как мозг может строить гипотезы в условиях вероятности и неидеальности. Эти ученые предложили математические подходы, которые, в конечном счете, заложили основы для теории прогнозирующего кодирования в нейробиологии.
Не менее важным вкладом в развитие идеи прогнозирования и теории кодирования стали работы исследователей в области нейронауки в середине XX века, таких как Бенжамен Либет и Нобель лауреаты Роджер Сперри и Жан-Пьер Шевалье. Либет, например, провел эксперименты, которые продемонстрировали, что мозг начинает процесс принятия решений за несколько секунд до того, как человек осознает свой выбор, что ставило под сомнение идею о полном контроле над поведением.
Однако теории, сходные с прогнозирующим кодированием, начали активно развиваться лишь в конце XX и начале XXI века. Ключевую роль в этом сыграли работы, связанные с исследованием нейропластичности и адаптивных механизмов мозга. Нейробиологические исследования, включая исследования нейромедиаторов, таких как дофамин, и влияние нейронных сетей, позволили сделать важные выводы о том, как мозг использует прогнозирование и модели для восприятия окружающего мира. Основоположники теории прогнозирующего кодирования, такие как Карл Фридрих фон Вайцзеккер и Грегори Хупер, предложили, что мозг всегда формирует гипотезы о будущем на основе прошлого опыта и коррелирует их с поступающей сенсорной информацией.
Теорема Байеса, предложенная английским математиком Томасом Байесом в XVIII веке, стала важным математическим инструментом для анализа и обновления вероятностных гипотез в свете новых данных.
Суть теоремы заключается в том, что она позволяет пересчитывать вероятность гипотезы, исходя из того, какие данные становятся известны. Байесова теорема описывает, как обновляется вера (или вероятность) гипотезы в ответ на новую информацию. В контексте мозга эта теорема может быть использована для объяснения того, как нейронные сети обновляют свои предсказания о будущем, учитывая как старый, так и новый опыт.
В контексте теории прогнозирующего кодирования эта теорема и формула иллюстрирует, как мозг обновляет свои гипотезы (или предсказания) о мире, основываясь на новых сенсорных данных.