Mózg jako maszyna bayesowska: od obliczeniowej neuronauki poznawczej do psychoterapii
1. Mózg jako „maszyna bayesowska”: niepewność, przewidywanie i iluzja kontroli
1.1. Podejście bayesowskie na styku neuronauki poznawczej, psychologii klinicznej i terapii poznawczo-behawioralnej
Jeden z podstawowych problemów w badaniach nad ludzkim mózgiem można sformułować w postaci następującego pytania: jak rozumieć świat, skoro nigdy nie dysponujemy pełną informacją na jego temat?
Nasze systemy sensoryczne nie dostarczają pełnego i/lub doskonałego obrazu rzeczywistości. Sygnały wzrokowe, słuchowe i płynące z ciała są często niepełne, wieloznaczne i zależne od kontekstu. Nie możemy bezpośrednio „zobaczyć” intencji drugiego człowieka, przewidzieć przyszłości ani z całkowitą pewnością stwierdzić, co oznacza konkretne doznanie cielesne. Mózg musi wnioskować o nieobserwowalnych lub ukrytych przyczynach zdarzeń oraz motywach ludzkiego zachowania na podstawie ograniczonych danych.
Problem ten stanowi jeden z punktów wyjścia bayesowskiej neuronauki poznawczej. Biologiczne systemy poznawcze, takie jak mózg, działają w warunkach niepewności, a modele probabilistyczne pozwalają formalnie opisać, w jaki sposób wcześniej zdobyta wiedza może łączyć się z nowymi informacjami lub pozostawać z nimi w sprzeczności. Stąd bierze się koncepcja, że w świetle tych założeń mózg można rozpatrywać jako „maszynę bayesowską” (Bayesian Machine).
Już na początku należy jednak wprowadzić ważne naukowe doprecyzowanie. Twierdzenia tego nie należy rozumieć dosłownie, tak jakby neurony świadomie obliczały wzór Bayesa. Trafniej jest powiedzieć, że szereg prawidłowości dotyczących ludzkiej percepcji, uczenia się i podejmowania decyzji można skutecznie opisać jako wnioskowanie bayesowskie (Bayesian Inference). To, w jakim stopniu mózg rzeczywiście odzwierciedla i realizuje właśnie ten algorytm obliczeniowy na poziomie neuronalnym, pozostaje przedmiotem badań empirycznych.
1.2. Co robi „mózg bayesowski”?
Idea leżąca u podstaw podejścia bayesowskiego jest dość prosta. Wyobraźmy sobie, że konkretny mózg ma określoną hipotezę dotyczącą świata. Na przykład: „Ta sytuacja jest niebezpieczna”.
Zanim pojawi się nowa informacja, hipoteza ta ma już pewne prawdopodobieństwo. Nazywamy je prawdopodobieństwem a priori (Prior Probability). Następnie pojawia się nowa informacja — dane lub dowody (Evidence). Mózg ocenia, na ile informacja ta jest zgodna z daną hipotezą: jest to funkcja wiarygodności (Likelihood). W rezultacie powstaje zrewidowane przekonanie — prawdopodobieństwo a posteriori (Posterior Probability).
Klasyczne twierdzenie Bayesa ma następującą postać:
P(H | D) = P(D | H) × P(H) / P(D)
P oznacza tu prawdopodobieństwo, H — hipotezę, a D — uzyskane dane.
W języku pojęć psychologicznych można to przedstawić znacznie prościej:
Dotychczasowe przekonanie + nowe doświadczenie → zrewidowane przekonanie
Ten prosty schemat ma ogromne znaczenie dla psychologii. Nigdy nie zaczynamy postrzegać świata „od zera”. Interpretacja aktualnej sytuacji jest zawsze w pewnym stopniu uwarunkowana wcześniejszym doświadczeniem, wyuczonymi prawidłowościami, oczekiwaniami, pamięcią, przekonaniami i bieżącym kontekstem.
1.3. Mózg nie tylko reaguje na świat, lecz także go przewiduje
Idea mózgu bayesowskiego jest ściśle związana z podejściem przetwarzania predykcyjnego (Predictive Processing). Według niektórych modeli kodowania predykcyjnego (Predictive Coding) układ nerwowy hierarchicznie tworzy przewidywania dotyczące tego, co powinno wydarzyć się w następnej chwili. Systemy wyższego poziomu przekazują przewidywania na niższe poziomy, natomiast różnica między informacją sensoryczną a przewidywaniem jest przekazywana w górę jako błąd predykcji (Prediction Error).
Na przykład idziesz nocą ciemnym korytarzem i dostrzegasz w kącie jakiś podłużny przedmiot, ale nie potrafisz jednoznacznie określić, co to jest. Informacja wzrokowa jest niepełna. Jeśli obecność węża w tym otoczeniu wydaje się prawdopodobna, mózg może szybko wygenerować hipotezę: „To może być wąż”. Podchodzisz bliżej i widzisz, że to po prostu pasek. Nowe dane sensoryczne nie odpowiadają przewidywaniu. Powstaje błąd predykcji, który umożliwia aktualizację wewnętrznego modelu.
W tym sensie percepcję można rozumieć nie tylko jako bierne odbieranie informacji z zewnątrz, lecz także jako ciągłe konstruowanie i rekonstruowanie najbardziej prawdopodobnej hipotezy wyjaśniającej świat. Nie wszystkie błędy predykcji jednak w równym stopniu przyczyniają się do ulepszania tej hipotezy. Kluczowe jest tu inne pojęcie — precyzja (Precision).
1.4. Jak precyzyjne są moje przekonania?
W systemie bayesowskim ważne jest nie tylko to, co przewidujemy, lecz także to, na ile jesteśmy pewni precyzji swoich przewidywań. Precyzję można w uproszczeniu rozumieć jako „stopień pewności” związany z rozkładem prawdopodobieństwa. Matematycznie w systemach gaussowskich jest ona odwrotnością wariancji.
Precyzja = 1 / wariancja
Im wyższa precyzja, tym większy wpływ dane przekonanie lub błąd predykcji może wywierać na dalsze wnioskowanie. Właśnie tutaj bayesowska neuronauka poznawcza w interesujący sposób łączy się z psychologią kliniczną.
Wyobraźmy sobie osobę, która z bardzo dużą pewnością podziela przekonanie: „Jeśli popełnię błąd przy innych ludziach, ocenią mnie negatywnie”. Problem może tu dotyczyć nie tylko treści przekonania, lecz także jego nadmiernie wysokiej precyzji. Wówczas nowa informacja — „Popełniłem błąd, ale nikt szczególnie nie zareagował” — może mieć niewielki wpływ, ponieważ wcześniejsze przewidywanie a priori jest zbyt „silne”. Osoba może nawet znaleźć wyjaśnienie pozwalające je zachować: „Po prostu z uprzejmości nie pokazali, co naprawdę myślą”. W niektórych przypadkach problem psychologiczny można więc rozumieć również jako trudność w aktualizowaniu przekonań.
1.5. Niepewność jako podstawowy problem poznawczy
W centrum całego tego systemu znajduje się niepewność (Uncertainty). Mózg musi stale oceniać: co się dzieje? Co prawdopodobnie się wydarzy? Co mogę zrobić? Co się stanie, jeśli popełnię błąd? Na ile mogę zaufać własnemu przewidywaniu?
Współczesna psychologia obliczeniowa proponuje rozróżnianie różnych rodzajów niepewności. Szczególnie ważne są dwa z nich. Pierwszy to niepewność epistemiczna (Epistemic Uncertainty), wynikająca z braku wiedzy. Na przykład: „Nie wiem, jaki będzie wynik egzaminu”. W takim przypadku teoretycznie można uzyskać nowe informacje i zmniejszyć niepewność. Drugi to niepewność aleatoryczna[1] (Aleatoric Uncertainty), wynikająca ze zmienności lub losowości samego świata. Na przykład nawet najlepszy model ekonomiczny nie potrafi z absolutną dokładnością przewidzieć sytuacji na rynku za rok. Tej niepewności nie da się całkowicie usunąć, nawet gromadząc duże ilości informacji.
Współczesny bayesowski model lęku proponuje zastosowanie tego rozróżnienia również w psychologii klinicznej. W tym miejscu należy podkreślić szczególnie ważną dla psychologii klinicznej i psychoterapii myśl: zdrowie psychiczne nie oznacza wyeliminowania niepewności. Oznacza raczej uczenie się rozróżniania, którą niepewność można zmniejszyć poprzez zbieranie informacji, a którą trzeba nauczyć się tolerować.
1.6. Lęk i nietolerancja niepewności
W psychologii klinicznej i terapii poznawczo-behawioralnej — dalej CBT — zjawisko to jest badane za pomocą pojęcia nietolerancji niepewności (Intolerance of Uncertainty, IU). Początkowo rozpatrywano ją przede wszystkim jako mechanizm uogólnionego zaburzenia lękowego i patologicznego zamartwiania się. Obecnie jest ujmowana jako szerszy czynnik transdiagnostyczny, który w różnym stopniu wiąże się z uogólnionym zaburzeniem lękowym, zaburzeniem obsesyjno-kompulsyjnym, zespołem stresu pourazowego i innymi problemami, głównie ze spektrum lęku. Dziś uznaje się ją za jedno z centralnych pojęć współczesnej psychopatologii.
Nietolerancja niepewności nie oznacza po prostu „nielubienia niepewności”. Może obejmować takie przekonania, jak: „Muszę wiedzieć na pewno, co się wydarzy”, „Jeśli nie będę wiedzieć na pewno, prawdopodobnie wydarzy się coś złego”, „Nie mogę się odprężyć, dopóki nie będę mieć całkowitej pewności”, „Jeśli zły wynik jest możliwy, koniecznie muszę mu zapobiec”. W takim stanie sama niepewność zaczyna być postrzegana jako sygnał zagrożenia.
W różnych badaniach neuropoznawczych wielokrotnie odnotowywano dodatnią korelację między wysoką nietolerancją niepewności, silną reakcją emocjonalną na niepewność oraz zwiększoną aktywnością przedniej części kory wyspy (Anterior Insula) i ciała migdałowatego (Amygdala). Błędem byłoby jednak mówienie o „mózgowym ośrodku niepewności”, ponieważ dane te opisują funkcjonowanie wzajemnie powiązanych sieci neuronalnych, a wyniki poszczególnych badań nie są w pełni zgodne.
1.7. Niepewność i potrzeba kontroli
W tym miejscu podejście bayesowskie naturalnie łączy się z innym zjawiskiem psychologicznym, występującym głównie w kontekście zaburzeń lękowych — potrzebą kontroli (Need for Control).
Potrzeba kontroli sama w sobie nie jest patologią. Przeciwnie, zdolność wpływania na otoczenie oraz rozumienia związku między własnymi działaniami a ich rezultatami jest z biologicznego punktu widzenia wysoce adaptacyjna. Możliwość kontroli może zmniejszać reakcje na sytuacje stresowe i zagrożenia, a sama możliwość wyboru jest pozytywnym doświadczeniem.
Problem zaczyna się wtedy, gdy „Dobrze jest kontrolować to, co mogę” zmienia się w „Muszę kontrolować wszystko, co może wiązać się z zagrożeniem”. Osoba o niskiej tolerancji niepewności może nieustannie próbować zmniejszać jej poziom poprzez sprawdzanie, poszukiwanie zapewnień, zadawanie pytań, przewidywanie, planowanie lub unikanie. W krótkiej perspektywie rzeczywiście to działa: lęk maleje. Właśnie dlatego takie wzorce zachowania ulegają wzmocnieniu.
1.8. Iluzja bezpieczeństwa
W tym kontekście szczególnie interesująca jest rola zachowań zabezpieczających lub działań ochronnych (Safety Behaviors).
Na przykład osoba z zaburzeniem lęku społecznego może przed spotkaniem nauczyć się na pamięć każdego zdania. Osoba z zaburzeniem panicznym może nigdy nie wychodzić z domu bez leku „na sytuację awaryjną”. Osoba z zaburzeniem obsesyjno-kompulsyjnym może wielokrotnie sprawdzać, czy drzwi są zamknięte. Osoba z lękiem o zdrowie prawdopodobnie będzie regularnie mierzyć ciśnienie krwi. Po takich działaniach człowiek czuje się bezpieczniej. Dochodzi tu jednak do ważnego, irracjonalnego przesunięcia. Jeśli negatywne zdarzenie nie nastąpi, osoba nie uzna, że jej przewidywanie było błędne. Zamiast tego wyciągnie wniosek: „Nic złego się nie wydarzyło, ponieważ się zabezpieczyłem”.
W rezultacie przewidywanie a priori nie zostaje zaktualizowane. Zjawisko to można umownie nazwać iluzją bezpieczeństwa. Należy zaznaczyć, że termin ten nie jest konstruktem diagnostycznym, lecz klinicznym opisem sytuacji, w której poczucie bezpieczeństwa opiera się na samym wykonaniu zachowania zabezpieczającego, a nie na rzeczywistych gwarancjach lub dowodach bezpieczeństwa. Z tego powodu zachowania zabezpieczające mogą nie tylko chwilowo zmniejszać niepokój, lecz także w dłuższej perspektywie podtrzymywać irracjonalne przekonanie o zagrożeniu.
1.9. Iluzja kontroli
Kolejnym ważnym i powiązanym z tym zjawiskiem jest iluzja kontroli (Illusion of Control). Powstaje ona wtedy, gdy człowiek przecenia rzeczywisty związek przyczynowo-skutkowy między własnym działaniem a jego rezultatem. Przykładem jest przekonanie, że to właśnie trzykrotne sprawdzanie zamknięcia drzwi za każdym razem przed wyjściem z domu chroni mieszkanie przed złodziejami.[2] Jednak fakt, że dwa zdarzenia następują po sobie, nie oznacza jeszcze, że jedno jest przyczyną drugiego.
W ujęciu klinicznym może to tworzyć zamknięty cykl:
Niepewność → lęk → działanie lub zachowanie kontrolujące → zmniejszenie lęku → wzmocnienie zachowania → silniejsze przekonanie, że kontrola jest konieczna
Człowiek stopniowo uczy się nie tyle żyć w warunkach niepewności, ile przeciwnie — dążyć do iluzorycznego poczucia bezpieczeństwa, próbując kontrolować każdą niepewność i uczynić ją kontrolowalną.
1.10. Jak można rozumieć CBT z perspektywy bayesowskiej?
W tym miejscu podejście bayesowskie staje się szczególnie interesujące. Wiele metod CBT można przeformułować w języku obliczeniowym. Nie oznacza to jeszcze, że udowodniliśmy ich konkretne mechanizmy neuronalne. Tworzy to jednak niezwykle użyteczne ramy badawcze i pojęciowe (Framework).
| Pojęcie CBT | Interpretacja bayesowska / obliczeniowa |
|---|---|
| Przekonanie dysfunkcjonalne | Przekonanie o wysokim prawdopodobieństwie a priori lub nadmiernie wysokiej precyzji |
| Restrukturyzacja poznawcza | Rewizja przekonania lub modelu |
| Eksperyment behawioralny | Aktywne zbieranie informacji w celu rozróżnienia konkurencyjnych hipotez |
| Ekspozycja | Testowanie przewidywania i uczenie się na podstawie błędu predykcji |
| Unikanie | Strategia behawioralna, która na krótko zmniejsza niepewność lub oczekiwane zagrożenie |
| Zachowanie zabezpieczające / działanie ochronne | Działanie, które na krótko zmniejsza niepewność, ale może utrudniać aktualizację przekonania |
| Terapeutyczne zadanie domowe | Gromadzenie nowych dowodów w rzeczywistych warunkach |
| Nawrót | Ponowna aktywacja wcześniejszego prawdopodobieństwa a priori lub strategii behawioralnej w określonym kontekście |
Z tej perspektywy CBT można rozumieć nie jako metodę „zastępowania negatywnych myśli pozytywnymi”, lecz jako proces naukowego sprawdzania własnych przewidywań.
Wyobraźmy sobie na przykład klienta, który jest przekonany: „Jeśli w trakcie rozmowy przez chwilę nie będę wiedział, co powiedzieć, inni zrozumieją, że jestem niepewny siebie i niekompetentny”. Jest to przekonanie a priori. Przed spotkaniami klient długo się przygotowuje, powtarza w myślach zdania, unika kontaktu wzrokowego i mówi jak najmniej. Są to zachowania zabezpieczające. Spotkanie kończy się bez wyraźnie negatywnego zdarzenia, a klient stwierdza: „Wszystko poszło dobrze, ponieważ bardzo starannie się przygotowałem i byłem ostrożny”. Uzyskane dane nie przeczą więc przekonaniu a priori.
Za pomocą eksperymentu behawioralnego w CBT można jednak stopniowo ograniczać zachowania zabezpieczające. Na przykład klient może nie przygotowywać przed rozmową wszystkich odpowiedzi. Dopiero wtedy jego przewidywanie staje się możliwe do sprawdzenia. Innymi słowy, można przetestować przekonanie a priori: „Jeśli nie będę kontrolował rozmowy, ludzie ocenią mnie negatywnie”. Następnie można porównać to, co przewidywano, z tym, co wydarzyło się w rzeczywistości.
W istocie jest to logika aktualizacji bayesowskiej (Bayesian Updating).
W każdym razie celem CBT nie jest wytworzenie stuprocentowej pewności dotyczącej bezpieczeństwa. Wynika z tego jedna z najważniejszych cech pracy terapeutycznej. Jeśli klient odczuwający lęk pyta: „Jak mogę się upewnić, że to na pewno się nie wydarzy?”, celem terapeuty nie powinno być udzielenie stuprocentowej gwarancji. W rzeczywistym świecie taka gwarancja niemal nigdy nie istnieje. Jeśli nieustannie zapewniamy pewność, możemy nieświadomie wzmacniać właśnie to przekonanie, zgodnie z którym „Żeby czuć spokój, potrzebuję stuprocentowej pewności, że nic złego się nie stanie”.
Bardziej racjonalne może być pytanie: „Jakie jest prawdopodobieństwo tego zdarzenia? Na jakich danych opiera się ta ocena? I czy mogę działać, nawet jeśli pewna niepewność nadal pozostaje?” Nie jest to już poszukiwanie całkowitej pewności (Certainty Seeking), lecz myślenie probabilistyczne (Probabilistic Thinking).
1.11. Trening tolerancji niepewności
Z perspektywy bayesowskiej cel psychoterapii można określić nie jako „zmniejszanie niepewności”, lecz jako trafniejszą ocenę niepewności i bardziej elastyczne zachowanie w jej warunkach. Gdy niepewność można zmniejszyć, zaczynamy gromadzić informacje. Gdy znajduje się poza sferą naszego wpływu i nie można jej zmniejszyć, trzeba nauczyć się z nią żyć. W tym sensie konfrontowanie się z niepewnością i wychodzenie jej naprzeciw — ekspozycja na niepewność (Uncertainty Exposure) — stanowią ważną metodę i proces terapeutyczny.
Człowiek stopniowo rezygnuje z ciągłego poszukiwania uspokajających zapewnień (Reassurance Seeking), sprawdzania, unikania lub nadmiernej kontroli i zyskuje możliwość uczenia się na podstawie własnego doświadczenia: „Mogę nie wiedzieć i mimo to nadal działać”. Oczywiście nie jest to jedynie umiejętność „odprężania się”, lecz zmiana modelu adaptacji do otoczenia.
1.12. Mózg jako maszyna bayesowska: użyteczny model czy nowy dogmat?
Idea mózgu bayesowskiego może być niezwykle atrakcyjna. Łączy percepcję, uczenie się, przewidywanie, podejmowanie decyzji, niepewność, a w niektórych modelach nawet działanie.
W ramach aktywnego wnioskowania (Active Inference) organizm nie tylko zmienia swoje przekonania, dostosowując je do świata, lecz także poprzez działania zmienia otrzymywane informacje. W tych modelach działania mogą mieć zarówno wartość pragmatyczną — uzyskanie pożądanego rezultatu — jak i wartość epistemiczną — zmniejszenie niepewności oraz zdobycie nowych informacji. Jest to oczywiście znakomity język również do opisywania psychoterapii.
Niezwykle ważne jest jednak unikanie tworzenia nowego dogmatu neuronaukowego. Przetwarzanie predykcyjne, kodowanie predykcyjne, wnioskowanie bayesowskie, zasada wolnej energii[3] i aktywne wnioskowanie nie są tymi samymi pojęciami. Fakt, że jakieś zachowanie można opisać za pomocą modelu bayesowskiego, nie oznacza jeszcze, że układ nerwowy realizuje i ucieleśnia właśnie ten algorytm.
Z naukowego punktu widzenia trafniej jest więc powiedzieć nie, że udowodniono, iż mózg jest maszyną bayesowską, lecz że ludzki mózg rozwiązuje podstawowe problemy wnioskowania w warunkach niepewności, a modele bayesowskie i predykcyjne należą do najpotężniejszych współczesnych obliczeniowych ram pojęciowych pozwalających opisywać wiele z tych problemów.
Podsumowanie
Ludzkie życie można pod pewnymi względami rozumieć jako nieustanny ciąg probabilistycznych przewidywań. Przewidujemy, co inni ludzie o nas pomyślą, czy dane doznanie cielesne jest bezpieczne, czy relacja będzie trwać i czy praca się powiedzie. Gdy świat odmawia nam stuprocentowych gwarancji, czasami próbujemy stworzyć je sami — poprzez sprawdzanie, unikanie, poszukiwanie uspokajających zapewnień, nadmierną kontrolę lub zachowania zabezpieczające.
Pełna kontrola najprawdopodobniej jest jednak nie tylko niemożliwa, lecz także niepożądana. Elastyczność psychologiczna oznacza raczej zdolność zarządzania tym, co podlega kontroli, i tolerowania niepewności, której nie można usunąć. W tym sensie bayesowska neuronauka poznawcza i terapia poznawczo-behawioralna spotykają się w tym samym punkcie.
Celem CBT nie jest chronienie człowieka przed niepewnością. Terapia pomaga rewidować nadmiernie sztywne i irracjonalne przewidywania dotyczące świata, sprawdzać je w rzeczywistym doświadczeniu, ograniczać zachowania tworzące iluzję bezpieczeństwa i uczyć się żyć w świecie, w którym niepewność nie jest dowodem zagrożenia, lecz nieuniknioną właściwością rzeczywistości.
Być może właśnie w tym zawiera się najważniejsze kliniczne znaczenie podejścia bayesowskiego: zdrowe myślenie wymaga nie absolutnej pewności czy gwarancji, lecz gotowości do rewidowania własnych przekonań w świetle nowych danych.
Bibliografia
Blakey, S. M., & Abramowitz, J. S. (2016). The effects of safety behaviors during exposure therapy for anxiety: Critical analysis from an inhibitory learning perspective. Clinical Psychology Review, 49, 1–15.
Dugas, M. J., Koerner, N., & Freeston, M. H. (2026). State of the science: Intolerance of uncertainty. Behavior Therapy, 57(1), 17–36.
Friston, K. (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11, 127–138.
Hedley, F. E., Larsen, E., Mohanty, A., Liu, J. Z., & Jin, J. (2026). Understanding anxiety through uncertainty quantification. British Journal of Psychology, 117(3), 795–808.
Knill, D. C., & Pouget, A. (2004). The Bayesian brain: The role of uncertainty in neural coding and computation. Trends in Neurosciences, 27, 712–719.
Leotti, L. A., Iyengar, S. S., & Ochsner, K. N. (2010). Born to choose: The origins and value of the need for control. Trends in Cognitive Sciences, 14(10), 457–463.
Ma, W. J., Beck, J. M., Latham, P. E., & Pouget, A. (2006). Bayesian inference with probabilistic population codes. Nature Neuroscience, 9, 1432–1438.
Sandhu, T. R., Xiao, B., & Lawson, R. P. (2023). Transdiagnostic computations of uncertainty: Towards a new lens on intolerance of uncertainty. Neuroscience & Biobehavioral Reviews, 148, 105123.
Wilson, E. J., Abbott, M. J., & Norton, A. R. (2023). The impact of psychological treatment on intolerance of uncertainty in generalized anxiety disorder: A systematic review and meta-analysis. Journal of Anxiety Disorders, 97, 102729.
Przypisy
[1] Niepewność wynikająca z wewnętrznej losowości lub szumu w samym systemie albo w danych, która zwykle nie znika po prostu dzięki zebraniu większej ilości danych.
[2] Jest to oczywiście sposób myślenia charakterystyczny dla osób z zaburzeniem obsesyjno-kompulsyjnym, jednak jego odmiany występują również w innych zaburzeniach lękowych.
[3] Zasada wolnej energii — idea, zgodnie z którą systemy biologiczne dążą do zmniejszania rozbieżności między swoimi przewidywaniami a otrzymywanymi danymi oraz niepewności, zmieniając albo swój model wewnętrzny, albo własne działania. Jest to rama teoretyczna zaproponowana przez Karla Fristona (ur. w 1959 roku, brytyjskiego neuronaukowca i neurobiologa teoretycznego), która próbuje wyjaśnić, jak systemy biologiczne, w tym mózg, zachowują stabilność w niepewnym i zmieniającym się otoczeniu. W uproszczeniu idea jest następująca: mózg stale przewiduje, co się wydarzy, porównuje przewidywania z napływającymi danymi sensorycznymi i próbuje zmniejszyć rozbieżność między nimi.