传统上，经典概率论

主导着认知的

经验方法。

然而，这些方法

无法解释一些认知过程。

例如，记忆连续数字的

技巧无法通过

诸如熵等Shannon香农

经典统计工具来量化，

因为它们无法识别

思维能够轻易

识别和回忆的

序列的算法性质。

所需要的是一个

更强大的理论框架，

以及引入基于

算法概率理论的新工具。

也就是说，

归纳和推理的最终理论，

通过通用计算方法，

将复杂性和概率联系起来。

例如，如果一系列事件可以

通过短算法进行编码，

那么即使它对传统

统计工具来说是随机的，

心智也可以理解并压缩该序列。

这意味着，统计工具，

如香农熵应用于

输入，输出和内部表示

不适合描述或解释

复杂的心理过程。

然而，算法概率理论

应用于人类和动物的认知

提供了研究

这些复杂过程的理论手段

甚至解释了

传统上被视为心灵积极

或消极偏见

的选择。

例如，人类倾向于

在随机数据中找到模式

传统观点主要是

以有偏见的决定的形式解释

基于过去的经验

而不是作为算法过程的结果

试图找到意义和逻辑的思想

即使没有。

我们已经开发了这些工具，

这些工具的基本原则是，

不是通过过去经验所偏见的

统计过程来更好地解释思维，

但作为一种算法概率估计，

已经演变为学习和

利用算法世界的本质。

矛盾的是，这意味着头脑

实际上表现得不那么频繁

作为一个不合理的存在，

个人经历的偏见，

而且更像是一般的复杂，

可预测的算法。

的确，早期的认知研究

发现了与计算的类比。

但很快就发现了这样的比喻

过于简单化。

然而，今天，我们的思想

和计算机之间的桥梁

更加微妙，

更加复杂。

这座桥构成了一个大脑模型，

将大脑视为理想化的

通用算法，

能够生成模型。

我们的概念框架

揭示了支持这些

认知机制的证据。

我们已经证明，

通过简单地量化

确认

来自不同研究的

行为时间序列的复杂性，

对动物的标志性实验。

例如，蚂蚁作为序列复杂性的

函数最大化通信效率。

果蝇不会以先前想到的

简单方式表现。

当人工智能超越时，啮齿动物

利用随机性的力量。

人类最具创造性,

是在25岁时，

产生随机性。

然而，在使用传统工具

和经典测量之前，

这些发现是不可能的，

并且它们预示算法认知

作为一个令人兴奋的

新研究领域，

以解决与精神障碍和神经退行性疾病相关的

一些棘手的紧迫问题。