본 논문은 인지과학의 베이지안 모델을 인공지능에 적용하는 데 초점을 맞추고 있습니다. 특히 예측 코딩(predictive coding) 이론을 바탕으로, 감각 입력의 원인에 대한 계층적 확률적 추론을 통해 학습과 행동을 설명하는 모델을 제시합니다. 생물학적 현실성을 고려하여, 간단한 국소 계산을 기반으로 하는 정밀도 가중 예측과 예측 오류를 사용합니다. 기존 신경망 라이브러리의 한계를 극복하기 위해, JAX와 Rust를 기반으로 한 Python 패키지인 pyhgf를 소개합니다. pyhgf는 메시지 전달 과정에서 네트워크 구성 요소를 투명하고, 모듈화되고, 가변적인 변수로 캡슐화하여 임의의 복잡한 계산을 구현할 수 있도록 합니다. 또한, 네트워크 구조의 적응을 통해 자기 조직화 원칙을 활용한 추론 과정, 구조 학습, 메타 학습 또는 인과 추론을 가능하게 합니다.