Bài báo này tập trung vào việc áp dụng các mô hình Bayesian từ khoa học nhận thức vào trí tuệ nhân tạo. Cụ thể, dựa trên lý thuyết mã hóa dự đoán, chúng tôi đề xuất một mô hình giải thích quá trình học tập và hành vi thông qua suy luận xác suất phân cấp về nguyên nhân của đầu vào cảm giác. Xem xét tính hiện thực sinh học, chúng tôi sử dụng các dự đoán có trọng số chính xác và các lỗi dự đoán dựa trên các phép tính cục bộ đơn giản. Để khắc phục những hạn chế của các thư viện mạng nơ-ron hiện có, chúng tôi giới thiệu pyhgf , một gói Python dựa trên JAX và Rust. pyhgf đóng gói các thành phần mạng dưới dạng các biến trong suốt, mô-đun và có thể thay đổi trong quá trình truyền thông điệp, cho phép triển khai các phép tính phức tạp tùy ý. Hơn nữa, việc điều chỉnh cấu trúc mạng cho phép các quy trình suy luận sử dụng các nguyên tắc tự tổ chức, học cấu trúc, siêu học và suy luận nhân quả.
