文献集总览 / 运动控制、内模型、最优反馈与目标拦截 / B · 内模型与适应（9 篇） / B03 · MOSAIC多重成对前向与逆向模型

B03 · Multiple paired forward and inverse models for motor control

Wolpert, D.M., & Kawato, M. (1998). Neural Networks, 11, 1317–1329. doi:10.1016/S0893-6080(98)00066-5

作者提出成对的前向与逆向模块，用感觉预测误差和情境线索共同决定各模块的控制贡献与学习权重。文章提供理论架构和可检验预测，并未以新实验确认脑中存在这套模块。

核对版本：Zotero motor_control_interception_64 集合本地全文（PDF 全文提取，图注与正文互相校订，2026-09-18；图注所标页码均为 PDF 文件页序，非期刊印刷页码）；Zotero 条目。

本文目录

背景

相同动作面对不同物体和环境时需要不同输出，学习新动力学又可能干扰已有技能。本文讨论怎样保存多种控制经验，并在当前情境下选择或混合使用。

先梳理行为学习、情境依赖和迁移现象，再提出配对模块：逆模型产生候选命令，前向模型预测感觉后果，预测更准确的模块获得更大权重。情境预测器则在运动开始前提供先验。

这是理论与叙述性综述文章，没有新招募的受试者或新的神经记录。作者给出模块计算、责任权重及学习规则，并与集中式门控等架构作概念比较。

每个前向模型接收当前状态及实际发出的总运动命令，而不只是与它配对的逆模型输出。预测误差经指数变换和归一化生成责任权重；多个逆模型的输出再按权重混合。情境预测器输出先验，感觉预测的相对符合程度提供似然，两者共同决定后验责任。

反馈误差学习以反馈控制命令近似指导逆模型更新。这是模型采用的学习假设，本文没有直接测量与该变量一一对应的神经教学信号。

本文的主要产出是一套计算方案。责任权重同时调节逆模型的输出贡献，以及前向、逆向模块的学习强度，从而将“哪个控制器适合当前环境”与“哪个模块应更新”联系起来。

情境预测器学习拟合事后得到的责任估计，因此可以在新运动开始前预先选择模块；运动后的感觉证据则可修正先验。它不是由自身预测作为唯一教师的闭环自我确认。

作者提出一组实验预测，包括前向预测能力可能先于控制能力改善、切换应更依赖预测误差而非任务成绩误差、清晰情境有助于分离学习，以及已学成分有助于相关组合。文中列举的行为支持主要来自既有研究，不能改写为本论文逐项完成的验证。

原文 Fig. 1 · PDF 第 5 页

图1 · 配对前向与逆向模块。 逆模型给出候选控制，前向模型依据实际总命令预测后果。责任估计连接预测比较、输出混合和学习分配；各框是计算角色，不是本文记录到的独立神经群。

原文 Fig. 2 · PDF 第 6 页

图2 · 多前向模型的竞争。 比较各模型对实际感觉状态的预测误差，并归一化为责任权重。权重反映相对符合程度，不等于模型已无误差，也不是直接测得的生物概率。

原文 Fig. 3 · PDF 第 8 页

图3 · 情境参与的责任预测。 情境预测器在运动前提供模块先验，事后责任估计为其学习提供教师。预测误差产生的似然与先验结合，使选择既能提前进行，也能被新证据修正。

原文 Fig. 4 · PDF 第 9 页

图4 · 控制与反馈误差学习。 前馈命令和反馈纠正共同作用于被控对象，反馈命令还用于指导逆模型更新。图说明算法如何工作，不能当作已证实的攀缘纤维或小脑回路连接图。

这套方案的价值在于明确了误差信号、情境信息、学习和控制之间的关系。行为迁移与多模块架构相容，但也需要与具有情境输入的单一模型、层级推断或其他记忆模型比较。

归一化权重产生的是加权混合，并不自动保证任意两个动力学环境的代数叠加都可零误差控制。模块数、初始化、探索和稳定性仍是实际实现中的问题。小脑定位是作者提出的候选解释，不能仅凭概念图或学习后激活把各框认定为已识别的脑区。