IQ och den prediktiva hjärnan    

Enligt Max Bennett i A Brief History of Intelligence (2023) har biologisk intelligens  utvecklats genom fem avgörande evolutionära innovationer: reflexer, modellfri inlärning, intentionella modeller, självmodellering och språk. Varje steg tillför en ny förklaringskapacitet för att vägleda handling över tid. Och varje genombrott tillför ett nytt förklarande lager ovanpå tidigare system, snarare än att ersätta dem.

Det är intressant att följa hur han tänker att prediktionspsykologi sannolikt kommer utveckla framtida AI-teknologi med målstyrda intentionella språkmodeller. 

Bennett skriver flödande och prestigefritt med relevant tillräcklig forskning. 

Här är en strukturerad sammanfattning:

1. Reflexer

Bilateralt grundläggande system – hårdkodad stimulus–respons

• Möjliggör omedelbara, automatiska responser på sensorisk input (t.ex. tillbakadragande, orientering).

• Beteendet är fixerat och förprogrammerat, utan behov av inlärning eller minne.

• Utgör den första formen av sensorimotorisk koppling mellan kropp och omvärld.

• Löser problemet: ”Vad ska jag göra just nu?”

2. Modellfri inlärning

Vertebrat innovation – förstärkning och valens

• Introducerar inlärning från konsekvenser via belöning och bestraffning.

• Beteende formas av valens (gynnsamma/ogynnsamma utfall) snarare än fasta regler.

• Implementeras huvudsakligen genom basala ganglier–dopaminsystem.

• Löser problemet: ”Vilka handlingar tenderar att fungera bättre?”

3. Intentionella modeller

Däggdjursinnovation – första ordningens modeller av beteende

• Konstruerar interna förklaringar av beteende i termer av önskningar, behov och mål.

• Integrerar affektiva signaler, minne och perception till sammanhängande handlingsplaner.

• Associerad med anterior prefrontal cortex (aPFC) samt limbisk–hippocampal input.

• Löser problemet: ”Vad försöker jag göra – och varför?”

4. Självmodellering och theory of mind

Primatinnovation – andra ordningens modeller (modeller av modeller)

• Möjliggör modellering av både egna intentioner och andras.

• Stödjer kontrafaktiskt tänkande, perspektivtagande och social inferens.

• Associerad med granular prefrontal cortex (gPFC), STS och TPJ.

• Löser problemet: ”Vad tror, avser eller vet jag – eller andra?”

5. Språk

Mänsklig innovation – symbolisk kompression och överföring

• Möjliggör explicit kommunikation av interna modeller mellan individer.

• Komprimerar komplexa erfarenheter till symboler som kan delas och ackumuleras.

• Möjliggör kulturell inlärning, normbildning och abstrakt tänkande.

• Löser problemet: ”Hur kan kunskap överleva bortom individuell erfarenhet?”

Språkinlärning

Max Bennetts syn på språkinlärning är således en integrativ modell där språk som ett sent evolutionärt tillägg som bygger på redan existerande mekanismer för handling, intention och social prediktion. Han avvisar inte helt, men är skeptisk till språk som ett inre kodat symbolsystem.

Språkinlärning är i detta perspektiv alltså inte primärt en fråga om grammatik eller lexikal representation (typ Chomsky), utan om hur organismer prediktivt lär sig att förstå och påverka andras beteende.

Grundantagande: språk är sociala och intentionell handlingar. Bennett avvisar föreställningen om språk som ett autonomt, regelstyrt system (alltså i Chomskyansk mening). I stället betraktas språk som ett verktyg för koordination, där ord och yttranden fungerar genom att de ingår i redan etablerade system för motorisk kontroll, affektiv värdering och intentionell inferens. Att förstå språk innebär därför i första hand att förstå vad den andre försöker göra — peka ut, varna, begära, lugna — snarare än att avkoda abstrakta symboler.

Språkinlärning bygger enligt Bennett på motorisk och perceptuell infrastruktur. Tal är en sekvenserad handling som återanvänder samma system som organiserar andra målinriktade rörelser.

Spegelneuronsystem och motorisk simulation gör det möjligt att förstå yttranden genom att implicit simulera handlingar och intentioner: att höra ett ord är att aktivera ett ”om jag gjorde detta…”-program. Språk förstås alltså som förkroppsligat och handlingsbaserat.

aPFC och intentionell inferens

På nivån för anterior prefrontal cortex (aPFC) uppstår första ordningens intentionella modeller. Här lär sig barnet som medel för att uppnå effekter i sociala situationer. Språkinlärning är därför i grunden pragmatisk: barnet lär sig att detta ljud, i detta sammanhang, får andra att göra något, reagera på något, eller rikta uppmärksamheten mot något gemensamt.

gPFC och språklig själv- och sinnesmodellering

Den avgörande mänskliga komponenten i Bennetts ramverk är granular prefrontal cortex (gPFC), som möjliggör andra ordningens modeller av sinne och själv. På denna nivå används språk inte bara för att styra handling, utan för att komprimera och stabilisera mentala modeller över tid. Ord och grammatiska strukturer gör det möjligt att dela framtidsplaner, förklara intentioner, konstruera narrativ och modellera både egna och andras mentala tillstånd. Språk blir därmed ett redskap för självprojektion och långsiktig koordination.

 

En implicit stegvis modell för språkinlärning

Även om Bennett inte presenterar en explicit utvecklingsmodell, implicerar hans teori en stegvis progression:

1. Handling och prediktion – barnet lär sig grundläggande handling–konsekvens-relationer.
2. Social intention – barnet lär sig att andra agenter har mål och viljor.
3. Gemensam uppmärksamhet – språkliga uttryck kopplas till delade situationer och projekt.
4. Språkliga handlingar – ord lärs som verktyg som får saker att hända, inte som abstrakta symboler.
5. Abstraktion och självmodellering – språk används för att modellera framtid, regler och identitet.

Parallellen till robotinlärning

Bennett använder robotinlärning som en analogi för att tydliggöra dessa principer. System som enbart imiterar observerat beteende (t.ex. tidig imitation learning) misslyckas i komplexa miljöer. Robust inlärning kräver i stället att systemet infererar mål och intentioner bakom handlingar, som i inverse reinforcement learning. Samma princip gäller för språk: utan förståelse för vad yttranden är till för kollapsar både språklig och artificiell intelligens till ytlig kopiering.

 

Språkets plats i den hierarkiska intelligensmodellen

Inom Bennetts hierarkiska modell av intelligens utgör språk ett sent, högordnat tillägg. Det bygger på reflexer, förstärkningsinlärning och intentionell modellering, men tillför möjligheten att externalisera, dela och stabilisera förklaringar. Språk gör det möjligt för systemet att inte bara agera och vilja, utan att förklara sig självt och samordna dessa förklaringar med andra över tid.

BK redigerat med stöd av GPT-5

Januari 2026

According to Max Bennett in A Brief History of Intelligence (2023), biological intelligence has developed through five decisive evolutionary innovations: reflexes, model-free learning, intentional models, self-modelling, and language. Each stage adds a new explanatory capacity for guiding action over time, and each breakthrough introduces a new explanatory layer on top of earlier systems rather than replacing them.

It is interesting to follow how he envisages predictive psychology as likely to shape the future development of AI technology, particularly through goal-directed, intentional language models.

Bennett writes fluently and without pretension, grounding his arguments in research that is both relevant and sufficient.

Here is a structured summary:

According to Max Bennett in A Brief History of Intelligence (2023), biological intelligence evolved through five major evolutionary innovations (breakthroughs). Each breakthrough adds a new explanatory layer on top of earlier systems rather than replacing them.

Bennett conceptualises intelligence as the cumulative layering of five evolutionary innovations—reflexes, model-free learning, intentional models, self-modeling, and language—each adding a new explanatory capacity for guiding action over time. Here is a structured summary:

1. Reflexes

Bilaterian foundation – hard-wired stimulus–response

• Enables immediate, automatic responsesto sensory input (e.g. withdrawal, orientation).

• Behaviour is fixed and pre-programmed, requiring no learning or memory.

• Provides the first form of sensorimotor couplingbetween world and body.

• Solves the problem: “What should I do right now?”

2. Model-free learning

Vertebrate innovation – reinforcement and valence

• Introduces learning from consequencesvia reward and punishment.

• Behaviour is shaped by valence (good/bad outcomes)rather than fixed rules.

• Implemented primarily through basal ganglia–dopamine systems.

• Solves the problem: “What actions tend to work better?”

3. Intentional models

Mammalian innovation – first-order models of behaviour

• Constructs internal explanations of behaviourin terms of wants, needs, and goals.

• Integrates affective signals, memory, and perception into coherent action plans.

• Associated with anterior prefrontal cortex (aPFC)and limbic–hippocampal input.

• Solves the problem: “What am I trying to do, and why?”

4. Self-modeling and theory of mind

Primate innovation – second-order models (models of models)

• Enables modelling of one’s own intentions and those of others.

• Supports counterfactual thinking, perspective-taking, and social inference.

• Associated with granular prefrontal cortex (gPFC), STS, and TPJ.

• Solves the problem: “What do I (or others) believe, intend, or know?”

5. Language

Human innovation – symbolic compression and transmission

• Allows explicit communication of internal modelsbetween individuals.

• Compresses complex experiences into symbols that can be shared and accumulated.

• Enables cultural learning, norms, and abstract reasoning.

• Solves the problem: “How can knowledge outlive individual experience?”

Language learning

Max Bennett’s view of language acquisition is, accordingly, an integrative model in which language is a late evolutionary addition built upon pre‑existing mechanisms for action, intention, and social prediction. He does not entirely reject, but remains sceptical of, the idea of language as an internally coded symbolic system.

From this perspective, language learning is therefore not primarily a matter of grammar or lexical representation (in the Chomskyan sense), but of how organisms predictively learn to understand and influence the behaviour of others.

Core assumption: language as social and intentional action. Bennett rejects the notion of language as an autonomous, rule-governed system (that is, in a Chomskyan sense). Instead, language is treated as a tool for coordination, in which words and utterances function by being embedded in already established systems of motor control, affective valuation, and intentional inference. To understand language therefore means, first and foremost, to understand what the other person is trying to do — to point out, warn, request, reassure — rather than to decode abstract symbols.

According to Bennett, language learning is built upon motor and perceptual infrastructure. Speech is a sequenced action that reuses the same systems that organise other goal-directed movements.

Mirror neuron systems and motor simulation make it possible to understand utterances by implicitly simulating actions and intentions: hearing a word activates an “if I were to do this…” programme. Language is thus understood as embodied and action-based.

aPFC and intentional inference

At the level of the anterior prefrontal cortex (aPFC), first-order intentional models emerge. Here, the child learns to use language as a means of producing effects in social situations. Language learning is therefore fundamentally pragmatic: the child learns that this sound, in this context, causes others to do something, respond in a certain way, or direct their attention towards something shared.

gPFC and linguistic self- and mind-modelling

The decisive human component in Bennett’s framework is the granular prefrontal cortex (gPFC), which enables second-order models of mind and self. At this level, language is no longer used merely to guide action, but to compress and stabilise mental models over time. Words and grammatical structures make it possible to share future plans, explain intentions, construct narratives, and model both one’s own and others’ mental states. Language thus becomes a tool for self-projection and long-term coordination.

An implicit stepwise model of language learning

Although Bennett does not present an explicit developmental model, his theory implies a stepwise progression:

• Action and prediction– the child learns basic action–consequence relations.

• Social intention– the child learns that other agents have goals and desires.

• Joint attention– linguistic expressions become linked to shared situations and projects.

• Linguistic actions– words are learned as tools that make things happen, not as abstract symbols.

• Abstraction and self-modelling– language is used to model the future, rules, and identity.

The parallel with robot learning

Bennett uses robot learning as an analogy to clarify these principles. Systems that merely imitate observed behaviour (for example, early imitation learning) fail in complex environments. Robust learning instead requires the system to infer the goals and intentions underlying actions, as in inverse reinforcement learning. The same principle applies to language: without understanding what utterances are for, both linguistic and artificial intelligence collapse into superficial copying.

The place of language in the hierarchical model of intelligence

Within Bennett’s hierarchical model of intelligence, language constitutes a late, high-order addition. It builds upon reflexes, reinforcement learning, and intentional modelling, but adds the capacity to externalise, share, and stabilise explanations. Language enables the system not only to act and to want, but to explain itself and to coordinate these explanations with others over time.

BK edited with assistance from GPT‑5

January 2026