We discuss the evolution of a computational model of delusions, beginning with a background consideration of how computational psychiatry, with its roots firmly based in cognitive neuropsychiatry, seeks to develop descriptive and mechanistic models that reach across different levels of explanation in order to provide more comprehensive understanding of how neurobiological, cognitive, subjective and sociocultural factors may all contribute to complex psychopathology. This quest for bridging explanations – or “consilience” – across the levels is a shared goal of computational psychiatry and cognitive neuropsychiatry and is, we argue, crucial to explaining delusional beliefs. We outline how early computational models appealed to prediction error disturbances as a basis for understanding the early emergence of delusions and show that, despite empirical support, there have been certain explanatory limitations that make a simple prediction error account partially limited. Embedding the account within the increasingly influential hierarchical predictive processing framework subsequently offered a more powerful and comprehensive account, particularly by encouraging the consideration hierarchically-organized inference and its evolution over time. However, further limitations remain in its explanatory scope, most notably the fact that delusions can emerge rapidly and suddenly in a way that seems revelatory and convincing. This phenomenon is not easily encompassed by the standard predictive processing account which emphasizes an iterative process of optimizing inference. However, more recent development in the form of “Hybrid Predictive Coding” posits a complementary rapid inference mechanism. We discuss how this hybrid approach may be key to a more comprehensive computational understanding of delusions.

Nous présentons l’évolution d’un modèle computationnel des délires, en commençant par une réflexion sur la manière dont la psychiatrie computationnelle, dont les racines sont fermement ancrées dans la neuropsychiatrie cognitive, cherche à développer des modèles descriptifs et des mécanismes relevant de différents niveaux d’explication afin d’appréhender la manière dont les facteurs neurobiologiques, cognitifs, subjectifs et socioculturels peuvent tous contribuer à une psychopathologie complexe. Cette quête d’explications établissant des ponts entre niveaux – ou « consilience » – est un objectif commun de la psychiatrie computationnelle et de la neuropsychiatrie cognitive et est, selon nous, cruciale pour expliquer les croyances délirantes. Nous décrivons comment les premiers modèles computationnels ont invoqué des perturbations, des erreurs de prédiction pour comprendre l’émergence précoce des délires et nous montrons que, malgré un soutien empirique, la seule prise en compte des erreurs de prédiction est partiellement limitée. L’intégration de l’explication dans un modèle de traitement prédictif hiérarchique a ensuite apporté un pouvoir explicatif plus complet, notamment en encourageant la prise en compte de l’inférence organisée de manière hiérarchique et de son évolution au fil du temps. Cependant, d’autres limites subsistent dans sa portée explicative, notamment le fait que les délires peuvent émerger rapidement et soudainement d’une manière qui semble révélatrice et convaincante. Ce phénomène n’est pas facilement pris en compte par l’approche standard du traitement prédictif qui met l’accent sur un processus itératif d’optimisation de l’inférence. Cependant, un développement plus récent sous la forme du « codage prédictif hybride » propose un mécanisme d’inférence rapide complémentaire. Nous discutons la façon dont cette approche hybride peut être la clé d’une compréhension computationnelle plus complète des délires.