我会说这些概念是完全不同的，即使它们可能有一些共同点（或者可能是模糊相关的）。

反向传播是一种算法（在机器学习中）用于计算函数相对于其参数的梯度。然后这个梯度被算法使用，比如梯度下降，来更新模型的参数（例如神经网络）。

粗略地说，预测编码是关于大脑如何构建外部世界的内部模型、如何使用其当前的外部世界模型持续预测（来自世界）感觉输入以及它如何构建外部世界的一般（神经科学）理论。一旦实际接收到感官输入，就会更新这个内部模型。

您可以将 ML 模型在训练时（使用梯度下降和反向传播）的输出视为与输入相关联的预测。但是，请注意，模型的输出通常不是对实际输入的预测，而是例如一个标签（尽管如此，它与输入相关联）。此外，产生输出的是模型而不是反向传播算法（即使反向传播算法经常用于训练此类模型，例如神经网络）。我们可以将反向传播视为更新与输入相关的这些预测的方式，但无论如何，众所周知（并且接受）我们的大脑不执行反向传播，但我们以关联方式学习（Hebbian学习）。