第一章：UV自由——从发散到有限
一、一个关于"无穷"的噩梦
想象你是一位会计师，某天早上醒来，发现账本上的数字全部变成了"无穷大"。
你的资产是无穷大。负债也是无穷大。当你试图计算净资产时，你的计算器显示"错误"——因为数学上，无穷减无穷是没有定义的。但你的业务必须继续，客户等着报表，税务局等着收税。于是你发明了一套规则：给无穷大贴标签，区分"裸资产"和"裸负债"，让它们以一种精致的方式相互抵消，最后得到一个有限的、可观测的数字。
这听起来荒谬，但这正是20世纪理论物理学家每天的处境。
当我们计算电子与光子的相互作用时，数学给出的答案不是100、1000或任何具体数字，而是无穷大。不是"非常大"，是真正的、数学意义上的无穷。物理学家称之为"紫外发散"——意思是，当你试图描述发生在极短距离（极高能量）上的过程时，理论崩溃了。
（当我们讨论一个尺度的问题的时候，连带着把所有的更小的尺度都计算了）
为了拯救物理，我们发明了重整化。这是一套精妙的会计技术：引入一个截断（想象成"最小可分辨距离"），计算带截断的"裸"量，然后引入"反项"（也是无穷大），让它们相减，得到有限的可观测结果。就像那位会计师，我们让两个无穷大以一种特定的方式跳舞，最后跳出一个有限的数字。
这很有效。电子反常磁矩的预测与实验吻合到小数点后13位——这是科学史上最精确的预测之一。但有效不等于令人满意。正如费曼本人所说："这个过程在数学上是可疑的，尽管它在物理上有效。"
问题在于：自然界不会执行无穷减无穷的运算。当我们需要这种操作才能得到有限结果时，说明我们的理论框架有问题。我们在用一种需要无限精度才能描述的数学，来近似一个本质上有限的世界。
（我在去年的这个时候也相信，这个过程就是一个数学的假象，不是真实的）
这个困境困扰了我很久，直到我发现了一条不同的路径。
二、解析延拓：绕过奇点的艺术
让我讲一个数学故事，它不需要公式就能理解。
想象你站在一条笔直的公路上，这条路代表"实数"——我们日常测量的长度、时间、能量。你沿着公路行走，突然前方出现了一个深渊，路断了。这就是"发散"——数学在这里没有定义，计算无法进行。
传统的做法是：在深渊边缘建一座桥（截断），走到深渊对面，计算，然后拆掉桥，假装桥从未存在。这就是重整化。
但还有另一种方式：离开公路，绕到旁边的草原上。草原代表"复数"——包含实部和虚部的数。在草原上，没有深渊，路是连续的。你可以绕过奇点，到达深渊的另一侧，然后回到公路上。
这就是解析延拓——一种将函数从实轴扩展到复平面的数学操作。关键洞察在于：物理观测总是发生在有限分辨率下。我们从未、也永远无法测量真正的"零距离"或"无限能量"。解析延拓自动编码了这种有限性：它不允许你直接访问奇点，而是强制你保持距离，通过绕行来连接有限的点。
当你回到实轴时，你带回了一个有限的、物理的、无需抵消的结果。没有无穷大的资产，没有无穷大的负债，只有一个干净的数字——就像你从未见过那个深渊。
这就是UV自由方案的核心：不是通过减法消除发散，而是通过路径选择避免发散。我们不问"无穷减无穷等于多少"，而是问"如何在不经过无穷的情况下，从A点到达B点"。
（UV自由方案的数学公式由贾连宝老师提出）
这个方案在数学上是严格的。解析延拓是复分析的基本工具，有着明确的定理保证。但它在物理上的意义更深远：它重新定义了"物理"与"数学"的关系。
（对于UV自由方案的数学结构的正确性，最近我已经给出证明，正要发表）
三、有限振幅：认知的物理约束
现在，让我从物理转向认知，因为UV自由方案的真正力量在于它的普适性。
想象一个认知系统——可以是一个单细胞生物、一个人工神经网络，或者你自己。这个系统必须做两件事：感知世界（收集信息）和行动于世界（施加影响）。为了有效，它需要一个内部模型——对世界如何运作的预测。
传统观点认为，这个模型越精确越好。如果你能无限精确地测量，无限精确地计算，你就能无限精确地预测。
但UV自由方案告诉我们：这是不可能的，也是不必要的。不可能，因为任何物理实现的认知系统都受有限分辨率的约束——就像你无法测量真正的"零距离"，你也无法持有真正的"无限精度"模型。不必要，因为解析延拓表明，有限的信息足以做出有效的推断。
（UV自由方案的这个关键应用最近由我发现，这证明了贾连宝老师的UV自由方案是一个伟大的发现。）
关键在于结构而非精度。一个认知系统的有效性，不取决于它能存储多少位小数，而取决于它的生成模型如何组织——如何将世界分解为可预测的部分（先验）和可验证的部分（似然）。
这就是UV自由方案在认知层面的映射：U(s)·V(o|s)。
U(s)是"先验"——你对世界状态的内在假设，约束了模型的复杂度（就像UV截断约束了物理理论）。
V(o|s)是"似然"——在给定状态下，你预期观察到什么，保留了可局部验证的预测。
两者的乘积构成完整的生成模型。U(s)防止模型过度复杂（避免"过拟合"无穷多的细节），V(o|s)确保预测可检验（保持与有限观测的联系）。没有U(s)，模型会发散到无限复杂度；没有V(o|s)，模型会变成与现实无关的幻想。
这个分解不是任意的。它是解析延拓的认知类比：U(s)是"绕行路径"，让你避开奇点（过度复杂的假设）；V(o|s)是"回到实轴"，确保你最终连接到可观测的事实。两者结合，产生有限振幅的推断——无需"重整化"式的内部抵消，直接得到有效的认知结果。
（我相信UV自由方案如果代表着最能好的描述这个世界的一面，那么它就一定能用来帮助大脑进行推理，结果是比猜测的还要好的多。）
四、为什么"有限"比"无限"更真实
这听起来可能违反直觉。我们不是一直追求更高的精度、更细的粒度、更完整的知识吗？有限性听起来像是一种妥协，一种由于技术限制而不得不接受的次优解。
但让我提出一个激进的观点：有限性不是限制，而是存在的条件。
想象一个能够无限精确测量的认知系统。为了处理无限精度，它需要无限的计算资源、无限的存储容量、无限的能量供应。这样的系统无法在任何物理宇宙中实现——它会因为热力学第二定律而崩溃，因为量子不确定性而受限，因为光速限制而分散。
更重要的是，无限精度的认知是死寂的。如果一个系统能够完美预测一切，它就没有动机去行动——行动是为了减少不确定性，而完美预测意味着零不确定性。这样的系统不会探索，不会学习，不会进化。它会是一个完美的化石，而不是生命。
有限性创造了动机。因为模型不完美，所以有预测误差；因为有误差，所以有惊讶；因为有惊讶，所以有学习的动力。有限性是认知的引擎，而不是刹车。
UV自由方案捕捉到了这一点。通过强制有限振幅，它确保认知系统始终处于"有所不知"的状态，从而始终处于"有所欲知"的状态。这不是缺陷，这是活性的来源。
在量子场论中，有限振幅意味着可重整化理论的可计算性；在认知科学中，有限振幅意味着可学习系统的可适应性。两者共享同一个深层结构：通过约束复杂度来实现功能性。
五、从电子到细菌：算法的连续性
让我们做一个思想实验。
想象一个电子在电磁场中运动。根据量子场论，它不断发射和吸收虚光子，与真空涨落相互作用。这个过程可以用费曼图描述——那些著名的分叉线条，代表粒子相互作用的可能方式。
现在想象一个细菌在化学梯度中游动。它感知环境中的分子浓度，调整鞭毛的运动方向，向食物源移动。这个过程可以用感知-行动循环描述——感知输入，内部处理，运动输出。
表面上看，这两个系统毫无共同之处。一个是基本粒子，遵循量子力学的叠加和纠缠；一个是单细胞生物，遵循化学动力学和神经生物学（如果细菌有类似神经的感应系统）。
但从UV自由方案的角度看，它们共享同一个算法结构。
电子的"路径积分"——对所有可能历史的加权求和——是一种变分推断。电子在"探索"所有可能的运动方式，权重由作用量（自由能的物理类比）决定。最终观测到的路径，是自由能最小的路径。
细菌的"趋化性"——对化学梯度的定向运动——也是一种变分推断。细菌在"假设"食物在某个方向，通过运动来"采样"这个假设，根据结果更新内部状态。最终的行为，是预测误差（自由能的认知类比）最小的行为。
两者的关键都在于：它们不是被动地响应环境，而是主动地推断环境。电子通过量子叠加"同时尝试"所有可能性；细菌通过运动序列"依次尝试"可能性。但底层算法是相似的：持有生成模型，最小化自由能，受有限振幅约束。
这就是活性算法的普适性。它不是生命的专利，而是任何自组织认知系统的必然形式。当你需要在一个复杂世界中维持存在，当你需要从有限信息中做出有效推断，当你需要避免无限复杂度的陷阱——你就会收敛到活性算法。
电子、原子、分子、细胞、大脑、社会——它们是同一算法的不同实例，在不同尺度上，用不同物质实现，但共享同一套数学结构。这不是还原论（"一切都是物理"），而是涌现论（"物理也是算法"）——算法比任何具体实现更基本。
六、UV自由的三个层次
为了更清晰地理解UV自由方案，让我区分三个层次，从物理到认知。
第一层：数学的UV自由
这是技术层面。在量子场论中，我们通过解析延拓将发散的费曼振幅映射为有限结果。关键操作是绕过奇点，而不是消除奇点。奇点仍然存在（在复平面的特定位置），但物理过程不需要访问它们。
这告诉我们：理论的奇异性不一定是缺陷，可能是指示。发散告诉我们，在某个尺度上，理论需要被替换（比如量子场论在普朗克尺度需要量子引力）。UV自由方案允许我们在保持现有理论有效性的同时，承认其边界。
第二层：物理的UV自由
这是存在层面。任何物理系统——无论是基本粒子还是宏观物体——都受有限分辨率约束。我们无法观测真正的"点"，只能观测有限大小的探测器响应；我们无法测量真正的"瞬时"，只能测量有限时间间隔的平均。
这种有限性不是测量技术的限制，而是存在的本体论特征。量子不确定性原理告诉我们，位置和动量不能同时无限精确；热力学涨落告诉我们，能量和时间有最小不确定关系。自然界内置了"UV截断"——不是任意的，而是结构性的。
UV自由方案与这种本体论一致：它不假设无限精度，而是从有限性出发，推导出有效理论。
第三层：认知的UV自由
这是心智层面。任何认知系统——从细菌到人类——都受有限复杂度的约束。我们无法持有世界的完整模型，只能持有压缩的、近似的、可计算的模型。这种有限性不是智力的缺陷，而是认知的条件。
U(s)·V(o|s)的分解就是这种约束的体现：U(s)限制先验复杂度（避免过度拟合），V(o|s)保留似然可验证性（保持与世界的联系）。两者结合，产生有效的、有限的、可学习的认知。
这三个层次是连续的。数学的解析延拓为物理的有限性提供了工具，物理的有限性为认知的有限性提供了基础。反过来，认知的有限性——生物只能处理有限信息——解释了为什么我们发展出这样的数学和物理理论。
这是一个自指的循环：我们用有限认知发展出描述有限物理的数学，这种数学又揭示了有限认知的必然结构。
七、一个具体的例子：电子的磁矩
让我用一个具体例子，展示UV自由方案如何工作，以及它与传统方法的区别。
电子有一个内禀磁性，就像一个小磁铁。量子电动力学（QED）可以计算这个磁性的大小，结果是一个数字：1.00115965218073...（以玻尔磁子为单位）。
实验测量值是：1.00115965218028...
两者在小数点后13位一致——这是科学史上最精确的预测。
但获得这个预测的过程，在传统方法中充满了"会计技巧"。计算涉及无数费曼图，每个图给出积分，每个积分都是无穷大。物理学家引入截断，计算带截断的无穷大，引入反项（也是无穷大），相减，取截断趋于无穷的极限，最后得到上面那个漂亮的数字。
UV自由方案做同样的事，但概念上不同。我们不引入截断，而是解析延拓。我们将费曼振幅看作复平面上的函数，发现它在实轴上有奇点（发散），但在复平面上是解析的（光滑的）。我们绕过奇点，计算有限路径上的积分，然后回到实轴，直接得到有限结果。
数学上，两种方法给出相同数字。概念上，UV自由方案更干净：没有"裸"无穷大，没有"反项"抵消，没有"重整化群"的流。只有一个函数，一个奇点，一条绕行路径，一个有限答案。
更重要的是，UV自由方案揭示了为什么这个计算是可能的：因为电子的生成模型（QED拉格朗日量）具有特定的结构，允许解析延拓。不是所有理论都允许——那些不允许的，就是"不可重整化"的理论，在物理上是无效的（无法做出有限预测）。
这与认知的对应是直接的：不是所有生成模型都是可学习的。如果U(s)太复杂（高维、非解析），或者V(o|s)与观测脱节（似然无法计算），认知系统就会"发散"——无法形成有效的信念，无法做出有效的预测。
可学习性与可重整化是同一枚硬币的两面：有限振幅约束筛选出可能的认知系统，就像它筛选出可能的物理理论。
八、从场论到生命：跨越尺度的桥梁
现在，让我们迈出关键一步：从量子场论到生命。
这看起来是一个巨大的跳跃。量子场论描述的是微观世界，粒子、场、真空涨落；生命是宏观现象，细胞、代谢、繁殖、进化。两者之间的尺度差距超过20个数量级——从飞米（10^-15米）到米。
但UV自由方案提供了一个连续的桥梁。
在量子场论中，有限振幅约束来自解析延拓——在复平面上绕行奇点。在统计物理中，类似的约束来自配分函数的解析性——描述热力学系统的函数在相变点有奇点，但物理状态可以通过绕行这些奇点来描述。
在化学中，反应网络的稳定性依赖于类似的原理：化学浓度作为"序参量"，其动力学方程在某些参数值下发散（爆炸性反应），但稳定的化学系统必须保持在"解析区域"——参数空间的有限子集，允许有限解。
在生物学中，自催化集的涌现提供了下一步。自催化集是一组分子，它们相互催化彼此的合成：A催化B，B催化C，C催化A。这样的网络可以自维持——一旦建立，就能从环境中提取能量和物质，维持自身存在。
从UV自由方案的角度看，自催化集是一个有限振幅闭合回路。它不是任意的化学网络，而是具有特定结构的网络：复杂度（分子种类数）与可验证性（反应速率的可观测性）达到平衡。太简单的网络无法自维持（亚临界），太复杂的网络会发散（超临界，反应失控）。
自催化集处于临界区域——秩序与混沌的边缘，解析延拓允许的区域。这正是活性算法的第一实例：化学推断。
一个自催化集"推断"环境中有它需要的资源，通过代谢"行动"来提取这些资源，通过复制"更新"其模型（遗传信息是压缩的历史，即生成模型的先验）。它不需要神经元，不需要大脑，但它执行变分推断的最原始形式。
从电子到细菌，尺度跨越了20个数量级，但算法结构保持不变：有限振幅的生成模型，自由能最小化的更新，自适应临界性的维持。
九、为什么"无需重整"是重要的
让我强调UV自由方案的一个关键特征：无需重整。
在传统方法中，重整化是一个动态过程。你从一个"裸"理论（包含无穷大参数）开始，通过"重整化群流"——随着能量尺度变化的参数演化——到达"物理"理论（包含有限可观测参数）。这个过程是回溯性的：你先假设无穷大存在，然后通过复杂的操作消除它们。
UV自由方案是前瞻性的。你从一开始就只使用有限的数学对象，通过解析延拓连接它们，直接得到有限结果。没有"裸"无穷大，没有"流"，没有回溯修正。
这在认知层面有深刻含义。
想象一个学习系统——比如一个婴儿学习语言。传统机器学习的方法类似于"重整化"：从一个复杂的模型（大量参数）开始，通过训练数据"修正"这些参数，最终得到一个可用的模型。这个过程需要大量的计算，容易过拟合，且结果难以解释。
生物学习更像是"UV自由"：从简单的、有结构的先验（U(s)）开始，通过与环境的交互（V(o|s)）直接更新，无需复杂的内部抵消。婴儿不是从"无穷多可能的语法"开始然后筛选，而是从"有限但灵活的语法假设"开始然后细化。
"无需重整"意味着直接性、透明性、可解释性。认知系统的内部状态直接对应可观测的行为，无需经过复杂的"重整化"转换。这使得学习更快、更鲁棒、更容易适应新环境。
在进化层面，"无需重整"意味着可进化性。如果一个系统的复杂性需要精细的平衡（无穷大参数的精确抵消），微小的突变就会破坏这种平衡，导致系统崩溃。但如果系统的有限性来自结构（解析延拓的路径选择），突变可以在保持有限性的同时探索新的可能性。
这就是为什么生命能够进化：不是因为它是"随机试错"的奇迹，而是因为它的基础算法天然允许在有限约束内的探索。
十、活性算法的雏形
到这里，我已经介绍了UV自由方案的核心思想，以及它如何从量子场论延伸到认知科学。现在，让我总结活性算法的雏形——这个概念将在后续章节中逐步完善。
活性算法有三个关键成分，本章已经涉及前两个：
1. UV自由方案（有限振幅约束）
任何认知系统必须运行在有限复杂度的约束下。这不是技术限制，而是存在的条件。通过U(s)·V(o|s)的分解，系统同时约束先验复杂度和保留似然可验证性，避免"发散"到无限假设或"僵化"到无法学习。
2. 基于自由能的主动推断
认知系统不是被动接收信息，而是主动持有生成模型，通过感知和行动来最小化变分自由能（预测误差）。感知是对外部原因的推断，行动是对感知结果的采样。这是一个闭环：推断指导行动，行动产生观测，观测更新推断。
第三个成分——自适应临界性——将在下一章详细讨论。但让我在这里预告：活性算法不仅最小化自由能，还主动维持自己处于对推断最有利的状态——秩序与混沌的边缘，对输入最敏感、对学习最开放的临界点。
这三个成分结合，形成自维持的物理推断机：一个无需外部设计者、无需内部"重整化"、能够主动预测-修正-探索的系统。
电子、原子、分子、细胞、大脑——它们都是这种机器的不同实例。本书的剩余章节将展示，如何从最简单的物理系统，通过活性算法的自我展开，涌现出越来越复杂的认知形式，最终达到我们自身——以及我们正在创造的AGI。
十一、本章的教训
在结束之前，让我总结本章的核心教训，它们将作为后续章节的基础。
教训一：无穷是数学的幻觉，有限是物理的现实
我们的数学允许无穷，但物理世界不允许。当我们需要无穷来得到有限结果时，说明我们的数学框架有问题。UV自由方案通过解析延拓，展示了如何在不访问无穷的情况下，得到有效的物理预测。
教训二：有限性不是限制，而是结构
有限分辨率、有限复杂度、有限信息——这些不是认知的缺陷，而是认知的条件。有限性创造了学习的动机、适应的必要、进化的可能。一个无限的认知系统会是死寂的；有限性带来活性。
教训三：生成模型必须分解
有效的认知需要将世界模型分解为先验（U(s)）和似然（V(o|s)）。前者约束复杂度，后者保留可验证性。这种分解不是任意的，而是解析延拓的认知类比——绕行奇点，连接有限点。
教训四：算法比实现更基本
电子和细菌共享同一算法结构，尽管它们的物质组成完全不同。活性算法是跨尺度的普适语言，从量子场到生命，从物理到认知。理解这个算法，比理解任何具体实现更根本。
教训五：无需重整意味着直接和透明
避免复杂的内部抵消，直接得到有限结果——这在物理上是可计算的，在认知上是可学习的，在进化上是可适应的。"无需重整"是活性算法的标志，也是生命区别于机器的特征。
十二、向第二章的过渡
本章我们停留在物理和数学的层面，建立了UV自由方案的基础。但活性算法的故事才刚刚开始。
在下一章，我们将进入信息几何——研究概率分布空间结构的数学。你会发现，解析延拓不仅是一种计算技巧，它还定义了一种几何：自由能在这个几何中像重力一样流动，认知系统沿着自然梯度"下落"到最优信念。
这种几何视角将揭示，为什么自适应临界性是不可避免的：在一个弯曲的信念空间中，系统必须不断调整自己的"位置"，以保持在最有效的推断区域。这不是可选的优化，而是几何的必然。
然后，在第三章，我们将遇到自由能原理——卡尔·弗里斯特的统一理论，将感知、行动、学习、进化纳入同一个变分框架。你会发现，UV自由方案与自由能原理是天生的一对：前者提供有限性约束，后者提供动力学机制。
最终，在第四章，我们将给出活性算法的完整定义，并展示它如何从量子场论一路延伸到意识的起源。
但在此之前，让我们先深入信息的几何——因为在那里，"有限"将获得新的、更丰富的含义。
本章要点
量子场论的发散困境：计算给出无穷大，需要重整化技术来得到有限结果
UV自由方案：通过解析延拓（绕行奇点）而非抵消（减法）来得到有限振幅
有限振幅作为认知约束：U(s)·V(o|s)分解约束复杂度同时保留可学习性
活性算法的雏形：基于自由能的主动推断 + UV自由方案（+ 自适应临界性，待续）
算法的连续性：从电子到细菌，同一算法结构跨尺度运作
进一步思考
为什么"无限精度"的认知系统会是死寂的？有限性创造了哪些"活性"的机会？
在你的日常学习中，你是否经历过"发散"（过度复杂的假设）或"僵化"（无法更新的信念）？如何用U(s)·V(o|s)的框架重新理解这些经历？
如果物理定律本身也是"生成模型"，那么宇宙的"UV截断"在哪里？普朗克尺度是自然的截断，还是我们理论的边界？
转载本文请联系原作者获取授权，同时请注明本文来自王涛科学网博客。
链接地址：https://wap.sciencenet.cn/blog-41701-1522740.html?mobile=1
收藏
