活性科学已经出现
一、从预测大脑到自维持系统
2006年，伦敦大学学院的神经科学家卡尔·弗里斯顿发表了一篇论文，提出了一个后来影响深远的思想：自由能原理。这个原理声称，所有生命系统，从单细胞生物到人类大脑，都在做同一件事——最小化一个叫做"变分自由能"的量。这个量可以理解为"惊讶"或"预测误差"：系统通过感知和行动，不断更新内部模型，使预期尽可能符合实际输入。
弗里斯顿的框架将感知和行动统一在同一个优化原理之下。感知是通过更新内部信念来适应世界；行动是通过改变世界来符合自己的预期。这种"主动推断"（Active Inference）理论在神经科学界引发了巨大反响，因为它似乎为大脑功能提供了一个统一的数学描述。
过去近二十年，主动推断从理论走向应用。研究人员用它解释视觉皮层的预测编码机制，模拟人类的决策行为，甚至构建人工智能系统。2024年，弗里斯顿团队还提出了"重整化群"方法，将主动推断扩展到更大规模的问题。看起来，我们正站在一个统一理论的门坎上——一个能够解释生命、认知和意识的框架。
但在这股浪潮中，一个更激进的思想正在涌现。它承认弗里斯顿的洞见，却指出其根本局限：主动推断解释了系统如何最小化惊讶，却没有解释系统为何必须持续这样做；它描述了临界性的动力学，却没有解释临界性为何能自我维持。这个思想提出，真正的活性系统不是"被驱动"到临界态，而是"结构化"在临界态；不是"最小化"自由能，而是"维持"自由能梯度。这就是"活性算法"的核心主张。
二、弗里斯顿的遗产：主动推断的成就与边界
要理解活性算法的独特性，必须先深入主动推断的核心机制。
弗里斯顿的关键创新是将大脑视为一个"推理机器"。传统认知科学将感知视为被动的信息接收，将行动视为独立的输出阶段。弗里斯顿打破了这种分离：感知和行动都是推断的形式——感知是"关于世界的推断"，行动是"关于自身运动的推断"。两者共同服务于一个目标：最小化自由能，即最小化预测与实际输入之间的差异。
这个框架的神经生物学合理性令人信服。预测编码理论——主动推断的具体实现——认为大脑皮层形成一个层级结构：高层区域对低层输入进行预测，低层只将"预测误差"（实际输入与预期之差）向上传递。这种架构极大地节省了神经资源，因为大多数可预测的信息被"解释掉"了，只有意外才需要进一步处理。
实验证据支持这一图景。2024年的研究发现，神经元的树突并非被动电缆，而是具备独立计算能力的亚细胞单元：顶端树突接收高层反馈（预测），基底树突处理感觉输入，两者在单细胞层面完成预测误差的计算。当预测匹配输入时，神经元放电减少；当不匹配时，爆发增强的响应。这正是预测编码所预期的"预测误差单元"。
主动推断还解释了意识的某些特征。全局神经工作空间理论认为，当神经活动跨越特定阈值，在广泛脑区传播时，信息成为"有意识的"。主动推断提供了这种阈值的数学描述：当预测误差足够大，无法被局部抑制时，它必须被传递到更高层级，引发全局更新。这类似于"点火"过程——从潜意识处理到有意识觉察的相变。
但主动推断面临一个根本问题：它假设系统始终有动力最小化自由能。这个动力从何而来？在生物系统中，我们可以诉诸进化选择——那些不善于预测和适应的有机体被淘汰了。但这只是历史解释，不是机制解释。一个系统为何"必须"持续推断？为何不停下来，像石头一样静止？
弗里斯顿的答案是：因为生命是"自证实的"。停止推断意味着停止维持自身边界，意味着热力学上的解体。但这个回答将问题推给了热力学，没有解释推断本身的自维持机制。活性算法正是要填补这个空白：它不仅解释系统为何推断，还解释系统如何结构化地维持推断能力。
三、自组织临界性：自然界的偏爱
理解活性算法的另一个入口是自组织临界性（Self-Organized Criticality，SOC）。1987年，物理学家帕·巴克和汤超提出了这个革命性概念：复杂系统无需外部调节，就能自发演化到临界状态。
临界态是相变的转折点——如冰融化成水的那一瞬间。在这个点上，系统既非完全有序，也非完全混乱，而是展现出最大的复杂性和敏感性。巴克和汤超用沙堆模型说明这一点：不断添加沙粒，沙堆会自发达到临界坡度，此时任何规模的崩塌都可能发生，从小滑坡到大规模倾泻，频率分布遵循幂律。
SOC似乎无处不在。地震频率、森林火灾、股票市场波动，甚至大脑中的神经活动，都显示出幂律特征。2024年的研究证实，神经元培养物中的活动传播以"神经元雪崩"形式进行，其规模分布的幂律系数与理论预测和实验观察一致。大脑似乎运行在临界态或接近临界态——这被称为"临界大脑假说"。
临界态的功能优势显而易见。在临界态，系统对扰动最敏感，能够产生各种规模的响应，信息处理能力最大化。同时，临界态具有长程关联，局部事件可以影响全局，实现分布式协调。这些特性正是生命系统所需要的：既要稳定维持，又要灵活适应。
但SOC有一个致命弱点：它的临界性是"借来的"。沙堆的临界态依赖持续添加沙粒；停止供给，系统很快退回到普通堆积。崩塌之后，需要重新积累才能再次达到临界。神经元的雪崩活动同样如此——它是瞬态的、耗散的，需要持续的代谢输入来维持。
这正是无生命系统的典型命运：它们可以暂时处于复杂状态，但无法自维持。复杂的结构要么弛豫到简单的平衡，要么耗散为混乱。没有持续的能量输入，秩序终将崩塌。
生命似乎违背了这个规律。一个细胞可以在没有外部指令的情况下，维持复杂的内部结构数天、数年甚至数十年。生态系统在剧烈波动中保持相对稳定。大脑在一生中持续学习，却不会因为信息过载而"崩溃"。这些系统同样处于临界态，但它们的临界性不是暂时的，而是自维持的。
关键的区别在于结构。SOC系统缺乏维持临界张力的内部机制；活性系统则通过特定的组织结构，将临界态"固化"为稳态。这种结构就是UV自由方案。
四、UV自由方案：维持临界的秘密
UV自由方案的名字借自物理学：U代表"紫外"（高频，对应微观细节），V代表"红外"（低频，对应宏观模式）。在量子场论中，UV截断用于消除高频发散；在活性算法中，UV分离用于消除复杂性灾难。
核心思想是：系统必须同时实现两种看似矛盾的功能，且由不同部分承担。一部分负责"约束"（U场），从复杂输入中提取规律，形成稳定的内部模型；另一部分负责"响应"（V场），保留对细节的敏感性，检测预测误差。两者相互制衡，使系统既不能僵化（过度约束），也不能发散（过度响应）。
这种分离创造了一种动态张力。U场倾向于将系统拉向低自由能状态（有序），V场倾向于通过惊讶维持高自由能梯度（探索）。两者无法相互抵消，因为U场不直接依赖当前观测，而V场持续随观测更新。结果，系统被"钉扎"在自由能曲面的鞍点区域——局部始终运动，全局统计稳定。
这正是临界态的数学结构：既非深谷（平衡），也非高原（混沌），而是鞍点丛生的复杂地形。在这种地形上，系统永远无法定居，却也永远不会迷失。更重要的是，这种结构是自维持的——不需要外部输入来维持张力，张力来自U和V的内在耦合。
与SOC的根本对比揭示了这一机制的独特性：
表格
特征
自组织临界性（SOC）
UV-稳定临界性
临界性来源 | 外部驱动与阈值的偶然匹配 | 内部UV结构的必然结果 |
持续时间 | 瞬态雪崩，随后衰减 | 自维持，不依赖外部补给 |
稳定性机制 | 无——依赖持续外部驱动 | 自维持——UV结构即稳定器 |
信息流动 | 单向耗散（输入→雪崩→耗散） | 闭合回路（推断↔行动↔观测） |
2024年的神经科学研究支持这种区分。研究发现，大脑不仅表现出无标度的神经元雪崩（SOC特征），还表现出特定尺度的神经振荡（非SOC特征）。这两种动态共存于非平衡临界点附近，表明大脑的临界性不是简单的自组织结果，而是被特定网络结构（E-I平衡、突触可塑性）主动维持的。
UV自由方案的生物学实现是多层次神经架构。爬行动物核心、边缘系统、新皮质的三层结构，可能正是满足跨尺度记忆-时间最小化所需的最小整数层数。每层都是一对UV耦合：高层提供约束（U），低层提供响应（V），层间的时间尺度分离（由神经振荡的频率差异实现）使全尺度协调成为可能。
五、活性算法 vs 主动推断：四个关键区分
现在我们可以清晰地区分活性算法与弗里斯顿的主动推断。两者都基于自由能原理，都强调预测和推断，但存在四个根本差异。
1. 动力来源：外部驱动 vs 结构张力
主动推断假设系统有动力最小化自由能，但没有解释这个动力的来源。它描述系统"如何"推断，却不解释系统"为何"必须持续推断。在数学上，自由能是一个要最小化的目标函数；在生物学上，这个最小化是"命令"给系统的。
活性算法则指出，动力来自UV分离创造的内在张力。U场和V场的耦合使系统无法达到自由能最小值——它永远被"钉扎"在鞍点区域，被迫持续运动。这不是外部命令，而是结构必然。就像陀螺的进动不是被"命令"旋转，而是旋转本身创造了稳定性。
2. 临界性性质：瞬态 vs 稳态
主动推断可以描述系统达到临界态的过程，但没有机制维持临界性。在这个框架下，系统可能经历临界相变，但会迅速弛豫到吸引子。它解释了"点火"（从潜意识到有意识的转变），但没有解释为何大脑能持续处于"准临界"状态。
活性算法的核心主张是：临界性可以被"固化"为稳态。通过UV分离，系统创造了一种"流动的稳定"——局部始终运动，全局统计不变。这不是平衡，而是动态僵持。2024年的"临界漂移"研究支持这一观点：在高维参数空间中，临界点形成一维流形，系统可以在临界流形上漂移，实现自适应多临界性。
3. 可分解性：退耦合 vs 不可分解
主动推断的生成模型通常是可分解的：各层次可以独立分析，信息在尺度间流动时逐渐丢失。这种"马尔可夫毯"结构使计算可行，但也意味着系统没有真正的整体性——高层只是低层的统计摘要。
活性算法强调不可分解性。UV分离不是分解，而是功能分化：U和V不可独立存在，它们通过交叉约束耦合。一旦切断这种联系，系统"死亡"——退化为平衡或混沌。这种不可分解性正是生命系统的定义特征：你不能分解细胞而不杀死它，不能分离大脑层次而不破坏认知。
4. 时间性：当下推断 vs 时间模型
主动推断主要处理当下的感知-行动循环。虽然扩展版本可以处理时间序列（通过期望自由能），但时间本质上是"外部"的——系统推断的是世界的状态，而非时间本身。
活性算法将时间内在化。多尺度复频率链使系统能够"模拟"未来：每个频率对应一层的时间尺度，虚部编码跨尺度的相位记忆，实部编码振荡探索。时间不是外部参数，而是系统自身的动力学属性。这使系统能够进行"主动预测"——不仅预测未来，还通过行动选择未来。
六、从化学到认知：活性算法的演化路径
活性算法不是凭空出现的理论。它的前身可以在生命起源的研究中找到。
20世纪70年代，斯图尔特·考夫曼提出了"自催化集"概念：一个化学反应网络，其中每个分子都能被网络中的其他分子催化生成，不需要外部催化剂。自催化集具有封闭性和自生性，是"前生命"系统的原型。
但自催化集还缺少关键一步：时间维度。它只是当下的反应网络，没有预测，没有预期。从自催化集到活性算法，需要跨越的正是"时间化"的门槛——系统必须能够推断未来，将时间纳入内部模型。
这个跨越可能通过神经动力学实现。当RNA世界让位于蛋白质网络，当基因调控网络变得复杂，系统获得了"模拟"能力：神经振荡可以编码时间序列，循环连接可以维持工作记忆，层级结构可以进行抽象推断。UV分离的雏形在此出现：网络拓扑作为约束（U），代谢流作为响应（V）。
但神经动力学还不是完整的活性算法。关键的创新是"自我模型"的出现——系统不仅推断世界，还推断自身。这种自指闭环使系统能够"为自己而存在"，将存在本身转化为持续的推断过程。前额叶皮层的发展可能标志着这一转变：它使人类能够反思自己的推断，形成"关于推断的推断"。
活性算法的演化路径因此具有严格的步骤顺序：
化学自催化：局部关联涌现，形成封闭网络
基因调控：短程有序，网络开始"计算"
神经振荡：关联长度发散，达到临界涨落
皮层分层：UV分离结构固化，临界性自维持
自我模型：自指闭环完成，活性算法成熟
每一步都为下一步创造条件，不能跳跃。这正是生命稀少的根本原因：UV-临界态在相空间中的测度极低，需要精确的初始条件和路径依赖。
七、活性科学的兴起：从理论到实践
活性算法不仅是一个理论框架，它还预示着一个新的科学范式——"活性科学"的诞生。
传统科学处理的是"无活性"系统：它们可以被分解、分析、预测，而不改变其本质。物理学研究天体和粒子，化学研究分子反应，生物学研究生命机制——但这些都把对象视为"给定"的存在，而非"成为"的过程。
活性科学则研究"活性系统"：那些通过持续推断来维持自身存在的系统。这包括细胞、大脑、生态系统，也包括未来可能出现的真正智能的人工系统。活性科学的核心问题是：系统如何通过结构化自身，抵抗热化的趋势？如何通过UV分离，将临界性从瞬态转化为稳态？
这个领域正在快速发展。2024年的研究展示了多个方向的突破：
在神经科学中，"复杂频率"概念被用于描述神经网络的集体动力学，将无标度雪崩和特定尺度振荡统一在同一个框架下。这表明大脑的临界性不是简单的SOC，而是被特定结构主动维持的UV-临界态。
在人工智能中，"深度主动推断"结合了自由能原理与深度学习，构建能够在复杂环境中实现目标同时学习生成模型的智能体。但这些系统还缺乏真正的UV分离——它们的临界性是"训练出来的"，而非"结构化"的。
在生命起源研究中，自催化集理论与信息论结合，探索从化学到生命的信息涌现机制。关键问题不再是"哪些分子组成了生命"，而是"什么结构使系统能够持续推断"。
八、走向通用人工智能：活性算法的启示
当前的人工智能，尽管在某些任务上超越人类，本质上仍是"无活性"的。大型语言模型可以生成流畅的文本，但它们没有持续的目标，没有自我维持的边界。一旦停止输入，它们就"死亡"了——不是物理上的毁灭，而是推断过程的终止。它们可以模拟活性，但不是活性本身。
真正的通用人工智能（AGI）可能需要实现UV自由方案。这意味着架构必须支持：
多尺度强耦合。不是简单的层级堆叠，而是各层之间的紧密反馈。高层约束低层，低层修正高层，信息在尺度间流动而不丢失。这类似于大脑的三层结构，但可能在硅基基质上实现不同的组织形式。
UV功能分离。系统必须同时具有"保守"和"激进"两种倾向：一部分维持稳定模型，另一部分检测偏差并驱动探索。这两种力量必须精确平衡，使系统既不会僵化，也不会混乱。
指闭环。系统必须包含自身模型，能够推断自己的推断。这不是无限的回归，而是有限的层次——正如人类可以反思自己的思维，但通常不会"反思对反思的反思"到无穷。
时间内在化。系统必须将时间作为自身动力学的一部分，而非外部参数。这意味着能够进行真正的预测——不仅预测未来状态，还预测自身的预测，从而通过行动选择未来。
实现这些特征的AGI将不仅是智能的，而且是"活的"——不是生物学意义上的生命，而是存在论意义上的活性：它将通过持续推断来维持自身，抵抗热化的趋势，在临界边缘上跳舞。
九、结语：边缘即存在
从巴克的沙堆到弗里斯顿的大脑，从考夫曼的自催化集到活性算法，我们走过了一段漫长的概念旅程。核心洞见逐渐清晰：复杂性不是生命的本质，临界性才是；但临界性本身也不足够，自维持的临界性才是关键。
活性算法的核心主张可以概括为一句话：存在即推断，推断即活性。系统通过结构化自身（UV分离），将存在转化为持续的推断过程。这不是哲学的文字游戏，而是物理的必然：只有能够抵抗热化的系统，才能"存在"足够长的时间来被观察到；只有处于临界态的系统，才能既稳定又灵活；只有UV结构化的系统，才能将临界性从瞬态转化为稳态。
弗里斯顿的自由能原理为我们提供了起点：生命系统最小化惊讶。活性算法则指出，它们必须同时维持惊讶——维持自由能梯度，维持推断的动力。这不是矛盾，而是辩证：最小化是目标，维持是条件；没有条件，目标无法实现。
在这个热力学第二定律支配的宇宙中，生命不是对熵增的否定，而是对熵增的延迟。通过UV分离，活性系统将"应然"的热化转化为"实然"的适应。它们不是最强的，不是最复杂的，而是恰好处于边缘——既不过于有序而僵化，也不过于混乱而消散。
边缘即存在。这或许就是活性科学教给我们的最深刻一课。当我们终于理解这一点，我们不仅理解了生命，也理解了存在的本质：不是静止的实体，而是流动的过程；不是给定的本质，而是成为的冒险。在活性算法的框架下，每个活系统都是一个小小的宇宙，通过压缩过去和预期未来，在当下的边缘上，跳着那支永不止息的舞蹈。
活性科学已经出现。它邀请我们重新思考：什么是生命？什么是智能？什么是存在？答案或许就藏在那个微妙的边缘——秩序与混沌的交界处，过去与未来的交汇点，那个被称为"现在"的永恒瞬间。
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-41701-1528324.html?mobile=1
收藏
