经典综述：自由能原理——统一的大脑理论.docx

目录

摘要

1.自由能原理

2.贝叶斯大脑假说

3.高效编码原则

4.细胞集群和相关性理论

5.有偏竞争和注意力

6.神经达尔文主义与价值学习

7.最优控制理论和博弈论

8.结论和未来方向

摘要

最近提出的自由能原理可以解释行动、感知和学习。这篇综述从自由能的角度审视了生物科学（如神经达尔文主义（neuralDarwinism））和物理科学（如信息论和最优控制理论）中一些重要的大脑理论。至关重要的是，有一个关键主题贯穿这些理论——优化。更进一步，如果我们仔细看优化的是什么，同一个量不断出现，即价值（value，预期奖励、预期效用）或其互补量，惊奇（surprise）（预测误差、预期成本）。这就是在自由能原理下被优化的量，这表明几种全局性大脑理论可能会在自由能框架内得到统一。

尽管神经科学领域有大量的实证数据，但关于大脑如何工作的整体理论却相对较

少。最近提出的自适应系统的自由能原理试图为行动、感知和学习提供一个统一的解释。尽管这一原理被描述为统一的大脑理论[1]，但其统一不同脑功能观点的能力仍有待确立。本综述试图将一些关键理论纳入自由能框架内，希望找出共通的主

题。我首先回顾了自由能原理，然后解构了几种全局性的大脑理论，以说明它们是如何表达相同的基本思想的。

1.自由能原理

自由能原理（见框1）指出，任何与其环境处于平衡的自组织系统（self-

organizingsystem）都必须使其自由能最小化[2]。该原理本质上是对自适应系统（即生物智能体，如动物或大脑）如何抵御自然无序趋势的数学表述[3-6]。接下来，我们将以非数学的方式探讨该原理的动机和涵义。我们将看到，尽管该原理的动机相当简单明了，但其涵义却复杂多样。这种多样性使该原理能够解释大脑结构和功能的许多方面，并使其有可能统一关于大脑如何工作的不同观点。在随后的章节中，我将讨论如何从这些角度将该原理应用于神经系统。这篇综述以一种相当抽象和技术性的方式开始，但随后试图用更熟悉的术语来解读基本思想。

动机：抵抗趋于无序的倾向。生物系统的决定性特征在于，面对不断变化的环境，

它们仍能维持自身的状态和形式[3-6]。从大脑的角度来看，环境（environment）同时包括外部和内部环境（milieu）。这种秩序的维持可以在多个层面上观察到，并将生物系统与其他自组织系统区分开来；事实上，生物系统的生理几乎完全可以归结为它们的内稳态（homeostasis）[7]；更准确地说，有机体所能处于的生理和感知状态的库（repertoire）是有限的，这些状态定义了有机体的表型

（phenotype）。从数学上讲，这意味着这些（内感受性和外感受性）感知状态的概率分布必须具有低熵；换言之，系统处于少数几种状态中任何一种的概率很高，

而处于其余状态的概率很低。熵也是平均自我信息或“惊奇（surprise）”[8]（更形式化而言，它是结果的负对数概率）。在这里，“离开水的鱼”处于一种令人惊奇的状态（无论从感性上还是数学上）。

简而言之，生物的长期目标——保持自身状态在正常范围内——转化为在短期内避免出现惊奇。这里的“惊奇”不仅与当前状态有关，这无法改变，还与从一种状态到另一种状态的运动有关，而这是可以改变的。只要这些动作能够周期性地回到一些关键的、有利于生存的状态（例如在小误差范围内驾驶汽车），它就可以是复杂和

游走的，这些关键的状态集合被称为“全局随机吸引子”（globalrandomattractor）[10]。正是这些动作被自由能原理所优化。

到目前为止，我们所说的只是生物智能体必须避免“惊奇”，以确保它们的状态保持在生理范围内（更正式的论证见补充信息S1）。但它们是如何做到这一点的呢？系统无法知道其感觉是否令人惊奇，即使知道也无法避免它们。这就是自由能发挥作用的地方：自由能是“惊奇”的上界，这意味着如果智能体最小化自由能，它们就隐含地最小化了“惊奇”。关键在于，自由能可以评估，因为它是智能体可以访问的两种事物的函数：其感觉状态，和由其内部状态（例如，神经活动和连接强度）编码的识别密度（recognitiondensity）。识别密度是引起特定感觉的原因的概率表示。

这个（变分）自由能构造被引入统计物理学，将困难的概率密度积分问题转化为更容易的优化问题[11]。它是一个信息论量（如“惊奇”），而不是一个热力学量。变分自由能已被用于机器学习和统计学，解决了许多推理和学习问