Active Inference：自由能原理与认知科学的融合

1. Active Inference的起源与核心概念

Active Inference（主动推理）最早由神经科学家Karl Friston在2010年提出，作为自由能原理（Free Energy Principle）在认知科学中的具体实现框架。这个理论试图用统一的数学语言解释大脑如何通过最小化"自由能"来维持自身稳态。

简单来说，Active Inference认为生物体（包括人类）的所有行为都可以理解为一种持续的推理过程。我们的大脑不断根据感官输入和内部模型预测未来状态，然后采取行动使现实尽可能接近预期状态。这个过程包含两个关键方面：

• 感知推理（Perceptual Inference）：大脑根据接收到的感官数据更新内部世界模型
• 主动推理（Active Inference Proper）：通过选择和执行动作来改变感官输入，使其与预测一致

举个例子，当你在嘈杂的咖啡馆寻找朋友时：

1. 你的大脑会生成"朋友应该坐在靠窗位置"的预测
2. 如果扫视后没发现，会产生预测误差（prediction error）
3. 你会主动移动视线或身体位置来获取新的感官数据
4. 直到视觉输入与预测匹配，误差最小化

2. 自由能原理的数学基础

Active Inference的核心数学工具是自由能原理，这里的"自由能"不是热力学概念，而是来自变分推断（variational inference）的术语。其核心公式可以表示为：

F = DKL[q(x)||p(x|o)] - ln p(o)

其中：

• q(x)是大脑对隐藏状态x的近似后验分布
• p(x|o)是给定观察o时x的真实后验
• DKL表示KL散度（衡量两个分布的差异）

这个公式表明，大脑通过最小化自由能F来：

1. 减少内部模型与真实后验的差异（第一项）
2. 最大化观察数据的边际概率（第二项）

在实际应用中，这个过程通常通过以下步骤实现：

1. 生成模型（Generative Model）：大脑构建一个描述世界如何运作的概率图模型，包括：

   • 状态转移概率 p(xₜ₊₁|xₜ,uₜ)
   • 观察概率 p(oₜ|xₜ)
   • 偏好分布（prior preferences）p̃(o)

2. 变分推断：通过近似后验q(x)来最小化自由能