导语

当前全球最具影响力的认知神经科学家、英国伦敦大学学院（UCL）教授 Karl Friston 将于5月31日做客集智俱乐部！Friston 2016年被 Semantic Scholar 评为全球十大最具影响力神经科学家之首，h-index 高达 272。2017年，科睿唯安将他列为诺贝尔生理或医学奖三大最有可能的获奖人之一。

Karl Friston 近年来致力于自由能原理与主动推理的研究，该理论被认为是“自达尔文自然选择理论后最包罗万象的思想”，试图从物理、生物和心智的角度提供智能体感知和行动的统一规律，从第一性原理出发解释智能体更新认知、探索和改变世界的机制，对强化学习世界模型、通用人工智能等前沿方向具有重要启发意义。集智俱乐部「自由能原理与强化学习」读书会此次邀请到 Karl Friston 做关于自由能原理主动推理的主题报告，从物理和神经生物学两条道路走向主动推理框架，探讨如何从第一性原理统一生命与意识。

集智俱乐部长期关注脑、认知与智能、意识涌现等前沿话题，孵化出「自由能原理与强化学习」、「因果涌现」、「AI by Complexity」「计算神经科学」、「神经动力学」、「NeuroAI」、「脑机接口」等系列读书会，聚集了数千位相关领域的学者和研究者，此次活动由该系列读书会社区联合举办，欢迎感兴趣的朋友加入，和我们一起探索！

背景介绍

目前的人工智能领域发展迅猛，特别是OpenAI最近发布的GPT 4o，展现出与人类对话的惊人流畅性，仿佛我们已经踏入了科幻电影中的未来。然而，这些基于深度学习和大模型的人工智能系统都存在一个共同的弱点：它们大多是通过工程技术手段构建的，缺乏对智能本质的深刻理解。当前人工智能研究偏重于实现技术细节，却忽略了真正智能的基本原理。例如，现有人工智能系统能耗巨大，而人类大脑却以远低于此的能耗完成各种复杂任务。因此，我们迫切需要寻找智能的第一性原理。

在这方面，Karl Friston 的自由能原理可能成为智能的第一性原理的重要候选方案。自由能原理提出了生物系统如何通过减少自由能来理解和适应环境的理论框架。它将系统视为试图最小化与外部世界的差异，以最有效地预测和适应外部环境的变化。通过最小化自由能，系统调整内部表示和行为，实现更好的环境适应性。这一理论不仅适用于认知神经科学和人工智能领域，还可应用于其他领域，如机器学习和自动控制。

自由能原理不仅可以解释智能现象，还可以解释从物质到生命的各种现象，可能成为新时代复杂系统的大统一理论。通过自由能原理，我们可以更深入地理解智能系统如何运作，为未来的人工智能研究和发展提供更加深刻和基础的理论支持。

内容简介

自由能的概念起源于统计物理和热力学，后被引入机器学习和信息加工领域，表示系统内部表征状态与环境真实状态间的差异。自由能原理认为，所有可变的量，只要作为系统的一部分，都会为最小化自由能而变化。自由能原理提供了一个统一的规范性理论，用于理解和模拟复杂系统的自组织、自适应行为，特别是在生物系统和大脑功能方面。这一原理不仅解释了感知、行为和学习的统一过程，还对复杂系统建模、认知过程和意识的理解，以及生物和人工智能系统的设计原则产生了深远影响，跨越了生物学、神经科学、心理学和人工智能等多个领域，为揭示这些系统背后的统一原理提供了有力的工具。

主动推理框架基于自由能原理提供了一个建模感知、学习和决策的统一框架。将感知和行动都看作是推断的问题。主动推理的核心观点是生物体认知与行为底层都遵循着相同的规则，即感官观测的意外（surprise）最小化。意外衡量了智能体当前的感官观测与偏好的感官观测之间的差异。

有两条道路可以走向主动推理框架：

一条道路被称为 low road，是从贝叶斯定理出发，将感知、学习以及行动都看作是推断问题。感知和模型学习依赖于现在和过往的观测数据，而动作选择关注的是未来的观测数据，因此在主动推理框架下根据这种时间划分将自由能分为了两个部分，一个是关注过去的变分自由能，一个关注未来的期望自由能。

另一条道路被称为 high road， 从物理、随机动力系统出发，认为处于非平衡稳态的自组织系统（例如生命系统）要想能够抵抗环境的随机波动，就必须最小化其自由能。

此次 Karl Friston 的报告将围绕主动推理的两条道路展开。

主动推理的两条道路：顶层逻辑（high road）是在右上角从物理角度出发，底层逻辑（low road）在左下角从贝叶斯定理出发

报告简介

题目
意识的物理学：主动推理的顶层逻辑
The physics of sentience：the high road to active inference

摘要
我们如何理解自己作为有意识的生物？本次报告将运用自由能原理，从主动推理的角度提供一个解释。首先，我们试图从物理学的角度理解意识，具体而言，自组织系统必须具备将自身与世界区分开的特性。然后，我们将从神经生物学家的角度重述同样的故事，试图理解功能性脑结构。这段叙述始于认为生命或自组织是任何具有马尔可夫毯的动力系统的涌现特性。这一结论基于以下论点：如果一个系统可以与其外部环境区分开，那么它的内部和外部状态必须是条件独立的。关键是，这使得内部状态具备关于外部状态的概率信念的信息几何。简而言之，内部状态将表现出推理并对其世界进行行动，以保持其完整性。这导致了一种贝叶斯力学（Bayesian mechanics），可以总结为自证性（self-evidencing）。在报告的后半部分，我们将通过大脑中贝叶斯信念更新的模拟来详细探讨这些想法，并将其与预测加工（predictive processing）以及我们如何对待世界中的可供性联系起来。

关键词：主动推理（active inference），自由能原理（free energy principle），自组织（self-organization），自创生 （autopoiesis），贝叶斯力学（Bayesian mechanics），预测加工（predictive processing）

主讲人

Karl Friston，理论神经科学家，脑成像领域的权威。英国伦敦大学学院（UCL）教授，英国皇家学会院士，欧洲科学院院士。统计参数映射（SPM）、体素级形态测量（VBM）、动态因果建模（DCM）的发明者。这些研究受到了对精神分裂症和价值学习的理论研究的启发。他提出了“精神分裂症失连接假说”。此外，他还在数学方面做出了重要贡献，包括变分Laplacian程序和用于层次贝叶斯模型反演的广义滤波方法。他还致力于研究人类大脑中功能整合的模型，以及神经元相互作用的基本原理。他在理论神经生物学方面的主要贡献是自由能量原理和主动推理。

主持人

张俊，上海数学与交叉科学研究院（SIMIS）教授和创始人之一。从1992年起在密歇根大学心理学系担任助理教授、副教授、教授，并在数学系、统计系、密歇根大数据学院挂职，目前离职。1991年从加州大学伯克利分校获得神经科学博士学位。张俊教授在计算神经科学、认知与行为建模、机器学习、统计学、复杂系统等领域做出学术贡献，在数学心理学领域知名。近年来他的研究聚焦于“信息几何”这一交叉学科。

参与方式

直播时间

北京时间2024年5月31日（周五）18:00-21:00

线上Zoom会议室（社区成员可获得会议链接参与讨论）

参与方式：

斑图地址：https://pattern.swarma.org/study_group_issue/667