《连线》发表了一篇介绍神经科学家Karl Friston及其“自由能”理论的文章，非常有意思，其中涉及人工智能的部分，值得仔细看看。下边是我胡乱摘译（安全起见，请大家去看原文，链接附在在末尾）的，算个人学习笔记吧——据说未来的主题是人工智能呢！
Karl Friston
Karl Friston 是伦敦大学学院（UCL：University College London）富有传奇色彩的功能影像实验室（FIL：Functional Imaging Laboratory）的科学主任。
在Friston的工作领域里，他设计了诸多重要工具，帮助科学家可以清晰地观察大脑。这些发明让Friston业已成为学术英雄。
Karl Friston
1990年，Friston发明了统计参数映射（SPM : statistical parametric mapping），这是一种基于统计学原理和脑神经原理的计算方法，其本质非常专业化，很难用通用语言来描述，一位神经科学家曾经采用一种形象的比喻来介绍它：把（大脑）图像的数据“揉碎、捏合”后，生成一种实体化的脑部状态图像，研究人员可以据此对不同大脑的相对应区域产生的活动状态进行“逐项对应”的比较研究。
统计参数映射的衍生技术（所谓基于立体像素的形态测量学：voxel-based morphometry），被应用一项著名的研究中。这个研究项目是针对人类海马体的，实验测试对象是伦敦的出租车司机。为了获得运营执照，他们必须记住320条路径和6英里内众多交叉路口的地标。通过运用Friston的技术，研究者得以观察到人类海马体的后侧部分是如何随着学习和记忆的深入而增长的。
另外一篇2011年发表在《科学》杂志上的研究报告，也使用了由Friston动态因果建模方法驱动的一个第三方脑成像分析软件，分析的目标是确定严重脑损伤患者是否具有最低限度的意识，或彻底变成了植物人。
Karl Friston于2006年入选英国皇家学会，该学院将他对大脑研究的影响描述为“革命性的”，并表示超过90％的脑成像论文都使用了他的方法。
两年前，艾伦人工智能研究所（Allen Institute for Artificial Intelligence）一个由AI先驱Oren Etzioni领导的研究小组指出，Friston是世界上最常被引用的神经科学家。他的一个h指数（h-index，一个衡量研究人员出版物影响的指标）几乎是阿尔伯特·爱因斯坦的两倍。
去年，分析机构Clarivate Analytics将Friston列为诺贝尔生理学或医学奖三个最有可能的获奖者之一。Clarivate Analytic著称于世的成果之一，是它们在过去二十多年中已经成功预测了46位诺贝尔科学奖获得者。
Karl Friston不仅在他所在领域具有影响力，在其它学科中也饶有成果。他今年59岁，每天晚上都工作，周末也不例外。2000年以来，他已经发表了1000多篇学术论文。仅在2017年，他作为主要作者或共同作者的出版物就有85种，平均每4天1个。
女王广场
Friston声望日隆。他所在的学院位于伦敦著名的女王广场附近。有趣的是，女王广场似乎与脑科学研究具有某种神秘的历史传承关系。Shaun Raviv 的文章开头即描述了一个关于女王广场的传奇故事：
有一个故事描述了发疯了的英王乔治三世（乔治三世在位时开始显露出“疯狂”迹象，传说乔治试图与一棵树握手，认为那棵树是普鲁士国王。乔治的故事如何启发了乔治·R R ·马丁在《权力的游戏》中塑造一系列癫狂形象，也是一个有趣的话题）是如何被匆忙送到王后广场的一所住宅里接受治疗的。据说，乔治的妻子夏洛特（Queen Charlotte）特地租下一家酒吧的酒窖作为临时厨房，以便伺候国王用餐。
这些故事的真实性很难求证，但即便已经过去了200多年，这个故事依然会出现在“伦敦旅游指南”之类书中。更有趣的是，这个广场一直在按照故事的情节在构建自身：夏洛特的金属雕像矗立北端，有一家酒吧就叫Queens Larder（Ladder：餐柜之意），其中售卖炸鱼薯条和格林王之类的英式传统艾尔啤酒……
Queens Larder
不论如何，女王广场与患有精神疾病（妄想症？）的乔治国王已经融为一体，这是人类精神的一种奇特现象。而如今，女王广场上的长方花园，几乎总是被那群在附近工作，从事脑科学研究，以及被研究的人占据了。这算冥冥中的一种巧合吗？扯远了……来自全球各地的研究者跑来女王广场附近拜访Friston。但这些拜访者中只有很少一部分人是脑科学专业的，而Friston也几乎不讲大脑成像的事情。比如在2018年夏季的10天时间里，Friston接待了如下几种人：一位天体物理学家；几位哲学家；一位计算机工程师（他在亚马逊Echo项目的一个竞争对手那里工作）；一个世界最大的保险公司（之一）的人工智能负责人；一位寻求更好助听器方案的神经科学家；以及来自一家创业公司的精神科医生，该公司正在运用机器学习技术来协助治疗抑郁症。他们中的大多数人来过不止一次，但他们迫切希望能够了解到更多信息。而问题的核心，就是“自由能”。
自由能
在过去十年左右的时间里，Friston投入了大量的时间和精力来发展他称之为“自由能原则”（或自由能原理：free energy principle ）的想法。这个想法，Friston相信其指向了所有生命的组织原则，对智慧而言，也是如此。
Friston提出的问题是：“如果你是所谓活着的，那么，你必然要表现出来的行为是什么？”
事实上，Friston提出的“自由能原则”非常难于理解。一种简单的解释是这样的：
自由能原则的核心来自于一个简单的故事，并解决了一个基本性难题。热力学第二定律告诉我们，宇宙倾向于熵增加，趋向于无序和解体；但生命却在竭力抵抗它（熵）。每天早上醒来——假入没有宿醉折磨你的话，你几乎感觉不到和昨天有什么区别。显然，在我们的细胞和器官之间，以及在我们与外部世界之间，都有着一个明确的分界。我们经由这个分界来区分“我”与“非我”——这几乎就是从古以来最基本的一个哲学命题。
但这一切都是为什么？Friston的自由能原理认为，所有生命（在各种尺度和规模下，从单细胞体到人类的大脑，后者拥有数十亿个神经元）都是由某种普遍性规则来驱动的，这种规则，可以简化为数学方程。
并非比喻的：所谓活着，就是在执行“以减小感知和期望之间鸿沟为目标”的数学方程。这用Friston的术语来讲就是：使自由能最小化。
（薛定谔的名著《什么是生命》，是使用物理学原则来解读生命现象的肇始性作品。Friston的方式，可以与其跨学科的前辈作者遥相呼应。）
自由能原理提出后产生了深远影响。从生物学基础研究到思维理论，从脑科学领域一直到人工智能研究，越来越多的学者认识到自由能原则将推动这些研究向更深入、更广泛的方向发展。然而问题在于，一个基本共识是：真正了解Karl Friston自由能原则的人，可能只有Karl Friston本人，至少目前如此。
通往自由能
Shaun Raviv 的文章着力描写了Friston个性方面的某些特点，这可能对了解自由能原则具有某种线索意义。
Friston为内心画了一条界限，以防止遭到“入侵”。比如，他更喜欢站在台上，与其他人保持着合适的距离进行交流。他没有手机。他总是穿着一次两件购买的深蓝色的西装。他避免参加国际会议。等等。
与这种个性相适应的是，Friston非常敏锐而投入。他认为让自己沉浸在一个需要数周时间才能解决的困难问题中简直就是一种安慰。他的这种个性可以一直追溯到他童年时代，从那时起就，他似乎就开始了寻找融合、统一和简化世界噪音的方法。
8岁那年的夏天，Friston与家人住在利物浦附近的Chester，他的母亲让他去花园玩耍。他翻起一根旧木头，发现了几只木虱（类似于土鳖，一种有着犰狳式外骨骼的小虫子），它们登时四散奔逃（这情景我们童年时是否也曾有过，但却无法启迪我们产生自由能……）这一现象引起了他的注意。他开始时认为——像我们通常认为的那样，虫子们是因为被掀翻了避难所，所以疯狂逃窜，但Friston的想法与众不同。他盯着他们看了半个小时，然后推断出，这些虫子实际上并不是在寻找阴影或避难所。木虱的乱窜其实没有更大的目的性，至少不是人类意义上的那种目的性。这些生物的运动是随机的，在太阳的温暖光照下，它们需要移动得更快，如此而已。
Friston称这是他的第一个科学见解。在那一刻开始，“所有这些做作的，关于生存和目标的人格化解释，似乎都开始剥离了。你正在观察的事情，是那个样子，可能仅仅因为它就是那个样子，它只能是那个样子——从某种意义上说。
Friston在10岁以前不停转学，因为他父亲是一名土木工程师，在各地工作，所以他们不得不搬来搬去。正像故事里那些经常转学到陌生环境中的孩子们一样，Friston开始享受独自探索，以此维护着自己脆弱的自尊心。
10岁那年，Friston设计了一个“自纠错机器人”，使用了自校正反馈控制器和水平仪，理论上，它可以带着一杯水走过崎岖的地面。学校为此要一位心理辅导老师去询问他是，这些他都是怎么想出来的。
“你非常聪明，卡尔！” Friston的母亲安慰他，但Friston并不相信。
尽管如此，在Friston十几岁的时候，他迎来了自己的又一次“木虱时刻”。那时，他刚刚看完电视回到卧室，他注意到窗外樱花盛开。他突然被一种从未有过的想法占据心灵。
“必然有一种方法，可以从’无’开始理解’一切’，”他想。“假如，我只被允许从整个宇宙中的某一个点开始，那么，我可以从那里开始获得我需要的所有其他东西吗？”
他在床上待了几个小时，开始了自己的首次探索。“显然，我完全失败了，”
年轻的Friston虽然失败了，但自由能原则也许已经在樱花开放的时刻悄悄渗透进了他的内心。
贝叶斯概率机
中学毕业后，Friston接受辅导员意见，选择了医学，尽管他不喜欢（害怕）这一学科。此后，Friston搬到牛津，在一家维多利亚时代的医院Littlemore做了两年常驻实习生。
根据1845年的“Lunacy法案”，Littlemore最初成立的目的是帮助将所有“贫民疯子”从工作室转移到医院。到20世纪80年代中期，当Friston到达时，它是英格兰郊区最后一个旧收容所之一。
在Littlemore之后，就是20世纪90年代早期的大部分时间，Friston使用了相对较新的脑部扫描技术PET，试图了解精神分裂症患者大脑内部的情况。在此期间，他发明了统计参数映射（statistical parametric mapping）。部分由于采用开源策略，这一方法后来得到了最广泛的应用。
1994年，Friston来到皇后广场。有一段时间，他所在的FIL办公室与“盖茨比计算神经科学部”只隔几道门。“盖茨比”由其创始人，认知心理学家和计算机科学家杰弗里·辛顿（Geoffrey Hinton）负责，其研究人员在研究感知和学习理论——包括生物和机器系统。在FIL成为神经影像学的领导实验室之际，“盖茨比”正在致力于将数学模型应用于神经系统研究。
此时，Friston和Hinton成了朋友。
Hinton说服了Friston：理解大脑的最佳方式，就是将其看作一个贝叶斯概率机。这个想法可以追溯到19世纪德国物理学家Hermann von Helmholtz的工作成果：大脑以概率方式来计算和感知，不断基于感官的获得进行预测和调整结论。按照现代最流行的贝叶斯解释就是，大脑就是一个“推理引擎”，其目标在于最大限度地减少“预测误差”。
2001年，Hinton离开伦敦前往多伦多大学，在那里他成为人工智能领域最重要的人物之一，并为今天的深度学习研究奠定了基础。
在Hinton离开之前，Friston最后一次拜访了他。当时，Hinton描述了他设计的一种新技术：允许计算机程序更有效地模拟人类决策——其过程整合了多种概率模型输入，这在今天的机器学习理论中被称为“专家乘积”（PoE ：product of experts）。
这次会面让Friston深受触动。受到Hinton的想法的启发，并且本着智力互惠的精神，Friston向Hinton发送了一系列自己的研究笔记，核心内容是关于连接几个从解剖学，生理学和心理学属性上看似没有关联的大脑属性。Friston在2005年发表了这些笔记，作为他“自由能原理”数十篇论文中的第一篇。
两个最强大脑的碰撞，从物理学到脑神经学，从贝叶斯概率到自由能，得益于跨学科思想的互通有无，一切似乎渐渐明朗起来。
马尔可夫毯
但自由能原则依然躲在迷雾里。即使Friston本人，在描述自由能原理时也很难决定从哪里开始。Shaun Raviv 的文章选择从Friston办公室里沙发上的马尔可夫毯作为切入点。
所谓马尔可夫毯，就是一个白色的羊毛沙发背垫，上边印着一张黑白肖像，肖像人物是面容严肃，长着大胡子的俄罗斯数学家安德烈·安德烈耶维奇·马尔科夫（Andrei Andreyevich Markov，1922年去世）。这块毯子是Friston的儿子送给他的礼物，一个包裹在毛绒和聚酯里面的关于自由能原理核心的小玩笑。
马尔可夫毯子
马尔可夫这个名字与“马尔可夫毯子”紧密相连，后者在机器学习理论中表示一个隔蔽层，在一个层叠的、继承性系统中，将一组变量与其他组变量区隔开。
著名心理学家克里斯托弗·弗里斯（Christopher Frith）曾用“马尔科夫毯”作为对细胞膜的一种认知性理解——它就像一个毯子，把细胞内外两种状态区分开来。
在Friston看来，宇宙是由“马尔可夫毯”里的“马尔可夫毯”构造的。我们每个人都有一个“马尔可夫毯”，让我们与“非我”分开。在我们内部，是分隔各个器官的“毯子”，其中又包含着分隔各个细胞的“毯子”；在细胞内，又包含分隔各个细胞器的“毯子”…… “毯子”定义了生物体如何在时间的推移中存在，并且执行彼此不同的行为。没有“毯子”，我们只不过是一缕热气，消散到“以太”之中。
我们已经知道，“自由能”的概念原本来自物理学，这意味着，如果不涉及数学公式，你很难去精确解释它。但这也正好是它强大的原因：它不仅仅是一种修辞概念，而是一个可以测定的量。使用适当的数学方法可以将其模型化，然后用以解释世界。相应的，如果你想把这个概念从数学翻译成普通语言，大概只能如此描述：自由能是一种差异，区隔了你所期望的状态，和你的感知系统所告知你所处的状态。换句话说，当你减少自由能时，你就是在减少意外（惊喜）。马尔可夫毯，不是吗？
减少意外
根据Friston的说法，任何生物系统都在抵抗紊乱和解体倾向，这就是基于自由能原则。无论对原生动物还是职业篮球队，都是如此。
一个单细胞生物，和复杂的人类大脑一样，都需要“减少意外”的需求。
唯一的区别在于，作为高度发展了的自组织生物系统，人类的大脑非常复杂：它吸收数十亿感知受体的信息，它需要将所有这些信息有效地组织成一个准确的世界模型。
“从某种意义上来说，大脑真的是一个奇妙的器官，它生成假设（或幻觉），试图对那些由无数信息汇聚而成的复杂图景给出一个合适的解释。”大脑在不断做出预测，根据感官传回的信息做出推论，并更新其结论，同时试图把预测误差信号降到最低水平。
这听起来很像“贝叶斯”大脑设想，即Hinton在20世纪90年代告诉Friston的“推理引擎”。事实上，Friston认为贝叶斯模型是自由能原理的基础（“自由能”甚至可以作为“预测误差”的粗略同义词）。但是，对于Friston而言，贝叶斯模型的局限性在于它只能解释结论与认知之间的相互作用，但它对身体或动作却无法发表意见。
这对于Friston来说是不够的。于是他使用“主动推理”（Active Inference）这一术语来描述有机体存活于世时最大限度减少意外的方式。
Friston认为，当大脑做出的预测不会被感官传回的信息立即证实时，它可以通过以下两种方式中的一种来最小化自由能：1、修改其预测——接受意外，承认错误，然后更新其世界模型；2、通过某种行为来使其预测符合真实情况。如果我推断我在用左手食指摸我的鼻子，但是我的的感受器检测到手臂放在身边，我就可以通过抬起手臂摸鼻子的动作来回应我的推断——最小化大脑预测错误，最小化自由能。
“我们对世界进行取样，以确保我们的预测成为一种可以自我实现的预言。”
那么当我们的预言没有自我实现时会发生什么呢？一个系统被“意外”所吞没的样子是什么样的？
当大脑为那些从感官涌入的“证据”分配了太少或是太多的权重时，麻烦就产生了。例如，精神分裂症患者可能无法更新他们的世界模型，以解释来自感官的输入信息。本来看到的是一个和善的邻居，但希拉里（Friston在Littlemore时期的一个病人，她用菜刀砍下了邻居的头，因为她确信那个人已经变成一个邪恶的乌鸦人。）却可能会看到一个邪恶的乌鸦人。
“想想那些精神疾病，包括大多数神经系统疾病，仅仅是来自一些支离破碎的确认，或者是来自错误的推断——就是所谓的幻觉和妄想。”Friston说。
在过去几年中，Friston和其他一些科学家使用自由能原理来帮助解释焦虑，抑郁和精神病，以及自闭症，帕金森病等病症。在许多情况下，科学家已经知道了（借助于Friston的神经成像方法）大脑的哪些区域在哪些疾病中会出现故障，哪些信号会被破坏。但仅此是不够的。“了解了哪些突触，哪些大脑连接不正常，这依然是不够的。你需要一个能够计算出结论的微积分。” Friston如是说。
AI
自由能原则为“心灵”（mind：理智，精神）如何运作提供了一个统一的解释，并为“心灵”如何发生故障提供了统一的解释。最后，顺理成章地，它也可能帮助我们从草图开始构建一个“心灵”。
几年前，一群英国研究人员决定用一种新的分析工具重新探索英王乔治三世发疯的事实。他们把国王写的大约500封信件加载到机器学习引擎中进行训练，以便识别各种文本特征：单词重复，句子长度，句法复杂性等。训练结束时，该系统能够推断一篇王室公文是写于国王发疯期间还是清醒期间。
这种模式匹配技术大体上类似于训练机器去做诸如人脸识别，猫、狗图识别，以及语音识别等。在过去几年中，这种计算取得了巨大进步。但这种技术需要大量的前期数据和人工干预，而且可能是一种“脆弱”系统。
人工智能的另一种方法称为强化学习（reinforcement learning），如今已经在游戏方面取得了令人难以置信的成功，如围棋、国际象棋和Atari Breakout等。
强化学习不需要为大量训练数据做人工标记，它只需要把特定的奖励机制（通常是游戏获胜条件）告诉神经网络，神经网络仅仅通过一遍又一遍地“玩游戏”来进行学习，不断优化自己的策略，就可以获得极佳的结果，就好像训练一只狗狗学习执行某些特殊任务一样。
但强化学习也有很大的局限性。因为在真实世界中，绝大多数事件并非围绕一个单一的、狭义的目标来组织运行。（比如，有时候你必须停止玩Breakout才能去洗手间，去扑灭火灾，或者与老板交谈，等等。）另外，大多数事件环境并不像在游戏那样稳定和有规律。而神经网络的野望价值是，他们应该能够真正按照人的方式来思考。强化学习模式中并没有包含“人”。
从Friston自由能原则来看，这种失败是很正常的。根据自由能原则，人类思想的根本动力并不是寻求某种外部奖励，而是为了使预测误差最小化。显然，神经网络也应该这样做（值得高兴的是：自由能原理背后的贝叶斯方程已经用机器学习原生语言编写好了）。
主动推理
Netflix的机器学习负责人Julie Pitt在2014年发现了Friston的自由能原理，这改变了她的想法（Julie Pitt的Twitter小传写着：“我通过主动推理推断自己的行为。”）。在Netflix工作之外，她一直在一个名为Order of Magnitude Labs的项目中探索自由能原理的应用。
Pitt说，自由能模型的美妙之处在于它允许一个人工Agent在任意环境中运行，哪怕是一个未知的、新的环境。在旧的强化学习模式下，应对不同环境，你必须不断为人工Agent规定新的规则和激励，以便使它应对复杂的世界。 然而，自由能Agent却总是按照自己的内在规则来运行：目标是让“意外”最小化。这种机制导致了一种向外界进行探索的驱动力。
2017年末，伦敦国王学院的神经科学家和工程师Rosalyn Moran领导了一个研究小组，他们在3D射击游戏Doom的一个版本中，让两个AI玩家相互对抗。测试的目标是对由主动推理驱动的Agent与由奖励最大化驱动的Agent进行比较。
基于奖励的Agent的目标是杀死游戏中的怪物，但自由能驱动的Agent却在尽量让意外最小化。那个Friston版的Agent开局非常缓慢，但最终它开始表现得好像它了解这个游戏的模板一样：比如，它似乎意识到，当Agent向左移动时，怪物往往移动到右边。
结果很明显，即使是在游戏环境中，奖励最大化驱动的Agent “明显不那么健壮”，而自由能原则驱动的Agent则能更好地了解环境。 “它的表现优于强化学习，因为它在探索，” Moran说。
在另一个模拟中，一个自由能最小化Agent与真人玩家进行对抗，测试结果具有相似性。Friston Agent开始慢慢地，但是积极地探索各种选择，然后开始快速地展现出人格化的行为表现。
（Alpha zero最近取得的成果，虽然往通用型计算迈进了一步，本质上看，依然是一种强化学习，而没有采用自由能原则。）
主动推理（Active Inference）正在传播到更主流的深度学习研究领域中，尽管速度比较缓慢。Friston的一些学生在DeepMind和Google Brain工作，其中一人创建了华为的人工智能理论实验室。但它仍然不像强化学习那么普遍，后者即使是本科生也会学习。
Shaun Raviv 向Friston询问自由能原理和人工智能之间的联系，后者预测在5到10年内，大多数机器学习都会包含“自由能最小化”。Friston还玩了一个文字游戏来表达自己的看法：“想想为什么它被称为主动推理（Active Inference）？对，这就是AI - Active Inference的首字母缩写。”
通用理论
尽管Friston的理论极其费解，但很多研究者认为它揭示了一个与达尔文自然选择理论一样具有广泛性的问题。
加拿大哲学家马克斯韦尔·Ramstead（Maxwell Ramstead）在2014年首次阅读Friston的作品。 2016年，他遇到了Friston，后者告诉他，适用于细胞分裂的数学，同样也可以适用于文化。 “这对我来说是一次改变生活的对话，”Ramstead说。
“这在历史上是绝对新颖的。”在Friston出现之前，“我们有点被迫在没有通行货币的情况下在这个多学科空间中来回穿梭，而自由能原则为你提供了这种货币。”
2017年，Ramstead和Friston与墨尔本大学的Paul Badcock合作了一篇论文，他们用马尔科夫毯术语描述生命。一个细胞就是马尔科夫毯包裹的系统，通过最小化自由能以存在。部落，宗教和种群，也是如此。
在Ramstead的论文发表之后，当时在FIL的认知神经科学家Micah Allen写道，自由能原理已演变成阿西莫夫“心理史学”（来源于阿西莫夫基地系列小说，是一个虚构的科学系统，将心理学，历史学和物理学等归并为一种统计科学，并据此对历史走向作出预测。）的真实版本。
确实，自由能原则已经扩展为一种普适性观点，即使不是万物理论，也接近如此。（Friston告诉我，癌症和肿瘤可能就是一种错误推理的实例，细胞被欺骗了。）但问题在于：能解释一切的理论是否等同于什么也没解释？
Friston说他的工作有两个主要动机。当然，他很想看到自由能原理有朝一日会导致真正的人工意识，但这并不是他的首要任务之一。 相反，他的第一个重要愿望是推进精神分裂症研究，以帮助修复患者的大脑——如他在那间旧收容时所见到那些人。他的第二个主要动机“更加自私”一些，这可以追溯到他十几岁时的那个晚上，在他的卧室里，他看着樱花，想知道，“我能用最简单的方式理清这一切吗？”
真正的人工意识
显然，自由能原则为人工智能技术的前景设置了深远的想象空间。尽管基于机器学习以及强化学习的AI应用已经层出不穷，吸引了极大的投资，但在自由能原则的信奉者来看，现有的AI模式中，依然缺乏真正的“人”的因素。人工智能这篇作文远未完成，甚可以说刚刚写了一个开头。
原文标题：
THE GENIUS NEUROSCIENTIST WHO MIGHT HOLD THE KEY TO TRUE AI
原文链接：
https://www.wired.com/story/karl-friston-free-energy-principle-artificial-intelligence
文章作者 ：Shaun Raviv 自由作者，为连线、BuzzFeed等媒体供稿。
閱讀更多 偵探嗨森伯 的文章
