他的論文連同行都看不懂，卻可能通向真正的人工智能

每周一中午，卡爾·弗里斯頓（Karl Friston）都會來到皇后廣場（Queen Square），去有夏洛特皇后雕像的花園里點起一根煙。這個稍稍有點駝背，有著一頭銀灰色頭發的科學家是倫敦大學學院（University College London）著名的功能成像實驗室（Functional Imaging Laboratory，FIL）的學術負責人。抽完煙后，弗里斯頓走進廣場西側一棟磚砌石灰石建筑，徑直走到四樓會議室。

他跟等在那里的人們打了個招呼——這也許是他當天說的第一句話，因為在中午之前，弗里斯頓不喜歡和任何人講話。他也很少和別人單獨會面。相反，他喜歡舉辦這種公開會議，學生、博士后和其他希望得到他指導的公眾（近幾年這個比例出奇的高）坐在一起，聽他講專業知識。曾跟隨弗里斯頓學習一年、現任麥吉爾大學（McGill University）精神病學住院醫師戴維·本里莫（David Benrimoh）說：“卡爾認為，如果誰有了某個想法、遇到了問題或者在做項目，最好的解決辦法就是整個團隊都聽聽 TA 的匯報，讓每個人都有提問、討論的機會。這樣一來，一個人的學習就變成了大家的共同學習。這種方式挺獨特的，符合他的一貫風格。”

每周一開會的時候，大家先輪流描述自己的問題，弗里斯頓邊聽邊踱步，他把眼鏡架在鼻尖上，所以每每要看發言者的時候總會低下頭去打量他們。接下來的幾個小時他會依次回答這些問題。即使是最混亂不清的問題，他也會帶著禮貌迅速給出回答。這種問答環節——我稱其為“向卡爾提問”組會——是集耐力、記憶、知識廣度和創造性思維于一體的卓越成就。

在學術生涯前半期，弗里斯頓設計了許多重要工具，極大推動了對人類大腦的研究，他因此一躍成為學術界的“英雄”。1990 年，他發明了統計參數映射（statistical parametric mapping），用一位神經科學家的話說，這種計算工具能夠將大腦影像“壓縮”成一致的形狀，研究人員可以借此對顱內活動進行逐一比對。在統計參數映射的基礎上，發展出了基于體素的形態學分析（voxel--based morphometry）。在一項著名研究中，應用上述成像技術，研究者發現倫敦出租車司機大腦海馬體的后側會隨著“道路知識”的積累而變大。

2011 年?Science?上發表的一項研究，使用了弗里斯頓發明的第三代腦成像分析軟件——動態因果模型（dynamic causal modeling）來判斷嚴重腦損傷的患者是具有輕微意識，還是已經成了植物人。

弗里斯頓 2006 年入選英國皇家學會（the Royal Society of Fellows），學會評價其對腦科學具有 “革命性”的影響，并表示超過 90% 已發表的腦成像領域論文使用了他的方法。2016 年，弗里斯頓成為了世界上被引用次數最高的神經科學家，他的 h-index（衡量科學家論文影響力的參數）幾乎是阿爾伯特·愛因斯坦的兩倍。2017 年，在過去二十多年中成功預測了 46 位諾獎得主的科睿唯安（Clarivate Analytics），將弗里斯頓列為可能獲得諾貝爾生理學或醫學獎的三人之一。

然而值得一提的是，如今拜訪弗里斯頓的“朝圣者”，很少再談論腦成像問題。這些訪客迫切想弄明白的事情，大多都和腦成像無關。

過去的十來年中，弗里斯頓花了大量的時間精力來研究自己稱為“自由能量原理”（free energy principle）的想法（他把自己的神經成像研究叫做“工作”，就好比一個爵士音樂家說自己在圖書館值班，只是糊口的一種途徑）。有了這一理論，弗里斯頓堅信自己確定了所有生命，甚至所有智慧體的組織原理。他解釋說：“有哪些行為是一個活生生的人一定會表現出來的呢？”

但壞消息迎頭而來：自由能量原理實在是太令人費解了。幾乎所有談到這個理論的人，包括在其基礎上開展工作的科研人員，都說自己還沒完全搞懂。

但這些人又會急匆匆地補充，自由能量原理的核心其實十分簡單，它解決了一個再基礎不過的難題。熱力學第二定律告訴我們，宇宙會朝熵增的方向發展，走向消亡，但生物體卻不會。弗里斯頓認為，從單細胞生物到擁有數十億神經元的人類大腦，所有具備組織形式的生命都由同樣的命令驅動，這種普遍存在的命令可以簡化為數學函數。弗里斯頓認為，生命只要存在，就會不斷減少個體期望與感官感受之間的差距。或者用他本人的話來說，就是讓自由能量最小化。

想要了解上述原理的潛在意義，你只需看看周一上午會有哪些人堵在 FIL 門口就行了。有些人希望用自由能量原理統一心智理論，建立一個新的生物學基礎，解釋已知的生命現象；有些人希望借助自由能量原理，從大腦功能性研究的角度來夯實精神病學研究的基礎；還有一些人希望通過此原理突破人工智能研究的重重阻礙。他們不約而同地出現在這里，是因為他們相信能深刻領會卡爾·弗里斯頓自由能量原理的人，也許只有他本人。

弗里斯頓不僅在他自己的領域內極具影響力，在全學科范圍內也是一位多產的學者。如今 59 歲的他，仍不分晝夜地工作，2000 年至今發表了 1000 余篇學術論文。僅 2017 年一年，他作為通訊作者或共同作者出版的成果就多達 85 篇，平均每四天就有一篇論文被發表。

弗里斯頓小心翼翼地維護著自己的內心世界，避免外界因素前來打擾，其中之一就是“擔憂他人”。與私下聊天相比，他更喜歡上臺演講，和他人保持舒適的距離。他從不用手機、喜歡穿深藍色的西裝，店鋪清倉時會一次買兩套；他覺得自己每次去皇后廣場的路上常常遇到“讓人頭大”的打攪，所以經常刻意遠離人群，即使在國際會議上也是如此——他不喜歡大力鼓吹自己的想法。

與此同時，弗里斯頓卻能敏銳、透徹地領悟到自己作為一名學者的驅動力。他認為認真思索花費數周才能破解的難題，能給自己帶來一種難以言說的舒緩和釋放，這和溜出去抽煙一樣讓人愉悅。他認為自己從童年起，就對尋找方法來整合、統一并簡化這個充斥著“干擾噪音”的世界感到癡迷。

弗里斯頓回憶，自由能量原理的誕生要追溯到八歲一個炎熱的夏天。有一天他在花園玩，翻過一根舊木頭時，他發現了幾只木虱，他認為這種小蟲子在極力尋找新的黑暗處避難。但盯著它們看了半個小時后，他發現這些小蟲子并沒有像他想的那樣在尋找暗處。

他意識到木虱的運動其實毫無目的，至少不像人類坐上車之后有個明確的目的地。這些木虱只是隨意爬，太陽越大，爬得越快。

弗里斯頓把這次經歷稱為他的“第一次科學思考”，他說，那一刻“所有關于生存及其目的的人格化解釋，瞬間從腦海中剝離。你必須全盤接受自己的觀察結果，沒有其它的解釋。”

弗里斯頓的父親是一名土木工程師，需要在英格蘭全境內的橋梁上工作，因此一家人會隨著他各地搬家。到十歲的時候，弗里斯頓已經換了六所學校。老師們無法因材施教，所以他常常獨自破解各種問題。10 歲時他發明了一種能自動修正的機器人，可以通過自我校正系統攜帶一杯水通過不平坦的地面而不撒出來。但是學校卻找了個心理學家詢問他是如何設計出來的。一貫給予他鼓勵的母親安慰道：“你非常聰明，卡爾，不要理會別人對你的評頭論足。”但他當時不相信。

到了十幾歲，弗里斯頓又經歷了一次“木虱時刻”。他看完電視回到臥室的時候，恰巧注意到窗外盛開的櫻花樹，一個令他一生難忘的想法在腦海中閃出：“肯定有一種從零開始理解萬物的方法。如果我從一個點開始考慮，可以推導出整個宇宙嗎？”他躺在床上想了很久，但第一次嘗試“很明顯以失敗告終”。

中學快畢業時，弗里斯頓和同學參與了一項計算機職業咨詢實驗。他們要回答一系列問題，機器會就此預測出最適合他們的職業。弗里斯頓描述了自己對電子設計和在自然中獨處的喜愛，機器卻建議他當電視天線安裝工。這顯然不對勁，所以他還是去了學校的職業咨詢處，說他想在數學和物理學的背景下研究大腦。顧問老師建議他當一名醫生，這就意味著，弗里斯頓必須學習醫學。

他先在劍橋大學學習物理學和心理學，隨后接受了醫學教育。完成學業后，弗里斯頓搬到牛津，在成立于維多利亞時代的利特摩爾醫院（Littlemore Hospital）作了兩年實習醫生。分配給弗里斯頓的任務是照顧 32 名慢性精神分裂癥患者。正是這些患者讓他開始思考：大腦中的連接為何能被輕易破壞？弗里斯頓帶著一絲眷戀回憶到，“那兒真是個理想的研究地點，有著濃厚的精神病理學氛圍。”

他每周組織兩次 90 分鐘的治療會，會上患者們會一起探討他們的“小問題”，這和今天的“向卡爾提問”組會十分類似。30 多年過去了，這些形形色色的患者仍能激發卡爾的深思。比如患者 Hillary，看上去神似《唐頓莊園》中那個淳樸的廚娘，但現實中，她在被送來醫院之前，用菜刀砍死了自己的鄰居，因為她“確信鄰居是一只邪惡的人形烏鴉”。

20 世紀 90 年代早期，弗里斯頓在離開利特摩爾醫院之后，曾嘗試用當時比較新穎的正電子放射斷層掃描成像技術（PET）來研究精神分裂癥患者大腦內部的病變。在此期間他發明了統計參數映射。發明之時他就堅持，該技術是自由共享的，不搞專利化和商業化，因此今天這項技才能被廣泛使用。當時，弗里斯頓還會飛往世界各地，比如美國馬里蘭州（Maryland）貝塞斯達（Bethesda）國立衛生研究院（the National Institutes of Health），把軟件交給科研人員。弗里斯頓描述：“我常常會帶著一堆生物特征測量數據磁帶坐上飛機，到了目的地再把內容下載下來，接著花上一天調試軟件，教會別人如何操作，最后再飛回家休息。當時開源軟件就是這么傳播的。”

1994 年，弗里斯頓搬到皇后廣場，FIL 給他安排的辦公室讓弗里斯頓和蓋茨比計算神經科學組（Gatsby Computational Neuroscience Unit）做了很多年的鄰居。當時蓋茨比科學組由它的創始人、認知心理學家、計算機科學家杰弗里·辛頓（Geoffrey Hinton）負責，他們正在研究生命體系和機器系統中的認知學習理論。這時 FIL 在神經影像學領域正處于領先地位。蓋茨比科學組為有志于將數學模型應用在神經系統中的學者們提供了訓練的平臺。

辛頓對那些艱深的統計模型有種“孩童般的熱情”。和很多人一樣，弗里斯頓很快就被辛頓所吸引，二人成了朋友。

在辛頓的影響下，弗里斯頓逐漸相信，研究大腦的最好方法，就是將它想象成一臺貝葉斯概率機（Bayesian probability machine）。19世紀赫曼·馮·亥姆霍茲（Hermann von Helmholtz）在其工作中就曾提出過這一觀點，認為大腦以概率的方式計算和感知世界，根據接收到的信息調整想法、進行預判。在最流行的現代貝葉斯模型中，大腦像個“推理引擎”，目的是最大限度減少“預測誤差”。

2001 年辛頓離開倫敦，前往多倫多大學。在那里他逐漸成為人工智能領域舉足輕重的科學家之一，為現今深度學習算法（deep learning）的研究奠定了堅實的基礎。

辛頓離開之前，弗里斯頓最后一次拜訪了這位蓋茨比科學組的朋友。辛頓向他描述了自己設計的一種新技術，通過整合多個概率模型的輸入，使計算機程序能更有效地模擬人類進行決策， 該技術目前在機器學習中被稱為“專家乘積系統（product of experts）”。

這次見面讓弗里斯頓深受啟發，出于“智力互惠”的考慮，弗里斯頓將他的筆記拿給了辛頓。在這些筆記中他曾嘗試將某些看似“不相關的大腦解剖學、生理學和心理物理結果”聯系起來。2005 年，弗里斯頓將筆記整理成論文發表出來，這是他第一篇研究自由能量原理的論文，之后他又發表了數十篇。

即使是弗里斯頓本人，也很糾結自由能量原理該從何講起。他經常讓大家自行搜索維基百科。但對我來說，從弗里斯頓辦公室的一張毯子講起可能會容易一點。

弗里斯頓辦公室一角。圖片來源：Wired；攝影：Kate Peters

這張印有俄羅斯數學家安德烈·安德烈耶維奇·馬爾科夫（Andrei Andreyevich Markov）的羊毛掛毯，是弗里斯頓的兒子送給他的惡作劇禮物，隱藏著一個有關自由能量原理核心理論的笑話。馬爾科夫毯（Markov blanket）就是用這位數學家的名字來命名的。在機器學習中，馬爾科夫毯能起到分離的作用，將分層系統中的某組變量與其他變量區分開來。心理學家克里斯多福·佛利斯（Christopher Frith，h-index 跟弗里斯頓一樣高）曾將馬爾科夫毯形容為“認知版本的‘細胞膜’，保護毯內狀態不受外部影響。”

在弗里斯頓看來，宇宙是一個馬爾科夫毯的嵌套結構。我們都有各自的馬爾科夫毯，把我們和外界的影響分隔開。每個人身體內部也存在各式各樣的馬爾科夫毯，有分隔器官的、分隔細胞的，還有分隔細胞器的。在馬爾科夫毯的保護下，生物體內的物質經歷一段時間后，仍能保持其特性。沒有了馬爾科夫毯， 我們只能化作一團熱氣消失在蒼穹下。

自由能量理論的概念本身來自物理學，這意味著如果不引入數學公式，就很難把它解釋清楚。從某種意義上說，自由能量之所以強大，是因為它不僅僅是一個文字化的概念，更是一個可測量的量，從而能夠被模型化，其過程與弗里斯頓引起世界轟動的腦成像建模十分相似。但如果將這個數學上的概念翻譯成文字，得到的結果大概是這樣的：自由能量是期望狀態與測量狀態之差。換句話說，當你把自由能量最小化，也就意味著意外最小化。

弗里斯頓認為，無論是原生動物還是職業籃球隊，任何能夠抵抗無序和分解趨勢的生物系統，都遵循自由能量原理。

單細胞生物和大腦一樣，都存在減小意外的特定機制。兩者唯一的區別在于，隨著自組織生物系統的發展，人擁有了非常復雜的腦結構，吸收了數十億感受器傳來的信息，并將這些信息有效地組織成精確的世界模型。弗里斯頓說：“從某種意義上講，大腦十分奇特，它所形成的假設，能夠解釋從感受器傳來的無窮無盡的世界模式。”在對接下來幾波感受進行預測的過程中，大腦不斷地根據感受器得到的信息做出推斷，并努力將錯誤預測信號最小化。

你可能已經注意到，目前為止這聽起來很像辛頓上世紀 90 年代講給弗里斯頓的貝葉斯理論——大腦是一個“推理引擎”。事實上，弗里斯頓認為貝葉斯模型是自由能量原理的基礎，“自由能量”大體等同于“預測誤差”。弗里斯頓認為貝葉斯模型的局限性在于，它只解釋了信念與感知之間的相互作用，但是它不能解釋信念與身體或動作之間的關系。比如它并不能讓你離開椅子。

這對于弗里斯頓來說還不夠，他使用“主動推理”一詞來描述有機體在世界中活動時最大限度地減少意外的方式。弗里斯頓認為，當大腦做出的預判不能很快被感受器證實時，大腦可以通過以下兩種方式之一來使自由能量最小化：修改預判——接受意外，允許錯誤，更新世界模型；或者主動讓預判成真。比如我的大腦預判我將會用左手食指觸摸自己的鼻子，但是本體感受器反饋的信息是左臂還垂在身體一側，那我就可以抬起手臂，把手指壓在鼻子上，將大腦的錯誤預判信號最小化。

這也就是這個理論為何能解釋我們所做的一切：感知、行動、計劃、解決問題。坐車去辦事，就是用行動將假設變為現實，從而最小化自由能量。

那如果預判不能自我實現又會怎樣呢？一個系統被意外淹沒后會是什么樣呢?事實證明，自由能量原理不僅僅是統一行為，認知和計劃的理論，也是一種精神疾病理論。假若大腦對感官涌入的證據不夠重視或者太過重視時，就會出問題。例如，精神分裂癥患者可能無法更新他們的世界模型來解釋獲得的視覺信息。原本看到的應該是友好的鄰居，病人看到的沒準是一只巨型的邪惡烏鴉。弗里斯頓解釋：“你想想看，精神病，甚至大多數神經系統疾病，只不過是破碎的信念或者錯誤的推斷，也就是幻覺和妄想。”

過去幾年，弗里斯頓和其他一些科學家利用自由能量原理來解釋焦慮、抑郁和精神病，以及自閉癥、帕金森病等癥狀。多虧了弗里斯頓的神經成像方法，科學家們已經知道了不同的疾病中大腦哪些區域容易出現功能障礙，哪些信號會受到干擾。但僅此一點還不夠。弗里斯頓說：“我們還不了解大腦中具體哪些連接（神經突觸）出了問題，得有個涉及內心認知的微積分才行。”

也就是說：自由能量原理為大腦的運轉和失靈提供了一個統一的解釋，因此我們有理由相信，它可能引領我們走上一條從頭開始理解心智的道路。

過去幾年，以圖像、人臉以及語音識別為典型代表的機器學習算法在計算機領域取得了飛速發展。但它需要大量的前期數據及人的監督，而且普適性很差。除了圖像或語言識別，機器學習還存在一種叫做強化學習（reinforcement learning）的算法，在贏得圍棋、國際象棋、打磚塊（Atari’s Breakout）等各種游戲的過程中表現出色。強化學習不需要人類對海量訓練數據進行標注，只需要指導神經網絡尋求某種獎勵——通常是游戲的勝利。神經網絡在一遍又一遍玩游戲的過程中學習，不斷優化動作直至打通最后一關，就好比狗狗為了得到獎勵而學習執行特定任務。

問題在于，強化學習也有很大的局限性。現實情況中大多數目標都不是單一的、狹義的；而且大多數情形都不像游戲那樣，由穩定的規則約束。人工智能背后宏偉的目標在于，讓機器以人類的方式思考，但是目前強化學習做不到。

對于弗里斯頓和他的支持者來說，以上失敗有因可循。畢竟自由能量原理認為，人類思考的根本動力不是尋求某種任意的外在獎勵，而是最小化預測誤差。顯然，人工智能也該如此模仿。好消息是，自由能量原理背后那些很難翻譯成文字的貝葉斯公式，已經用機器學習語言編寫出來了。

2017 年末，倫敦國王學院（King’s College London）神經系統科學家、工程師羅莎琳·莫蘭（Rosalyn Moran）領導的一個團隊，讓兩名 AI 玩家在 3D 射擊游戲《毀滅戰士》（Doom）中對決，以比較自由能量（主動推理）驅動與獎勵最大化驅動的差別。

由獎勵最大化驅動的 AI，目標是在游戲中殺死一只怪獸；主動推理驅動 AI 的目標是意外最小化。后者開始時進程緩慢，但后來它表現得像是掌握了游戲的模式一樣，比如它好像意識到，自己向左移，怪物就會向右移。

一段時間后人們發現，即使在游戲環境中，獎勵最大化 AI 表現明顯“沒那么穩定”；主動推理 AI 則會更好地適應環境。莫蘭描述：“因為有了探索，它比強化學習 AI 的表現要好。”在另一場模擬中，主動推理 AI 與真人玩家對決時它的表現與上面的情況相似：一開始也沒急于求成，先積極探索環境，而后快速達到了真人玩家的水平。

莫蘭告訴我，主流的深度學習理論正在逐漸接受自由能量原理。弗里斯頓有學生去了 DeepMind 和 Google Brain 工作，還有一名還創建了華為的人工智能理論實驗室（Huawei’s Artificial Intelligence Theory lab）。但它還沒像強化學習方法那樣普遍，現在計算機專業的本科生都在鉆研強化學習，“但他們還沒接觸過自由能量原理。”

我第一次問弗里斯頓自由能量原理和人工智能有什么聯系的時候，他預測在 5~10 年內，大多數機器學習算法將會把自由能量原理整合進去。問到第二次，他告訴我：“想想它為什么叫主動推理（active inference），”邊笑邊等著我回味他的文字游戲，露出潔白的牙齒。“因為簡稱是AI呀。所以主動推理是新的 AI 嗎？當然啦，簡稱一樣啊。”

2010 年，哥倫比亞大學（Columbia University）的精神病學家彼得·弗利德（Peter Freed）找來 15 名研究大腦的同行，一起討論弗里斯頓的一篇論文。弗利德后來在文章里回憶：“我們中懂數學的人還挺多：三名統計學家，兩名物理學家，一名物理化學家，一名核物理學家，還有一大群神經影像學家，但還是沒能理解那篇論文。后來我又找了一位普林斯頓大學的物理學家、一位斯坦福大學的神經生理學家一位，以及一位冷泉港的神經生物學家，還是沒有結果。每次都一樣：論文里有太多公式、假設、運動部件了，理論也很全局化，我們連問題都不知道從何問起，所以大家都放棄了。”

很多人被弗里斯頓晦澀難懂的理論弄得很惱火，但同時也有許多人認為他的理論如同達爾文的自然選擇學說一般，開啟了新世界的大門，每一部分都蘊含了深奧的道理。加拿大哲學家麥克斯韋·拉姆斯特德（Maxwell Ramstead）在 2014 年首次閱讀弗里斯頓的論文之前，就已經在尋找方法，將不同層次的復雜生命系統關聯起來——從細胞到大腦，從個體到社會。2016 年他見到了弗里斯頓，后者告訴他，適用于細胞分化的數學方法，也可以應用于文化動力學。拉姆斯特德說：“這是一次改變人生的談話，我都激動得要流鼻血了。”

拉姆斯特德表示，在弗里斯頓提出自己的理論之前，“我們都在這個多學科空間里尋覓，卻沒有連通各領域的通用貨幣。自由能量原理的出現帶來了這種貨幣。”

2017 年，拉姆斯特德、弗里斯頓與墨爾本大學（the University of Melbourne）的保羅·巴德科克（Paul Badcock）合作發表了一篇論文，文中用馬爾科夫毯解釋了所有生命形式。單個細胞是為了生存而將自由能量最小化的馬爾科夫毯系統，部落、宗教和物種也是如此。

這樣看來，自由能量原理似乎已經發展到了能夠包含萬物的程度（弗里斯頓告訴我，癌癥和腫瘤可能就是細胞接收到錯誤的訊息時產生的錯誤推理）。但人們還有疑問：有什么是這個涵蓋萬物的理論解釋不了的呢？

我與弗里斯頓聊起這個話題的時候，他本人的語氣則更為謹慎，他只表示主動推理及其推論前景廣闊，還幾次承認自己的理論可能“毫無價值”。在 FIL 小組會議上，他告訴大家，這個理論不是要求生物為了生存而最小化自由能量，而僅僅是對生物自我組織的一種解釋。

弗里斯頓認為，自己有兩個主要工作目標。當然在自由能量原理的基礎上，能發展出真正的人工智能再好不過，但這并不是他的首要目標。相反，他最大的愿望是推進精神分裂癥研究，幫助修復千千萬萬精神疾病患者的大腦。他的第二個目標則“自私得多”——這需要回溯到他十幾歲在臥室看櫻花的那個晚上，“我能找到一種最簡單的、解釋萬物的理論嗎？”

他說：“這個目標有點任性。不是出于對臨床患者的同情，而是一種私欲，只想盡可能對萬物有個全面、嚴格、簡單的理解罷了。我經常想起人們和我開玩笑說很難和我交流，這些玩笑有時出于惡意，有時出于打趣。但不管怎樣我都會想，我的理論又不是寫給你的，這是寫給我自己的。”

本文來自微信公眾號“科研圈”

寶寶起名