自由能AI认知框架优点123456
1 在主动推理下，感知和行动是完成同一命令的两种互补方式:最小化自由能。感知通过(贝叶斯)信念更新或改变你的想法来最小化自由能(和惊喜)，从而使你的信念与感官观察兼容。相反，行动通过改变世界，使之与你的信念和目标更加一致，从而使自由能量(和惊喜)最小化。 这种认知功能的统一标志着主动推理与其他孤立对待行动和感知的方法之间的根本区别。学习是另一种最小化自由能的方法。但是，它与知觉并没有本质的不同；它只是在一个较慢的时间尺度上运作。感知和行动之间的互补性将在第二章中阐述。
2 除了推动当前的行动选择以改变当前可用的感觉数据之外，主动推理框架还适应规划——或者选择未来的最佳行动过程(或政策)。这里的最优性是相对于预期的自由能来衡量的，并且不同于上面在行动和感知的上下文中考虑的变分自由能的概念。事实上，虽然计算变分自由能依赖于现在和过去的观察，计算预期自由能也需要预测未来的观察(因此术语预期)。有趣的是，策略的期望自由能由两部分组成。第一个量化了政策预期解决不确定性的程度(探索)，第二个量化了预测的结果与代理人的目标有多一致(开发)。与其他框架相比，主动推理中的策略选择自动平衡了探索和利用。变分自由能和期望自由能之间的关系将在第二章解开。
3 在主动推理下，所有认知操作都被概念化为基于生成模型的推理，这与大脑执行概率计算的想法一致，也称为贝叶斯大脑假设。 然而，诉诸贝叶斯推理的特定近似形式——即由第一原理驱动的变分方案——增加了过程理论的特异性。此外，主动推理将推理方法扩展到很少考虑的认知领域，并为生物大脑可以实现的模型和推理过程增加了一些特异性。在某些假设下，从主动推理中使用的生成模型中出现的动力学与计算神经科学中广泛使用的模型密切对应，如预测编码(Rao和Ballard 1999年)和亥姆霍兹Helmholtz机器(Dayan等人1995年)。变分方案的细节将在第四章中阐述。
4 在主动推理下，感知和学习都是主动过程，原因有二。首先，大脑本质上是一个预测机器，它不断地预测到来的刺激，而不是被动地等待它们。这一点很重要，因为感知和学习过程总是受到先前预测的影响(例如，预期和意外刺激以不同的方式影响感知和学习)。第二，参与主动推理的生物会主动寻找显著的感官观察，以解决它们的不确定性(例如，通过定向它们的传感器或选择信息丰富的学习片段)。 感知和学习的主动特征与当前大多数理论形成了鲜明的对比，这些理论将感知和学习视为被动的过程；这将在第2章中展开。
5 行动本质上是目标导向和有目的的。它始于一个期望的结果或目标(类似于控制论中设定点的概念)，它被编码为一个预先的预测。规划通过推断实现该预测(或者等效地，减少先前预测和当前状态之间的任何预测误差)的动作序列来进行。 主动推理中行动的目标导向特征与早期的控制论公式一致，但与大多数用刺激-反应映射或状态-行动策略来解释行为的当前理论不同。刺激反应或习惯性行为就成了主动推理中一系列策略的特例。主动推理的目标导向性质将在第二章和第三章中展开。
6 主动推理的各种结构在大脑中有看似合理的生物类似物。这意味着，一旦一个人为手头的问题定义了一个特定的生成模型，他就可以从作为规范理论的主动推理转向作为过程理论的主动推理，后者做出特定的经验预测。例如，知觉推理和学习分别对应于改变突触活动和改变突触效能。预测的精度(在预测编码中)对应于预测误差单元的突触增益。策略的精确性对应于多巴胺能活性。主动推理的一些生物学后果将在第五章中阐述。
有趣的是，主动推理的一些最独特的预测出现在连续时间公式中，如运动产生源于预测的实现，以及注意现象可以从精确控制的角度来理解。我们还介绍了主动推理的混合模型，包括离散和连续时间变量。这允许同时评估离散选项(例如，迅速扫视的目标)中的选择和由该选择导致的连续运动(例如，动眼运动)
节选自：Parr, Thomas; Pezzulo, Giovanni; Friston, Karl J.. Active Inference (pp. 7-8). MIT Press.
https://www.amazon.com/Active-Inference-Energy-Principle-Behavior-ebook/dp/B096DBD7GX/
参考：
腾讯云开发者
