如何从科学模型角度看待自由能原理框架？
如何从科学模型角度看待自由能原理框架？
paper：The Math is not the Territory: Navigating the Free Energy Principle
全文约5600字
1 摘要
自由能原理(FEP)已经见证了广泛的哲学参与——从一般科学哲学的角度和从特定科学的哲学的角度:认知科学、神经科学和生物学。关于 FEP 的文献试图得出具体的哲学承诺和框架的推论。但是,从科学哲学的角度来看, 最基本的问题仍然是开放的:FEP 属于什么学科?它是否提出了可证伪的主张?它是什么样的科学物体?它是作为自然界中偶然事件的一种表现吗? 是否构成知识?它在实证研究中扮演什么样的角色?FEP 真的属于科学领域吗?从某种程度上说,现存的文学作品一直在恳求、回避、驳斥和回避这些问题,从未正面解决过它们。我强烈要求,在我们对 FEP 的哲学后果取得任何进展之前,这些问题必须得到满意的回答。我在本文中采取了初步的步骤来回答这些问题,首先通过仔细检查框架的关键形式要素及其对其效用的影响,其次通过根据大量关于科学建模的哲学文献,强调解释 FEP 的潜在模式。
2 介绍
弗里斯顿本人给我们的唯一提示是,他将 其 称 为 规 范 理 论 或 规 范 模 型 , 与 他 所 称 的 过 程 模 型(Hohwy,2020a,2020b 施瓦滕贝克、菲茨杰拉德、多兰和弗里斯顿,2013 年)。与 FEP 相关的过程模型包括主动推理、预测编码和各种属于预测处理的更一般标签下的模型(Friston & Frith,2015;弗里斯顿、菲茨杰拉德、里戈利、施瓦滕贝克和佩祖洛,2017 年)。关于 FEP 的三个基本事实源于其作为规范模式的地位:1 .FEP 是不可证伪的,也不适合直接产生预言或假设;2.FEP 不切割自然的接合处——也就是说,它不照亮自然种类之间的界限;3.FEP 不提供机制。规范模型-过程模型的区别来自于数学心理学, 因此是认知和行为的数学或计算模型所特有的。然而,以此为起点,我们可以看到 FEP 是如何与一些更为领域通用的科学建模文献相适应的
文章将简要复述一下规范模型(卢斯,1995 年)、探索模型(弗丽嘉&哈特曼,2020 年)、无目标模型(魏斯伯格,2013 年)以及一般和概念模型(巴兰迪亚兰,2008 年)。这些不同的模型旨在作为启发法(Chemero,2000,2009),原则的证明(弗丽嘉&哈特曼 , 2020 ; Gelfert , 2016) , 探 索 指 南 (Barandiaran & Chemero 2009Chemero,2000,2009),甚至作为一种讲故事的支架,为新的调查途径铺平道路。
然而,为了了解科学模型的文献如何符合 FEP,我们首先需要对 FEP 是什么以及不是什么有一个明确的认识。这将需要消除一些关于框架的错误假设。首先,我追溯了 FEP 的历史发展,说明了形式主义从何而来,以及它所代表的意义。
（自由能介绍略去，可以参考文末之前的文章。）
6 模型
所有的模型都是错的,但有些是有用的。乔治·博克斯,1987 年,第 424 页
6.1
如果 FEP 可以被用来代表现实世界的系统,它只是在如此高的抽象层次上不可伪造。该框架的元素没有映射到现实世界系统的任何已知特征上——至少没有比这种系统的因果动力学更精细或更具体。FEP 可以提供一个原则的证明。它可以说明理论对象之间的概念关系,例如生命和精神。FEP 可能不被理解为一个特定目标系统的模型,而是一类系统的通用模型。因此,它的用处可能是在一个单一的正式框架下促进几种现象的统一。与牛顿在万有引力方面的工作相比:牛顿的革命性贡献不在于详细描述与万有引力相关的现象背后的机制——他对万有引力的“物理位置”保持完全不可知论——而是表明一系列独特的现象——天体力学、从地球表面发射的抛射体的轨迹、潮汐模式——都可以在一个单一的数学框架下处理。
虽然我仍然不知道 FEP 的代表性地位,但我遵循 Birch(2017)对进化生物学中的优化模型的分析,认为 FEP 不应该被误认为是构成自然系统的知识。
FEP 等高度理想化的模型扮演的另一个角色是更具体模型的生成器,要么通过填充细节,要么通过在一般性和特殊性之间权衡取舍。FEP 也被理解为对与之相一致的各种过程理论提出了要求。
生命体的组织和动态、大脑的功能架构、人类社会系统的结构——这些是已知存在的最复杂的系统。研究这些系统的科学相对来说还很年轻,可能永远达不到面向更简单系统的科学的成熟。在许多方面,生命科学、认知科学、神经科学和形式社会科学仍然处于试图获得方法论的阶段。高度理想化的模型,如范式或优化模型,有助于我们关注其他难以处理的现象。
6.3 数学心理模型差异的起源
Luce (1995)在认知过程的数学模型中引入了四个区别。将过程模型与现象模型进行对比,将规范模型与描述模型进行区分,将动态模型与静态模型进行对比,并区分噪声和结构。现象学模型类似于物理学中的现象学方法;它们捕捉总体行为和属性,但没有具体说明内部结构或对潜在原因或机制的推测。另一方面,过程模型打开了思想的黑匣子。它试图根据大脑中的信息流来理解一些认知过程——尽管这种信息处理模型或多或少带有神经生物学的现实性。卢斯指出,“大多数数学建模者,虽然有时受到神经数据的启发,但他们假设的机制比在神经水平上发现的机制要抽象得多,功能性也更强”(1995 年,第 10 页)。在规范模型下,假设推理应符合形式逻辑、归纳和信念,例如,贝叶斯规定的推理和可信度,或具有优化效用函数结果的决策。相比之下,描述性模型代表了做出选择、通过问题进行推理以及在观察到的情况下进行推理的认知过程——尽管它可能是混乱的、次优的和非理性的。
在接下来的章节中,我们将回顾关于相邻种类模型的哲学文献,希望这将有助于我们理解一个高度抽象的、不可伪造的形式模型, 如 FEP 模型,是如何具有科学效用的。当然,最终 FEP 在这方面是否有用将是一个经验问题——在两种意义上都是如此。
FEP 是一个规范性模型;主动推理、预测处理和预测编码是过程模型。Friston 的是对 Luce 在 1995 年提出的四部分类法的改编,目的是描述认知心理学中数学模型的目的和范围。根据卢斯的描述,规范模型以一种使心理过程符合逻辑或理性规范的方式来描述心理过程。这与描述性模型相反,描述性模型忠实地表现了人类认知的混乱。现象学模型提供了一个外在的行为描述,可以说没有“打开黑盒”。另一方面,过程模型提供了内部结构、机制和信息流的规范。然而,Friston 对规范模型和过程模型之间的区别的运用比这更进一步。
它暗示了规范模型和过程模型之间的某种类似方法上的优势的关系。因此,FEP 是一个伞状框架,预测处理、预测编码和主动推理的一个版本,其过程模型,随着抽象的减少和粒度的增加而下降。作为一个规范模型,FEP 旨在帮助生成过程模型,并为可行的过程模型提供约束。然而,FEP 本身并不受制于经验数据。它的优点不在于逼真。
许多对建模实践感兴趣的科学家和科学哲学家在试图确定模型与理论、解释、知识、数据以及最终与真实世界系统的关系之前,选择了沿着多维度划分科学建模空间。
6.5 探索模型
Gelfert (2016)声称探索性建模可以服务于四个不同的认知目标。这些包括,首先,当目标系统的具体性质——以及如何将其与其他潜在的研究系统区分开来——模糊不清时,评估目标系统的适用性。探索性建模的第二个目的是原理证明,它可以包括模型和目标系统之间或现象和潜在机制之间的某种映射关系的概念证明。一个探索性的模型也可能产生一个潜在的——相对于一个必要的——对一些感兴趣的系统的解释。这被称为“如何可能”的解释形式。最后,探索性模型可以进一步研究以极其广泛的笔触描绘某种类型的自然现象的目的,这将作为以后研究的出发点,通常是通过更精细的模型。用Gelfert 的话来说,探索性模型能够提供“概念清晰性”,同时“在很大程度 上 保 持 关 于 模 型 组 成 部 分 的 精 确 性 质 的 实 质 性 本 体 论 承诺”(Gelfert,2016 年,第 88 页)。
6.6 有无具体目标的建模
Weisberg (2013)同样为科学模型制定了一个有用的分类法:他区分了具体的、数学的和计算的模型。跨越这三重区别的是他所谓的面向目标的建模和没有特定目标的建模之间的划分。在后一类中,我们发现了广义建模、最小建模、假设建模和无目标建模。目标导向模型是为了预测、控制或解释特定系统在特定条件下的行为而建立的模型具体情况。例如,我们可能有关于在亚马逊雨林观察到的一些蚁群中某一特定蚂蚁物种的觅食行为的数据,我们可能会构建一个模型,以发现关于这一特定蚂蚁物种的行为学和生态学的一些东西。话说回来,我们可能想更广泛、更抽象地思考觅食行为——脱离特定生态环境中特定物种的特定种群的细枝末节。从抽象的角度考虑生物体在不规则栖息地觅食所带来的问题,我们可能会察觉到觅食和经济模型之间的共鸣,这些模型在我们面临收益递减的情况下处理优化决策。我们可能会提出一个高度理想化的、有机体和环境通用的觅食模型。这后一种方法就是韦斯伯格称之为建模一个广义的目标。
6.7 无目标模型
无目标建模是另一种没有特定目标的建模形式。正如 Weisberg 所描述的, 无目标建模的一个显著特征是,模型从不与经验科学的结果直接接触:“唯一的研究对象是模型本身,而不考虑它告诉我们关于任何特定现实世界系统的信息”(Weisberg,2013 年,第 129 页)。无目标模型本身从未用于假设或预测的产生,也从未适合数据。无目标模型的构建和分析“最类似于纯数学分析”(Weisberg,2013 年,第 129 页)。通常,这种模型被用来在非常高的抽象层次上构建对非常一般的自然现象的解释。如果成功的话, 这些模型通常会产生推论,而推论本身会与数据相互作用。但是无目标模型的力量在于它脱离了现实世界的系统。它仍然像广义模型一样,代表了自然现象的一些大类。然而,与广义模型不同的是,无目标模型旨在作为科学研究的对象,独立于实验结果之外。Weisberg 提出了一类称为细胞自动机的计算模型,作为无目标模型的示例。特别是,他专注于一个被称为康威生命游戏的细胞自动机模型。
6.8 模型和模拟
Barandiaran 的工作特别适合我们评估 FEP 的需要,因为 Barandiaran 将他的职业生涯和他对模拟科学的分析集中在理论和模型上,这些理论和模型属于所谓的生命-思维连续性方法的范畴:即寻求发现、表现或评估最简单的生物组织和复杂的认知系统共有的动力学原理的方法。生命-心灵连续性方法存在于理论和实证研究的边缘。它们占据了一个令人不舒服的领域,既高度具体又极其抽象。发展螳螂虾色觉的解释或运动蛋白的运动模式相对来说比较直接,也可以比较直接的评估。科学家提出的理论和模型与他们收集的数据之间往往有着明确而直接的联系。
然而,生命-心智连续性方法是高水平的,并且存在于经验未知的水域中,严重依赖于模拟工作。这些方法以及支持它们的技术也相对较新。
出于这个原因,试图批判性地评估这一领域工作的性质和结果的哲学家们——如巴兰迪亚兰——不得不构建自己对这项工作如何进行的解释。
6.9 通用和概念模型
巴兰迪亚兰(2008;Barandiaran & Chemero 2009)对生命和认知科学中的计算机模拟进行了深入分析,特别是人工生命或 alife 模型。他为我们提供了一个分类法,包括功能模型、机械-经验模型、一般模型和概念模型。这些模型在某种程度上是根据它们所代表的内容以及如何对它们进行评估来分类的。前两个——机械经验模型和功能模型——是根据经验评估的,也就是说,根据从一些现实世界系统中收集的一些数据进行评估。后两种——一般模型和概念模型——是从理论上评估的,这意味着它们是根据理论或形式主义评估的。通用模型“用于发现或分类复杂系统的通用属性”(Barandiaran,2008 年,第 53 页)。另一方面,概念模型通过与理论概念的共鸣来解释。“抽象概念模型,”巴兰迪亚兰写道,“用于概括或比较一般概念(如涌现、复杂性或层次)的定义,而特定领域的概念模型则用于探索更具体的概念(如学习、可塑性、可进化性等 )之间的作用和相互作用。)”(巴兰迪亚兰,2008 年,第 54 页)。我建议我们可以从概念模型和一般模型两个方面来发展评估 FEP 的洞察力。
6.10 通用模型
Barandiaran 将一般模型称为“计算结构或模板”,它“没有特别提到任何特定的研究对象,但其形式结构是根据它们与各种自然现象的相似性而选择的”(Barandiaran,2008 年,第 58 页)。部署通用模型有利于研究揭示“复杂系统的通用抽象属性”(Barandiaran,2008,第 58 页)。通用模型的例子包括细胞自动机、神经网络、动力系统模型和自组织的领域通用模型。通常,一个通用模型会以一个特定领域的经验模型开始它的生命。
当模型的某些特征被视为超出了其原始应用领域的一般化时,该模型被冲洗掉其特定于目标的细节并被呈现为一般化的。我们已经看到,FEP 的许多形式元素就是这种情况:它们起源于具有特定用法的经验领域,并通过过渡到纯粹的统计或信息论用法而变得通用。然而,FEP 是由许多这样的元素拼凑而成的模型。在这方面,它不同于 Barandiaran 对一般模型的描述。
6.11 概念模型
概念模型是“质疑和重组理论假设和概念的工具”(Barandiaran,2008 年,第 59 页)。它们允许我们探索在我们的理论中起作用的概念之间的关系,从而加深了对科学的理解。FEP 允许我们用生命、身份、健康、预测、认知、感知等概念来做这件事。概念建模中相似性的相关关系不是模型的形式结构与某个目标系统之间的关系,而是模型的形式结构与概念结构之间的关系。概念模型有助于理论的构建、定义的建立和原理的证明。但是,正如 Barandiaran 指出的,著名的进化生物学家 John Maynard Smith 反对人工生命模型,称这种方法是“没有事实的科学”(引用自 Horgan (1995))。这涉及到这一系列模型的另一个方面:科学家和哲学家通常不愿意承认他们的科学价值,直到他们允许我们在某些领域取得进展。例如,Hohwy (2020)认为 FEP 最好理解为提供“自组织系统存的概念的（数学和概念上的分析）”(第 1 页)。
6.14 从建模文献中获得的信息
我们在这一节中已经看到,至少根据当代科学哲学的杰出工作,FEP 有许多方式来作为科学工作的辅助,而不构成关于自然状态的可证伪的断言。它能够作为原则论证的证据,作为概念分析的工具——例如,有机体、系统同一性或认知的概念——它能够将迄今为止在单一形式框架下单独研究的许多现象统一起来,这可能为未来对所涉及的现象之间的共性进行实证研究铺平道路。FEP 可以在生成更具体的模型方面发挥重要作用,并作为评估其可行性的一种手段
参考：
新概率书 Structured Probabilistic Reasoning