生存的驱动力：自由能原理与生命的意义（4 5）

A Drive to SurviveThe Free Energy Principleand the Meaning of Life

生存的驱动力：自由能原理与生命的意义

本书概述

《A Drive to Survive》（《生存的驱动力》）一书的核心论点在于：生命系统的目的性（purposiveness）不能被还原为单纯的稳态控制或预测误差最小化，而必须植根于生命体特有的内在不稳定性与自我生产（autopoiesis）之中。

作者凯瑟琳·纳夫（Kathryn Nave）对卡尔·弗里斯顿（Karl Friston）提出的自由能原理（Free Energy Principle, FEP）进行了系统性批判。她指出，FEP 将生命体的“目的性行为”解释为对自由能（即预测误差）的最小化，看似统一了从细胞到社会的认知与行为机制，但实际上存在根本缺陷：

1. 平凡性问题（Triviality Problem）：
   自由能最小化适用于任何稳定系统——包括钟摆、恒温器乃至电网控制中心（ECC）——因此无法区分有生命系统与无生命机器。若目的性仅等同于回归稳态，那么“意图”“目标”“智能”要么无处不在，要么根本不存在。

2. 忽视生命的本质特征：
   真正的生命系统（如细菌或细胞）并非仅仅维持某种稳定状态，而是通过持续的代谢活动不断重建自身不稳定的结构。其存在依赖于活动，活动又依赖于存在——这是一种内在的、动态的自我生产循环（即“约束闭合”，constraint closure），而非对外部扰动的被动响应。

3. 对能动性（enactivism）：
   纳夫主张，应以生物能动主义（bioenactivism）为基础，将目的性理解为生命系统为维持其脆弱的自主性而进行的适应性调节。这种规范性（normativity）不是来自外部设定的目标，而是源于系统自身持续存在的内在需求。

4. 对人工智能与认知科学的启示：
   即使一个系统（如国家电网控制中心）表现出高度复杂的预测与调控能力，只要其物理结构本身是稳定的、不依赖自身活动来维持存在，它就不具备真正的目的性或意向性。智能若要真正“有意图”，必须始于对自身存在的关切——而这只有在内在不稳定的、自我生产的系统中才可能产生。

总结：
本书反对将生命的目的性简化为控制论或贝叶斯推理框架下的稳态维持，主张生命的独特性在于其通过不稳定过程维持自身存在的能力。自由能原理虽在形式上优美，却因忽略这一本质而无法真正解释生物智能的起源。真正的“驱动力”不是最小化误差，而是在不断解体的边缘奋力生存。

4 一个奇怪的生存技巧：自由能原理的生命哲学

4.1 生物体的议程

在上一节中，我们看到，允许一个智能体主动引发其自身所预测的状态，会使我们对生成过程的理解变得复杂——该过程由生成模型描述，并由识别模型近似。当“惊奇”（或自由能）可通过行动最小化时，智能体本身便成为其自身感官输入的“隐藏原因”的一部分。因此，我们的智能体试图逼近并最小化的对象，不应被解释为描述某种与智能体无关的、（假定的）稳定状态动态（正如赫尔姆霍兹式的刻画那样），而应是整个生物体-环境系统的动态。正是这个整体系统构成了生成过程，由生成模型所描述。相应地，“惊奇”既不是相对于某个内部编码的模型而言，也不仅仅是某事“一般性地”发生的客观频率问题。“惊奇”特指在某个特定的生物体-环境系统中，某一事件发生的频繁程度。对于抹香鲸而言令人惊讶的事物，对风铃草的花碗来说却可能令人沮丧地熟悉。

那么，为何认为处于环境中的生物体是一个稳定的、最小化惊奇的过程，可由生成模型描述，并可能由识别模型近似？嗯，根据弗里斯顿（2012）的说法，确保这种稳定性的过程不过是关于“何为自维持或自组织系统”的一种形式化分析。他指出：“自由能原理的全部意义在于，将所有适应性的、自创生的和自组织的行为统一在一个简单的指令之下：避免惊奇，你就能活得更久”（第2117页）。

因此，如果说带有识别模型的变分推断是自由能框架向上伸展的枝干，指向对推理、行动规划及其他高阶认知活动的描述，那么对自我维持（self-preservation）的上述分析，则是自由能原理（FEP）试图将其根系扎入生物能动主义（bioenactivist）土壤的努力，以便将生物学功能与意向性汲取至其认知枝干之中。重要的是，弗里斯顿（Friston）并未将主动推理（active inference）呈现为对自创生（autopoiesis）与自主性（autonomy）的替代方案，也非实现它们的工具性手段，而是将其视为对“存在之最低要求”的第一性原理分析，从中可以推导出能动主义（enactivist）对生命本身的定义。正如拉姆斯特德（Ramstead）等人所言：

简言之：主动系统只有当其主动推理蕴含一个生成模型时，才算是活的。这使得生成模型在自由能表述中具有核心地位，因为它界定了有机体所“践行”（enact）的生命形式。（2018，补充材料4，第33页）

那么，为何认为通过主动推理避开高惊奇度（high surprisal）的情境、从而维持一个稳定的生成模型，是生命系统的关键特征？一种糟糕的论证方式是将这一简单指令视为某种“循环论证”或“不证自明的真理”（Allen & Friston, 2018, 第19页）。从某种意义上说，所有生命系统都倾向于避开“不可能”状态这一主张，的确是一种存在的同义反复（tautology）：事物倾向于处于它们很可能处于的状态，而不太可能处于那些不太可能的状态。将这一点映射到生存可行性（viability）上是直接的：对一个有机体而言不可行的状态，确实极不可能发生。断言一个有机体的持续存在依赖于它避开那些它不存在的状态，虽无可辩驳，却毫无意义。

倘若我们费力挖掘自由能框架数学基础之下的深层含义，最终却只得到一句玄奥的格言——“万物必为其所是，而不能为其所非”——那将令人极度失望。若只是把不可能状态重新描述为低概率状态，再煞有介事地指出：有机体若想延续自身存在，就必须避开这些状态，这并不会带来任何洞见。

此外，若将惊奇度（surprisal）理解为一种“可能与否”的二元问题，那么“避开惊奇”这一主张确实会沦为同义反复。但“应当”蕴含“能够”（ought implies can）。说最小化惊奇是有机体必须主动去做的事情，就意味着它们确实可以处于某些相对高惊奇度的状态，并能够从中移开，回到更可能的状态。

在自由能原理（FEP）的表述中，惊奇度的关键之处恰恰在于它是有程度之分的，因此才可被最小化。具体而言，如第3.4节所述，某一状态的惊奇度高低，仅由该状态在目标系统历史中出现的频率决定；而说一个有机体最小化惊奇度，即是说它频繁地重复访问同一小部分状态。正如弗里斯顿（2018）所言：

我们只对一类系统感兴趣。这类系统会一次又一次地回到（邻近于）某些特定状态；例如，表征心肺节律的生物节律——或者我们每个周一早上起床去上班的日常惯例……这意味着，平均而言，我必须朝向那些我更可能占据的状态移动。这听起来可能平淡无奇，却对任何拥有吸引态集合（attracting set of states）的（有趣）过程之本质具有深远含义。（第2页）

因此，自由能原理并非源于关于“存在意味着什么”的第一性原理的同义反复，而更像是对生命系统所具有的那种特定存在方式的一项积极主张。那句空洞的陈词——“有机体更可能处于高概率状态”——由此转化为一个实质性的论点：（1）有机体的状态是变化的；（2）它倾向于反复回到先前访问过的同一组状态，并避开那些它过去极少或从未频繁访问过的状态。

尽管系统的状态可能持续波动，但这些状态上的概率分布必须保持不变，如此我们才能将这一不变的概率分布视为该有机体的生成模型。这就是所谓“有机体最小化惊奇度”以及它“蕴含”（entails）一个生成模型的全部含义。在此意义上，说有机体的自我维持行为必然“蕴含”一个生成模型，仅仅意味着其行为可用一个不随时间改变的联合概率分布来描述。这并不意味着该有机体的任何部分（包括大脑）真的编码了一个独立的识别模型。后一主张只是关于大脑如何对生成过程进行推断的一种假设，因为精确的生成模型（而非近似的识别模型）在计算上是难以处理的。但是否需要赋予有机体这样一个模型，取决于一个前提假设：即有机体必须显式地编码并计算某个生成过程的模型，才能指导其行动。正如前一章所讨论的，仅凭有机体动力学的统计特性，尚不足以证实这一假设。

因此，在那些聚焦于自由能框架作为生物自组织理论、而非专门探讨大脑如何实际执行近似贝叶斯推断的论文中，并不需要一个独立的识别模型（Friston, 2013）。然而，弗里斯顿及其同事仍继续使用“自由能”这一术语，并将有机体的行为描述为“自由能最小化”，这在某种程度上具有误导性。从技术上讲，这是正确的，因为自由能等于散度（即识别模型与生成模型之间的KL散度）加上惊奇度；因此，当不存在独立的识别模型、也无KL散度时，自由能就简化为惊奇度本身。但“自由能”一词通常暗示着变分推断的使用，以及有机体内部编码了一个与描述有机体-环境动态的生成模型相区别的近似模型。因此，在尚未确立此类编码存在的情况下继续使用该术语，容易引起误解（Mann et al., 2022）。

尽管我个人更倾向于仅在存在这两种不同模型的情境下使用“自由能”一词，但将“自由能”泛化为仅指“相对于生成模型的惊奇度”这一用法已如此普遍，几乎无法避免。在此只能强调：在下文中，凡提及“自由能”，其含义都不超过“惊奇度”；而“惊奇度”本身，也仅指某一事件在特定系统中出现的稀有程度（infrequency）。

4.2 自组织与稳态

在一系列论文中，弗里斯顿（2013, 2018, 2019b）提出，关于“何为生命系统”的稳定性基础解释，直接源于对智能体的一种定义——即以其遍历性（ergodicity）和低熵（low entropy）的属性来界定。这一点在弗里斯顿与Ao（2012）的论述中表达得最为清晰，他们指出，一个定义明确的智能体若要存在，其系综密度（ensemble density）必须是遍历性的；也就是说，它必须是一个不变的概率测度。换言之，该密度不能随时间改变；否则，智能体的定义（就其所占据的状态而言）就会发生变化。此处的一个简单例子是有机体的体温，其系综密度被限制在某些相边界之内。一旦跨越这些边界，该智能体便会变成其他事物（通常是死亡的智能体）。（第2页）

因此，正是这种遍历性的要求，最初被用来规定生成模型（即所有可能状态上的分布）将随时间保持不变。“低熵”部分并非在热力学意义上使用，而是采用香农（1948）的信息论意义上的含义。它指明，我们的系统所重复访问的特定状态，仅占所有可能状态中的一个小子集，从而使所有可能状态上的概率分布具有低方差/高精度。

我们需要“低熵”的要求，因为仅靠遍历性不足以确保惊奇度最小化。反复掷一个六面骰子是一个遍历过程，但如果这是一个公平骰子，则每一面出现的可能性均等，其熵值达到最大，而它的稳定生成模型将只是一个覆盖所有可能状态的平坦分布。对于这样一个最大熵系统，任何状态序列都将具有相同的惊奇度，因此惊奇度并未被最小化。

不幸的是，遍历性实际上意味着比“动力学随时间保持平稳”更多的内容，这一点在近期关于自由能原理（FEP）的研究中引发了一些争议（Palacios & Colombo, 2021）。严格来说，遍历性不仅要求某个系统在某一特定迭代中的平均行为随时间保持不变，还要求其对初始条件不敏感。以一个未受外界扰动的旋转陀螺为例。在初始冲力之后任其自行运动，它会迅速稳定下来，在整个桌面的一小块区域上做轨道运动——这是一种稳定的体制，可用其位置上的平稳概率分布来描述。然而，它最终会在桌面上哪个具体位置振荡，取决于初始冲力和起始点。因此，旋转陀螺并非一个遍历过程。

这种更强的遍历性要求有几个重要后果。首先，它意味着系统的任何特定迭代最终都会访问该系统所能占据的所有状态。其次，它意味着在任意单一时点上对一组迭代进行快照，其分布将随着时间推移、随着个体轨迹持续时长或系综规模的增加，逐渐收敛于单个迭代在时间上的分布。这一性质由伯克霍夫（Birkhoff, 1931）的遍历定理所表述：随着样本量和时间的增加，系综平均值与时间平均值最终将趋同。

统计物理学中遍历性的经典例子是理想气体粒子在容器内弹跳。这里的关键词是“理想化”，正如帕拉西奥斯与科隆博（2021）所指出的，证明真实系统满足此要求极其困难。在许多物理系统中，展现出所有可能构型所需的时间，或时间平均值收敛所需的时间，远远超出了系统本身存在的时长（Palacios 2018; Gallavotti, 1999）。如今，他们声称，人们普遍认识到，统计力学中研究的大多数系统很可能都是非遍历的（Farman and Rédei 1996; van Lith, 2001）。

如果能证明这种遍历性是生物学的独特特征，这或许对自由能原理（FEP）有利。不幸的是，情况似乎恰恰相反。遍历性在生物领域甚至更难以令人信服。以斯图尔特·考夫曼（2000）偏爱的例子为例，他认为，正是对遍历性的背离才定义了生物组织：要使一个200个氨基酸长的蛋白质完成所有可能的排列组合至少一次，所需时间将是当前宇宙寿命的10³⁹倍。遍历过程的收敛性无法解释我们所观察到的特定氨基酸组合子集的稳定性。正如考夫曼所言：

由此可推知，即使我们将宇宙作为一个整体考虑，在蛋白质的分子和组织复杂性层面及更高层面，宇宙在动力学上是被困住的。它从起点出发，通过某种流动过程进入了不断扩张的相邻可能性之中，但不可能到达所有地方。遍历性假说在此处、在任何相关的时间尺度上都失败了。（2000，第145页）

一个遍历系统会遗忘其历史。无论从何处开始，经过足够长的时间后，遍历过程的任何一次迭代都会变得与其他迭代无法区分。然而，生物过程则落入局部稳定井（local stability wells）——它们的起点对其终点至关重要。假设遍历性适用于在盒子里弹跳的理论气体粒子，这种说法对于生命有机体所具有的特异性和多样性而言，完全缺乏说服力。

生物过程违背遍历性的方式，对于理解生命系统的独特特征而言，既引人入胜又富有启发性，我将在第8章和第9章中讨论它们。目前，我建议我们接受弗里斯顿（2019a）和达·科斯塔等人（2021）所做的调整，放弃对遍历性过于强硬的主张，仅限于要求：每个特定系统迭代的概率分布随时间保持平稳——用动力系统术语来说，即要求它达到稳态（steady state）。

重要的是，这一要求并不等同于声称有机体只停留在一个单一状态。它可能会在一个单一状态或围绕若干状态循环中规律地波动。此外，此处的稳态“状态”可以相当宽泛地理解，包括“运动状态”，如速度或加速度——在这种情况下，保持稳定的东西可能是“变化率”或其更高阶导数。我将在第8章探讨这种稳态要求可能被理解的各种方式，以论证针对自由能原理（FEP）遍历性假设提出的诸多反对意见，同样也适用于这一较弱的要求。² 目前，为了先将整套理论完整呈现出来，再对其进行剖析，我将暂时搁置这些问题。

那么，我们就暂且这样说吧：我的确被定义为一个处于稳态的系统，而你希望知道我在未来任何时刻会做什么。你可以观察我在几周内的行为，并绘制出各种状态被访问的相对频率。你会发现，一个非常小的状态子集——比如煮咖啡、喝咖啡、忧郁地盯着一个空咖啡杯——会被以很高的频率反复访问。³ 而绝大多数其他在原则上完全可能的状态——比如在巴尔莫勒尔酒吧里啜饮香槟、在圣玛格丽特湖底表演完美的水下倒立、与贝尔坦学会成员在草地上玩转火把——则几乎永远不会被占据。

或者，正如弗里斯顿等人（2020）所言：

在更大的时间尺度上，这条轨迹可能反映你的日常生活：早上起床、喝一杯咖啡、去上班等等……这条轨迹的关键之处在于，它将在漫无目的的游荡和一段足够长的时间之后，重新回到特定的状态空间体制。（Friston et al., 2020, 第31页）

如果我被定义为一个稳态系统，那么一旦你识别出这个有限的状态集合，你就掌握了我生命的全部行为模式。为什么认为这是真的？我的行为倾向不会随时间改变或演化的想法，听起来既不太可能，也令人沮丧。更愤世嫉俗的人可能会说，当你所拥有的只是一个联合概率分布时，一切看起来都像一个稳态系统。但自由能原理（FEP）并非第一个将稳定性作为生存原则提出来的理论。在我进入本书后半部分（从第7章开始）之前，值得先看看是什么驱动了生物生存与动力学稳定性之间的联系。

4.3 控制论的回归

暂时搁置对“这种单调性限定了我全部行为模式”这一想法所引发的即时哲学与情感上的反对意见——至少，这种稳定性作为我们所知生命的一种普遍倾向，自有其意义。正如科隆博与赖特（2021）和塞思（2015）所言，这种“避免惊奇的简单指令”在早期控制论学者W. R. 阿什比的工作中已初现端倪，他试图提供一种对生命系统适应性、自组织行为的分析，该分析需满足以下标准：“(1) 它纯粹是客观的，(2) 它避免了‘目的’的所有形而上学复杂性，(3) 它的定义精确，(4) 它可立即用于定量研究。”（Ashby, 1940, 第479页）

阿什比对此问题的解决方案是“广义稳态”（generalized homeostasis）理论。通过将生存简化为稳定性的概念，他提出，无论多么复杂和出人意料，生命系统中目标导向行为那神秘的表象，不过是所有稳定物理系统在受扰动后回归平衡状态的同一倾向所致。正如他在《控制论导论》中所提出的：

因此，“生存”与“稳定性”的概念可以建立精确的关系；关于二者之一的事实和定理可以互用，前提是这种精确性得以维持。状态M通常以变量来定义。对应于生命有机体的状态M1, . . . , Mk，则是指那些使某些基本变量保持在指定（“生理学”）限度内的状态。（Ashby, 1956, 第197页）

因此，正如他在后来的一篇论文中所声称的：

我们已无数次听到这样的格言：机器不能选择；事实恰恰相反：每台机器，在趋向平衡的过程中，都执行着相应的选择行为。现在，简单系统中的平衡通常是平凡且无趣的；它是垂直悬挂的钟摆；是发条耗尽的钟表；是平放在一个面上的立方体……使变化从平凡变得有趣，仅仅是事件规模的不同。（1962, 第270页）

作为一种对阿什比式控制论（较少数学抽象化）项目的复兴，自由能框架中“简单指令”的含义变得更加清晰。所谓最小化惊奇度，翻译过来就是对抗基本变量偏离指定限度的偏差；而说一个有机体必须避免惊奇，仅仅意味着它必须维持其基本变量的稳态。

像弗里斯顿一样，阿什比的工作超越了将适应性行为屈从于形式分析的范畴。同样，他试图用这些行为如何服务于协调的角度来解释我们的认知操作。将生存定义为稳定性，不仅清除了目的论或目的性的根基，也为将大脑分析为一个负责维持基本变量稳定的控制系统奠定了基础。这不应被解读为一个显然错误的主张，即我们的整个神经架构仅致力于触发自主反射。相反，正如阿什比所声明的，他的意图是展示“有机体所有外向活动——它的‘更高’活动——都是相似地具有调节性的，即，是稳态的”，即使所调节的对象不一定是身体状态（Ashby 1956: 196）。他提出实现这一点的方式既巧妙又令人费解。

他认为，区分有机体的关键在于一种额外的机制，这种机制只存在于一类“超稳定系统”（ultrastable systems）的子类中。该机制的作用是在其基本变量被推过阈值时，触发系统结构的随机重组，以补偿其“已适应”或“被设计”的状态。在有机体中，这种重组相当于随机改变行为产生网络的参数——这一过程只有在发现某种行为策略能将其基本变量带回稳定平衡时才会停止。

当阿什比提出一个名为“稳态器”（homeostat）的工作模型时，他的“电子脑”在大众媒体上引起了轰动（Ashby, 1949），并令他的同行控制论学者感到困惑。朱利安·比戈洛总结了当时普遍的态度，宣称“它或许是对某物的一个美丽复制品，但只有天知道是什么”（Husbands & Holland, 2012, 第12页）。撇开阿什比可能是一位特别非正统的国际象棋战略家这一假设不谈，他所提出的系统——它会随意摇晃，直到其稳定性恢复——有一天可能会“以比设计者更深奥、更精妙的策略”进行游戏，这一点远非显而易见。（Ashby, 1948）这一任务似乎更容易由阿什比同时代人的符号处理系统来实现，如赫伯特·西蒙和艾伦·纽厄尔，他们的工作随后多年主导了人工智能研究领域。

尽管如此，正如弗农（2013）所强调的，虽然稳态器和超稳定性概念可能代表了阿什比工作模型的巅峰，

他的理论推测在《为大脑设计》一书中进一步延伸至对“元稳定性”（metastability）的讨论：这是一种从大量相互连接的超稳定系统中涌现的特性，可能更能刻画像神经系统这样复杂的系统的运作方式。关于神经系统如何在此方面运作的具体模型，后来由控制论学者威廉·T·鲍尔斯（William T. Powers）在其著作《行为：感知的控制》（1973）中发展出来，其中他描述了感官变量的层级调控如何间接支持对外部变量的调控，从而维持基本变量的稳定性。

这听起来与预测加工大脑所执行的操作极其相似。不幸的是，自由能原理（FEP）（以及随之而来的预测加工）倾向于使用“预测”和“误差”而非“参考水平”和“差异”的语言，这掩盖了这些相似性，并将后者与贝叶斯大脑传统（而非其控制论祖先）相联系。一旦在自由能原理下明确这些术语的可互换性，其相似性便十分惊人。如果最小化惊奇度的简单指令仅仅是阿什比将生存还原为稳定性的复兴，那么我们可以将主动推理——及其预测加工的实现——框定为对鲍尔斯感知控制理论的一个类似提案。其解释在于，通过将感觉变量视为基本变量的代理，并尝试在多个时间尺度上预测和控制它们，一个系统可以在其环境互动中进行基于模型的调控，在危险倾向威胁其核心稳定性之前，预先预见并加以抵消。

遗憾的是，此处没有足够的空间展开对预测加工（PP）与感知控制理论的详细比较。目前，只需注意，尽管它们有许多相似之处，自由能原理仍保留（至少）一个新颖元素。如果该理论与贝叶斯主义和控制论都保持一致，那么它就提供了一座潜在的桥梁，连接后者“控制”的语言与前者“推理主义”的词汇。自由能原理的价值或许就在于其有能力在一个统一的形式框架下，整合控制论中反馈控制的生物物理基础，以及贝叶斯大脑框架所建模的理性抽象形式。

4.4 稳定性与能动性

将弗里斯顿的项目与阿什比的项目进行比较，有助于厘清自由能框架，并将其中的张力凸显出来。尽管阿什比常因普及“自组织”一词而受到赞誉，但他却煞费苦心地强调，当“自组织”被理解为具有意志性内涵时——即源于有机体内部某种驱动力的结果——则“根本不存在这样的东西”（Ashby, 1962）。他认为，所有此类行为只能被解释为对外部原因的反应。当环境扰动使系统偏离稳定状态时，它会触发该系统不可避免地回归平衡。稳定的系统、超稳定系统和多稳态系统均由相同的定律和力量驱动；唯一的区别在于机械复杂性的程度。

对阿什比而言，“广义稳态”概念背后的全部意义在于剥离生物学解释中的目的论语言，他提出：释放葡萄糖储备以对抗血糖水平下降、因体温降低而发抖、钟摆恢复到动能平衡、不倒翁的坚定直立——这些现象的区别仅在于对扰动的稳健性程度不同，而非本质上的差异。他指出，人们普遍未能识别这种连续性，可归因于在多稳态的人与基本钟摆之间缺乏中等复杂度的系统。“计算机，”他认为，

在此语境下是天赐之物，因为它使我们能够弥合从简单易懂到复杂有趣之间的巨大概念鸿沟。因此，我们只需观察一个较简单的版本在计算机上如何呈现，便能对所谓生命自发生成获得相当深入的见解。（Ashby, 1962, 第271页）

对阿什比来说，关键变量的稳定性不仅定义了生存和有机体的持续存在，更是一种所有物理事物的普遍倾向。同样，弗里斯顿（2019a, 2019b）有时也描述自由能原理具有这种普遍性，将其描述为一种要求系统状态具有稳态动力学的条件，这是“涵盖一切存在的全面定义”的一部分，通过它可以“推导出关于生命和宇宙的一切有趣内容”（2019b, 第176页）。

稳定性作为一项重要原则的思想，其适用范围远不止于生物稳态，其论证如下：如果某个系统的可能状态区域持续变化，那么我们将无法随时间重新识别它。如果该区域是静态的但不具备低熵，则在任何时刻，大量状态将具有同等可能性，且不存在任何可明确区分该特定系统的特征状态。因此，弗里斯顿（2019b）将这些标准视为对持续存在的可能性所施加的必要约束。

认为这或许可以作为对所有存在形式的详尽定义的想法，至少在我看来，极难令人信服。然而，一旦我们有了这个假设性的定义，我们就能理解为何弗里斯顿经常将自由能原理描述为同义反复：因为当存在被如此定义时，任何存在的事物最终都会满足它。

令弗里斯顿及其合著者关于自由能原理的主张如此令人困惑的是，尽管他们有时采纳了阿什比式的分析，将稳态的普遍性作为核心观点，但在其他时候，他们却反而将稳态-稳态描述为一种独特的生物特性，这表明他们此前并未充分欣赏其对各种无生命系统的普遍适用性。正如弗里斯顿（2010）所述：

生物系统的决定性特征是，它们在不断变化的环境中维持自身的状态和形态[...] 这种秩序的维持体现在多个层面，并将生物系统与其他自组织系统区分开来；事实上，生物系统的生理学几乎完全可以归结为其稳态。（第127页）

此外，正如巴德科克等人（2019）所言：

这是关于生命系统的惊人事实。所有其他自组织系统，从雪花到太阳系，都遵循一条必然且不可逆的走向无序的道路。相反，生物系统的特点是一个随机的动力学吸引子——一组被频繁重访的吸引状态。（第3页）

阿什比曾告诫不要使用带有意志性色彩的语言来描述“自组织”系统，相比之下，自由能原理（FEP）的讨论则大量使用了能动性和目的论术语来描述惊奇度最小化。即使在最近将自由能原理扩展至生物领域之外、进入一般物理机制领域的研究中，这一习惯依然存在。因此，我们发现拉姆斯特德等人（2023）宣称：

我们可以将NESS [稳态] 密度视为提供了一组先验偏好，该特定系统看起来似乎正试图通过行动去实现或达成这些偏好。事实上，我们可以将此动态解决方案视为认知系统目的论的一种自然化解释。（第10页）

当仅在神经动力学关系中应用时，声称惊奇度最小化描述了一个“指令”，即一个遍历性或稳态“智能体”必须遵循以“主动维持”自身（Friston, 2013），并不会立刻显得明显错位。然而，自由能框架本应适用于所有生物系统，而不仅仅是拥有大脑的系统。如果它的适用性仅限于惊奇度最小化描述任何古老物理系统的波动中稳定性，那么谈论“主动维持”、“遵循指令”甚至“推断”和“建模”就变得不那么有说服力了。

因此，惊奇度最小化过于普遍，无法区分有生命存在的独特特征。反之，以神经为中心的预测加工则过于狭窄。这对于将自由能原理作为生物自组织原则而言是一个主要问题，对于那些声称要提供一个将生命与非生命之区分作为基础的生物能动主义理论而言，更是雪上加霜。

尽管这个问题意义重大，但关于自由能原理是否具备作为活体智能体理论所需的特异性，这一担忧直到最近才开始受到自由能文献中的严肃批判性关注（DiPaolo et al., 2022; Raja et al., 2021）。因此，我认为公平地说，对此挑战的回应仍处于相对初级的发展阶段。不过，在撰写本文时，可以区分出两种不同的策略。第一种是接受这样一种现实主义的观点：区分生命系统的意向性和自主性无法从稳态动力学或惊奇度最小化的要求中推导出来。第二种则涉及尝试推导出一种原则性的区分，以对应于生命与非生命之间的区分，这种区分对应于不同类型稳态惊奇度最小化器之间的差异。

对这些问题的第一种回应是简单地接受自由能原理的普遍性，即接受仅仅稳态动力学不足以赋予一个系统意向性。许多曾在其他地方为自由能原理作为生物自主性解释的观点辩护的人，如今已朝着这个方向转变，而源自自由能原理的“信念”、“推断”、“行动”等属性，越来越被加上“仿佛”（as if）的限定词，此时自由能原理被理解为仅仅是描述一个系统“仿佛”是有意导向的那样运行的动力学（Ramstead et al., 2023; Friston et al., 2020）。

然而，不幸的是，这种解释的转变并不总是被明确承认或一致坚持。在同一份论文中，

拉姆斯特德等人（2023）断言自由能原理的空洞性在于，它不允许我们“构建一个在真实认知与看似‘仿佛’具有认知功能的动力学之间的有用分界线”（第21页），紧接着又立即声称，尽管如此，任何可以被建模为“仿佛”在执行推断的事物，都可以被理解为实际上正在执行某种推断。若非因为他们声称这种转变为我们提供了“自组织系统的真正目的论”（第21页），这种对真实推断与“仿佛”推断之间任何区别的拒绝，本可被理解为一种消除主义立场。

我们不能既想保留真正的推理主义目的论，又想否认它与“仿佛”推断的区别。这种做法并不能带来工具主义或消除主义，而是泛推理主义——一种远离他们所提出的“恢复性”放弃“关于‘心智’和‘认知’的形而上学包袱”的立场（第21页）。

同样，尽管弗里斯顿等人（2020）提出了自由能最小化的工具主义解释，维斯和弗里斯顿在别处仍继续坚持认为，生命系统确实具有最小化自由能的目的论功能，这解释了自创生和目标导向性的出现——且没有任何“仿佛”修饰。正如他们所言：

换句话说，自由能原理提供了一个（非常普遍的）答案，回答了“一个系统活着时会做什么？”以及“一个系统为了活下去应该做什么？”这两个问题。因此，自由能原理解释了一种基本形式的目标导向性，这种目标导向性是基本形式意向性的特征。（Wiese & Friston, 2021, 第7页）

尽管如此，撇开我们在处理真实意向性还是其表象时缺乏一致性的问题不谈，我认为向自由能原理建构转向工具主义的过渡正是正确的举措。将所有类型系统的某种普遍属性呈现为模型构建的有用约束，可能不如将其作为解释生命和意向性涌现的第一性原理那么诱人。然而，接受这种更为温和的框架，为我们提供了一个更有成效的研究计划：利用自由能最小化框架的工具，尝试解释生命与非生命、能动性与无生命之间的差异。

一种策略是诉诸主动推理（active inference）框架下可建模的层级复杂性不断提升的现象，这或许能让我们识别出某一类系统：它们不仅能就未来事件，还能就概率加权的反事实情境（probabilistically weighted counterfactuals）最小化自由能。这种方法暗示，正是这种惊奇度最小化机制的复杂性提升，区分了两类系统：一类是仅应被“仿佛”（as if）建模为主动推理者的简单稳态（homeostatic）系统，另一类则是具备足够复杂性的稳态调节（allostatic）机制，可合理地赋予其“信念”（belief）、“行动”（action）或“知觉”（perception）等心理与意向性谓词（Friston et al., 2020）。

将一个系统是否属于意向系统、是否为活的能动体、是否为真正的主动推理者的问题，视为一个程度问题（a matter of degree），这种回应方式彻底体现了阿什比（Ashbyian）的思想。通过将生命与非生命的区别简化为在一条连续尺度上何处划线最为方便的实用选择，这种渐进主义（gradualism）从根本上与我们生物能动主义（bioenactivist）的目标相冲突——后者旨在提供一种自然主义且彻底实在论（thoroughly realist）的基本意向性（basic intentionality）解释。

然而，自由能原理（FEP）无法提供一种生物能动主义所要求的自主性（autonomy）解释，并不必然意味着它对生命系统的描述就是错误的。也许阿什比是对的；也许能动主义者错误地在仅有程度差异的地方看到了种类差异（differences in kind）。不过，要评估这种阿什比式自由能原理版本的前景，我们需要一种方法来分析非神经的生命形式（如单细胞生物）作为主动推理者。这不仅需要稳态动力学（steady-state dynamics），还需要一种将系统分解为主动（active）与感觉（sensory）成分的手段。为了理解自由能框架如何试图将此类分析扩展到大脑之外，我们需要引入一个额外的工具——马尔可夫毯（Markov blanket），它可用于划定这种感觉-运动界面（sensorimotor interface）。这需要一些解释，因此我将把这一策略暂且搁置，留待第五章再讨论。

自由能原理的适用性未能标示出生命与非生命之间的种类差异，并不意味着我们唯一的选择就是在自由能最小化者之间寻找程度上的差异。另一种（目前尚不成熟的）提议认为，在自由能最小化者这一类别内部，实际上存在一种二分（dichotomous）划分，而这种划分并非仅仅取决于我们选择在何处划线。该策略始于一个常见观察——最著名地归因于薛定谔（Schrödinger, 1951）、冯·贝塔朗菲（von Bertalanffy, 1968）以及普里高津与斯坦杰斯（Prigogine & Stengers, 1984, 1997）——即有机体在其与环境的非平衡态（out of equilibrium）中持续存在，并试图以某种特定形式的稳态动力学来刻画这一特征。由于这一思路不依赖马尔可夫毯的装置，且我认为它并不成功，我将在下文简要讨论。

4.5 世事愈变，愈是如故

如前所述，自由能原理（FEP）被提出作为对稳态系统（steady-state systems）的一种解释，此处“稳态”特指这样一类系统：在其整个存在期间，其可能状态上的概率分布保持平稳（stationary）。与更强的遍历性（ergodicity）要求不同，这种稳态允许系统对初始条件敏感，因此在不同迭代中，系统最终所达到的具体稳态可能各不相同。

到目前为止，我一直在恒温设定点（homeostatic set point）的语境下讨论这一点——即稳态表现为一个定点吸引子（fixed-point attractor），例如36.5摄氏度的体温，系统仅因随机涨落而暂时偏离该点，并可靠地回归。当我们系统的动力学完全由所谓“耗散流”（dissipative flow，或无旋流，curl-free flow）驱动时，就会出现这种点吸引子；该耗散流的作用是将系统拉回更可能的状态，以抵消提升惊奇度（surprisal）的扰动，从而防止生成模型（generative model）的消散。如果系统仅受对称的随机涨落扰动，那么仅靠这种流就足以维持稳态，而这正是FEP对生命系统所提出的“简单指令”（simple imperative）实际要求的全部内容。

然而，即使在体温调节这类简单的稳态过程中，我们实际观察到的也并非一个固定设定点，而是一种昼夜节律（circadian rhythm）——即在若干同样可行的温度之间周期性循环。幸运的是，对自由能框架而言，回归单一固定点虽足以确保一个定义稳态的稳定生成模型得以保存，却并非唯一方式。正如弗里斯顿与Ao（2012）所讨论的，保持平稳概率分布也兼容（尽管不要求）系统动力学包含第二个成分，即“螺线流”（solenoidal flow，或无散度流，divergence-free flow）。对于任何处于稳态的系统，均可通过亥姆霍兹分解（Helmholtz decomposition）提取这一成分，将系统的整体流分解为耗散流与螺线流两部分。

与耗散流将系统拉回更可能状态不同，螺线流围绕若干同等可能的替代状态循环。这一动力学成分本身并不降低惊奇度；它既不消散生成模型，也不对抗其消散，而仅仅是与生成模型保持不变相容。因此，具有螺线流成分的系统所呈现的动力学模式，将是在有限状态子集周围循环，例如行星轨道或昼夜节律，而非单一的点吸引子。

严格来说，FEP仅要求存在耗散流，以最小化提升惊奇度的涨落，并维持一个稳定的生成模型。尽管螺线流与此兼容，但系统要实现自由能最小化并不需要它。尽管如此，有观点认为，引入螺线流成分有助于区分处于非平衡稳态（non-equilibrium steady state）的系统（Friston, 2019a; Friston et al., 2021）。其思路是：如果我们能识别出系统内部状态动力学中某个并非由扰动响应驱动的部分（而耗散流正是由扰动响应驱动的），那么我们就能识别出该系统作为自主体（autonomous entity）所具有的“内在动力学”（intrinsic dynamics），正是这种动力学使其持续抵抗与环境达成热力学平衡的趋势。

尽管弗里斯顿（2013）在其将FEP作为生命涌现解释的论文中并未多谈螺线流，但在一处颇具启发性的附注中，他暗示这可能是区分有机系统非平衡本质的关键。他提示道：

然而，最小熵显然并非全部故事，因为生物系统会主动作用于其环境——而一块低熵的石化石头则不会。用随机吸引子的语言来说，一个系统的（内部及马尔可夫毯）状态拥有一个“充满空间”但测度（或熵）很小的吸引集……简言之，生物系统在其状态空间中移动，但反复访问有限数量的状态。这种吸引集的“空间填充”特性，或许正源于我们本文基本忽略的无散度流（即螺线流，见公式(2.3)），而这可能正是刻画生命形式的关键。（Friston, 2013, 第11页）

这一观点在弗里斯顿（2019）及拉姆斯特德等人（2023）的工作中得到延续，他们认为螺线流支撑了与生命系统相关的探索性行为。然而，鉴于从水文循环到行星轨道等各类非生物系统同样具有螺线流成分，这一成分似乎并不像上述作者所暗示的那样，能有效刻画生命系统的独特性。此外，正如阿吉莱拉等人（Aguilera et al., 2022）所指出的，引入螺线流似乎会禁止某些影响模式，而这些模式正是在第五章中试图将自由能最小化与主动推理扩展到大脑之外、以形式化“感觉-运动界面”（sensorimotor interface）时所需要的——即通过有机体-环境系统各部分之间的条件独立性来刻画该界面。

无论如何，FEP能否形式化非平衡动力学的细节，并不影响它被表述为一种适用于可由平稳概率分布刻画的系统之原理这一事实。作为一种生命系统理论，FEP要求系统处于任一特定状态的概率随时间保持恒定。这构成了所谓有机体具有“最小化惊奇度”之指令的理论基础。因此，我将暂时搁置非平衡状态这一看似有些特设性（ad hoc）的补充，而坚持采用更弱的要求：即系统收敛于任何形式的稳态——换言之，任何可由平稳联合概率分布描述的系统，或用FEP术语来说，“蕴含一个生成模型”（entails a generative model）的系统。

在下一章中，我将考察将这一框架扩展至神经系统之外的努力，试图刻画一种虽不局限于大脑、但仍旨在具有生物学独特性的过程。在展示此类刻画仍未能达到生命理论所需的特异性之后，我将进一步讨论自由能原理研究近期如何转向一种阿什比式的观点，强调有机与无机之间的连续性。我将论证，这种转向不仅使FEP丧失了其能动主义（enactivist）的理论资格，也暴露了它无法提供生命系统之第一性原理（first principles）的根本局限。

5 超越大脑的自由能最小化

最小化惊奇度（surprisal）仅仅意味着维持稳定性，而维持稳定性就意味着生存。但这一崇高的目标究竟如何与主动推理（active inference）那纷繁复杂的实际运作重新挂钩呢？主动推理或许是一种最小化惊奇度的手段，但对一个系统的这种描述，并不能仅仅从观察到该系统具有最小化惊奇度（或具有稳定性、稳态性、遍历性）这一事实中直接、完整地形式化地推导出来。此外，我们还需要将该系统分解为特定的变量集合，即：内部状态（internal states）、外部状态（external states）、感觉状态（sensory states）和主动状态（active states），以便将它们映射到主动推理框架下所提出的特定生成循环（generative cycle）之中。

到目前为止，这种分解在我们面前是以神经系统及其感觉-运动界面（sensorimotor interface）的现成结构形式呈现的。如果自由能原理（FEP）的目标仅仅是阐明一种程序——即像我们这样拥有大脑的生物如何维持自身可行状态——那么我们大可就此止步，将此视为一项不小的成就而心满意足，然后出门去午后阳光下玩耍。

遗憾的是，FEP的倡导者们志向更为远大。自弗里斯顿（2005）最初将其相对谦逊地提出为一种“皮层反应理论”以来，这种帝国式的雄心便不断推动FEP的适用范围持续扩张。如今，它的目标已设定为提供“一种对适应性系统（即生物能动体，如动物或大脑）如何抵抗趋向无序之自然倾向的数学表述”（Friston, 2010, 第127页），并且这一框架应能适用于所有生命形式，“从单细胞生物到社会网络”（Friston, 2009, 第293页）。

这就引出了一个问题：我们究竟在黏菌纲（Myxogastria）黏菌、快闪群体（flash mob），或是英格兰银行货币政策委员会（Bank of England’s Monetary Policy Committee）中，何处能找到它们的感觉状态、主动状态和内部状态？

要理解FEP对这一问题的回答，我们需要再引入一件数学工具——马尔可夫毯（Markov blanket）。该概念最初由朱迪亚·珀尔（Judea Pearl, 1988）提出，在其原始形式中，它不过是对贝叶斯网络中节点之间统计分离（statistical separation）的一种表示。在自由能原理（FEP）中，马尔可夫毯最初被用来区分这样一类变量：一旦我们已知某个较小节点子集的状态，这些变量的状态相对于某个目标变量的状态就变得信息无关（informationally irrelevant）。正如我们之前所见，这种因子分解（factorization）正是通过层级预测加工（hierarchical predictive processing）实现近似贝叶斯推断所必需的。事实上，马尔可夫毯最早出现在自由能文献中时，正是以这种面貌出现的（Friston et al., 2007）。

然而，在弗里斯顿（2013）的工作中，马尔可夫毯被用作识别现实世界边界的一种手段，例如区分有机体的内部状态与环境的外部状态，并进一步将这一边界划分为主动推理方程中的主动状态与感觉状态。结果，这一原本不起眼的构造被赋予了一系列日益繁重的任务：从确立一种认识论边界（Hohwy, 2016, 2017），到形式化一种既是自创生系统所产生、又反过来维系该系统的自创生边界（Palacios et al., 2017; Friston, 2013; Kirchhoff et al., 2018; Allen & Friston, 2018）。这种概念上的过度膨胀（conceptual hypertrophy）已如此严重，以至于布鲁因贝格等人（Bruineberg et al., 2022）建议将这一新构造称为“弗里斯顿毯”（Friston Blanket），以区别于其谦逊的祖先。

因此，有两个主张至关重要：其一是马尔可夫毯（或“弗里斯顿毯”）使我们能够将主动推理方程映射到大脑之外的多种系统；其二是该毯子形式化了生物动力学能动主义（biodynamic enactivism）中的自创生边界。这两个主张共同构成了FEP可能提供生命系统“第一性原理”这一构想的关键步骤。相反，如果个体生物能动体必须在我们能以自由能最小化方式处理它之前就已被预先界定，那么FEP就无法成为生物自主性的第一性原理。

因此，要评估马尔可夫毯是否能胜任上述任一角色，我们需要回到它在珀尔关于贝叶斯网络研究中的起源。不幸的是，由于FEP文献中对马尔可夫毯概念的扭曲程度之深，以及对这些扭曲缺乏明确承认，这将迫使我们不得不暂时偏离理解FEP作为生命系统分析这一主线，进行一段相当冗长的迂回。不过，如果你已经熟悉贝叶斯网络中的马尔可夫毯概念，可以跳过本节，直接进入5.2节。

FEP框架声称马尔可夫毯（或“弗里斯顿毯”）构成了有机体自身的某种边界——无论是认识论的、自创生的、感觉-运动的，还是其他类型的——并将这些“毯子”呈现为现实世界的一部分，而不仅仅是最初所提出的那种我们对世界的模型特征。这一主张通常被解读为一种令人遗憾的错误，正如安德鲁斯（Andrews, 2021）所说，是“把数学当作了疆土”（confusing the math for the territory）（另见Bruineberg et al., 2022; Menary & Gillet, 2021; Beni, 2021; Raja et al., 2021）。

尽管如此，虽然弗里斯顿及其同事或许并未为其关于马尔可夫毯实在论（Markov blanket realism）的形而上学主张提供任何辩护，但我并不认为这必然是一个错误。正如我在附录中所详述的，确实存在一种关于实在结构与因果关系形而上学的积极立场，使得将马尔可夫毯视为真实实体（而不仅仅是建模构造）具有合理性。

我并非说这种立场特别有说服力。无论如何，这其实并不重要，因为正如我将在下一章所论证的，关于马尔可夫毯的主要问题，并不在于它们是“真实的”还是“建构的”，而在于它们既不是有机体的本质特征，也不是任何能够捕捉其存在必要条件之描述的必要组成部分。

5.1 因果推断与马尔可夫毯的简要回顾

贝叶斯网络（Bayesian network）是一种通过有向无环图（DAG，Directed Acyclic Graph 的简称）来表示概率关系的方法。在该图中，变量（每个变量以一个节点表示）之间由有向线连接，代表它们之间的直接统计依赖关系（Pearl, 2000, 1988; Spirtes et al., 2000）（见方框5.1）。“图”（Graph）在这里只是数学家对“网络”（network）的术语。DAG 是“有向”的，意味着节点间的连接具有特定的影响方向；它是“无环”的，意指其结构不会循环回自身。

要构建一个贝叶斯网络，所需的一切只是一个联合概率分布（例如自由能原理FEP中的生成模型），以及几个简单的构造公理。人们之所以可能这样做，最直接的理由是为了将一个庞大变量集合上的复杂联合概率分布，分解为一组在更小变量子集上更容易处理的独立分布。然后，我们可以根据我们所关心的具体变量，从中选择其中一个分布。为了说明贝叶斯网络是如何构建的，我们可以取一个包含三个变量 X、Y 和 Z 的简单集合。

如果 P(x|y) ≠ P(x)，也就是说，若知道 Y=y 会改变 X=x 的概率，那么我们就在两者之间存在一种统计关系。然而，这还不足以证明可以从 Y 直接画一条线到 X。为了理解为何如此，假设同样地，知道 Z=z 也会改变 X=x 的概率 [P(x|z) ≠ P(x)]。这将使我们面临三种可能的连接方式：

1. Y → Z → X：固定 Y 的值会通过改变 Z=z 的概率，进而间接改变 X=x 的概率。

2. Z → Y → X：固定 Z 的值会通过改变 Y=y 的概率，进而间接改变 X=x 的概率。

3. Z → X ← Y：固定 Y 或 Z 中任意一个的值，都会直接改变 X=x 的概率。

只有在情况2或3中，才允许直接连接 Y 和 X。为了消除这三个选项之间的歧义，我们需要考察 P(x|y) 是否等于 P(x|y, z)。如果相等，则意味着一旦我们知道 Y=y，再知道 Z 的值并不会提供关于 X 值的更多信息——也就是说，知道 Y=y 会使 X 的状态在条件上独立于 Z 的状态。因此，Z 只能通过 Y 来影响 X 的概率，所以我们根据选项 (2) 来绘制我们的网络。

然而，如果 P(x|y) ≠ P(x|y,z)，那么即使在已知 Y 状态的情况下，知道 Z 的状态仍能改变 X=x 的概率。这就剩下选项 (1) 或选项 (3)。如果 P(x|z) = P(x|z,y)，则知道 Z 的状态会使 X 的状态在条件上独立于 Y 的状态，于是我们根据选项 (1) 绘制网络。然而，如果 P(x|z) ≠ P(x|z,y)，则 Y 和 Z 都不能屏蔽掉对方对 X 的影响，因此我们根据选项 (3) 绘制网络。通过将这一过程扩展到更多变量，我们可以构建出如方框5.1所示的网络。

马尔可夫毯（Markov blanket）（Pearl, 1988）是该网络的一个划分，它包含且仅包含那些能使某个目标节点 X 的状态相对于网络中其他所有节点实现条件独立的节点。这意味着，一旦观察到这个子集节点的状态，就不会再有任何其他观察能为我们模型中 X 处于某一特定状态的概率提供额外信息——除非我们直接观察 X 的状态本身。

这个集合具体包括以下节点：其概率分布直接受 X 状态影响的节点（X 的马尔可夫父节点，Markovian parents），其状态直接受 X 影响的节点（X 的子节点，children），以及那些其状态受 X 的子节点直接影响的其他节点（共同父节点，co-parents）——欲了解更详细的解释，请参见方框5.1。

5.1.1 因果外衣下的贝叶斯网络

如前所述，贝叶斯网络的直接优势在于揭示一个复杂的联合概率分布如何被分解为若干更小的条件概率分布。在此语境下，马尔可夫毯不过是一种统计工具——它使我们能够分离出这样一些变量：一旦我们已知某个较小节点子集的状态，这些变量的状态相对于某个目标变量而言就变得信息无关。正如我们之前所见，这种分解正是通过层级预测加工（hierarchical predictive processing）实现近似贝叶斯推断所必需的。事实上，马尔可夫毯最初出现在自由能文献中时，正是以这种面貌出现的（Friston et al., 2007；Friston, 2008）。

然而，贝叶斯网络还有第二种更具争议性的角色。正如格莱默等人（Glymour et al., 1993）所发展、并随后被珀尔（Pearl, 2000）采纳的那样，这一角色在于因果发现（causal discovery）：它使我们能够将关于所选变量取特定值之相对频率的纯观测数据，转化为对潜在因果结构的一种假设性模型。

这里需要谨慎把握一条微妙的界限。诚然，无论多么精巧的建模工作或漂亮的图表，都无法克服“相关不等于因果”这一事实。然而，相关性与因果性确实密切相关。日益发展的算法驱动型因果发现领域已表明：当结合某些假设、若干关于因果关系的假设性公理（例如因果的单向性），以及一些背景知识时，条件独立性这一纯统计性质，在约束关于因果关系可能位置的假设方面，可能出人意料地有效。

回到我们之前的三个变量 X、Y 和 Z，这次戴上因果推断的“帽子”，将使我们更清晰地看到：仅凭观测数据推断因果关系的能力究竟有多大，又有哪些局限。

我们曾看到，通过考察第三个变量是否使两个变量彼此条件独立，可以区分三种可能的图结构。然而，我在此悄悄简化了问题——暗中引入了一个假设：X 位于 Y 和 Z 的下游（即 X 是 Y 和 Z 的结果）。

从纯粹统计的角度来看，这样做并无问题。以这种方向画出箭头，并不否认在相反方向上也存在某种相互关系；它仅仅表明，就推断在给定 Y 的情况下 X 的可能取值而言，我只关注这一特定方向上的统计依赖关系，而非反过来。

然而，从因果推断的角度看，方向的选择意味着更强的承诺。在因果建模中使用有向无环图（DAG）的一个动因，正是将因果性理解为一种单向的关系。因此，从 Y 向 X 画一个箭头，不仅仅是在表达我对两个依赖方向中的哪一个感兴趣，而是明确排除了反方向上的任何因果关系。

如果没有这一“排序假设”（ordering assumption），我们面对的就不是3种，而是10种可能的图结构，它们全都满足 P(x|z) ≠ P(x) 且 P(x|y) ≠ P(x)（参见方框5.2）。进一步考察条件独立性关系，在大多数情况下也无法唯一确定一个图结构。在缺乏排序信息的情况下，我们最多只能将可能性缩小到四组结构中的一组；其中三组各自还包含三种进一步可能的因果图，而这些图在我们三个变量之间的特定统计关系上是观测等价的（observationally equivalent）。

尽管因果关系通常被视为单向的，统计关系却并非如此。烟的出现提高火灾的概率，其程度与火灾提高烟出现的概率大致相当。因此，仅凭“A 提高了 B 的概率”这一事实，并不能告诉我们哪个是因、哪个是果。

从某种意义上说，这对马尔可夫毯而言并不重要。马尔可夫毯所包含的节点集合，取决于节点之间是否存在直接连接，而非连接的方向。在保持相同统计关系的前提下，即使合法地翻转箭头方向，该集合也保持不变。所有保持相同条件独立性关系但箭头方向不同的图构成的集合，被称为“马尔可夫等价类”（Markov equivalence class）。然而，可能发生变化的是哪些节点是父节点（parents），哪些是子节点（children）。这一点在我们探讨自由能原理（FEP）如何利用马尔可夫毯结构将系统分解为主动状态与感觉状态时，将变得至关重要。

引入时间序列数据可以在一定程度上缓解这种方向上的模糊性，但仍存在未观测混杂因素（unobserved confounders）和偶然抵消的因果链（coincidentally counterbalanced causal chains）等问题（Hesslow, 1976）。以杰弗里（Jeffrey, 1969）所举的前一类例子为例：当气压计指针向左移动时，闪电发生的概率会增加；但尽管两者存在时间先后顺序，气压计并不会导致闪电。无论你观察多久，仅凭对二者统计关系和时间关系的观察，永远无法揭示它们背后共同的潜在原因——即大气压。

然而，让我们假设我们的模型中不存在未包含的混杂因素或抵消的因果链，并且我们已获得确定变量排序所需的时间信息。即便如此，这仍不足以得出一个具有明确马尔可夫毯的唯一模型。我们甚至能够提出变量之间可能关系的前提，是我们已经事先决定如何将这个复杂的分子世界划分成图中的基本节点（atomic nodes）。某个我们感兴趣的组成部分，既可以被进一步分解为多个相互作用的子成分，也可以被合并为某个全局变量的状态。

对神经科学家而言，一个节点究竟应对应一个脑区、一个神经集群、一个神经元、一个突触，还是一个单独的神经递质分子？与许多建模选择一样，这里没有唯一正确的答案——只能说，这取决于你的研究兴趣所在。贝叶斯网络，如同所有模型一样，必然涉及理想化与简化。更精细的模型未必就是更好的模型（Cartwright, 2001；Borges, 1998）。

正如贝叶斯网络中的基本“原因”是一种建模上的扭曲，节点之间那些整洁的小箭头同样如此（Spohn, 2001；Pearl, 2000）。试考虑一个关于单个神经元膜电位之间条件依赖关系的模型。作为贝叶斯网络，它会将一个神经元放电与下一个神经元放电之间的关系表示为直接相互作用。但由于其变量粒度的限制，该模型忽略了这样一个事实：一个神经元的放电要触发另一个神经元的放电，中间必须经历神经递质在突触间隙中的释放与摄取等中介事件。因此，若将贝叶斯网络中的直接连接解读为直接的因果关系，并据此将马尔可夫毯理解为由“最邻近”（most proximal）的原因和结果所构成的边界，就极有可能产生严重误导。

安德森（Anderson, 2017）在试图定位大脑“最邻近”边界的情境中，精辟地表达了这一观点：

一个显而易见的回答或许是：我所能接触的只是因果链中的最后一环；之前的环节都越来越遥远。但我并不认为在此处将我们的“接触”等同于离大脑最近的那个原因行得通，因为我看不到任何办法能避免最终得出这样的结论：我们的接触被限制在最近突触处的化学物质，或最后一个离子通道处的离子。总存在一个比视网膜或指尖旁的世界“更靠近”大脑的原因。（第14页）

所有这些都解释了为何珀尔（Pearl, 2000）在论证贝叶斯网络作为因果模型的效用时，坚决强调必须区分统计构造（如马尔可夫毯）与因果事实。他指出，构建网络并对其进行因果解释，需要大量假设和“因果直觉”（causal intuition）。

当我们的系统仅由季节、洒水器、降雨和湿草组成时，这并不是什么大问题。然而，对于像神经网络或细胞内网络这样高度复杂且理解尚浅的系统而言，“因果直觉”将远远不足以从无数个与我们所选变量的统计（及时间）关系相兼容的因果模型中，挑选出唯一正确的那一个（Mehler & Kording, 2018）。

5.2 马尔可夫毯的实在论

我们已经看到，马尔可夫毯最初由珀尔（Pearl, 1988）提出时，是统计模型的一种属性。其构成及其（可选的）因果解释，都依赖于建模过程中所做的一系列选择与理想化。然而，在弗里斯顿及其合作者的工作中，这种原本谦逊的“毯子”频繁地不仅被视为我们模型的属性，更被视为被建模系统本身的属性。正如弗里斯顿（2019b）所断言：“马尔可夫毯并非某种我们用来建模世界的统计工具——它是这样一个宇宙的必要属性：该宇宙可以被划分为‘事物’（things）”（第176页）。他与万贾·维斯（Wanja Wiese）进一步阐释道：“在自由能原理（FEP）的语境中，我们假定马尔可夫毯是系统自身的一种属性……因此，这一概念版本是一种形而上学观念”（Wiese & Friston, 2021，第4页）。

在FEP与预测加工（PP）文献中，马尔可夫毯不仅变得更加具体，还被披上了各种意想不到、几乎难以辨认的外衣。它在FEP中的哲学意义最初通过霍维（Hohwy, 2013, 2016）的工作引起关注，在那里，马尔可夫毯成为一种认识论边界，将我们与感官帷幕之外的世界隔离开来——而我们却仍必须努力推断出该世界的真实表征。霍维聚焦于大脑受限的有机体，利用马尔可夫毯引出对一个已预设感觉-运动界面的系统的怀疑论意涵。然而，我们并不需要马尔可夫毯的形式化来识别大脑中的主动、内部和感觉状态；事实上，早期许多关于大脑中FEP的研究正是在没有它的情况下展开的。

马尔可夫毯的讨论之所以在FEP中变得关键，是因为它为将主动推理的形式化应用扩展到神经系统之外提供了基础。因此，我们可以将弗里斯顿（2013）引入马尔可夫毯视为FEP发展的“第二波浪潮”——此时，部分倡导者已从提出一种“皮层反应理论”（Friston, 2005）转向一种跨越时空尺度的生物系统理论，“从单细胞到社会网络”（Friston, 2009a，第293页）。

在此语境下，马尔可夫毯首先被用于划定目标系统的边界，继而——至关重要地——将该边界划分为构成自由能方程的感觉状态、主动状态和外部状态（Palacios et al., 2020）。正如伊波利托等人（Hipólito et al., 2021）所描述的那样，目标节点即内部状态，其父节点是该有界系统的感觉状态，而其子节点则是主动状态：

在此语境下，我们将所关注的变量与马尔可夫毯的内部状态相关联；这使我们能将该变量的“父节点”视为介导外部状态对内部状态影响的通道（即作为感觉状态），而将其“子节点”及其“子节点的父节点”²视为介导内部状态对外部状态影响的通道（即作为主动状态）。（第90页）

请注意，尽管上述文献常将马尔可夫毯称为“统计边界”，但在FEP文献中，很快就会转向因果性语言，如“影响”、“中介”，并明确声称“父节点导致其子节点”（第90页）。这种因果性表述并非偶然。要将系统本身划分为主动状态与感觉状态——依据是某一状态是直接影响内部状态，还是被内部状态直接影响——就必须确立一种单向的影响方向，而这种方向并非仅由统计关系所蕴含。我们在上一节已看到，从统计分离过渡到一个假设性的因果边界需要额外的工作，而在简单模型的假设边界与系统自身中的“真实因果性”之间还存在进一步的鸿沟。然而，这些困难在FEP关于马尔可夫毯的讨论中基本上被搁置了。

除了因果具体化之外，马尔可夫毯还被赋予了另一重属性：它既是维持系统持续存在的必要条件，又是系统自身所维持的东西。它不再仅仅是对统计独立性的描述，而是某种“诱发”（induces）这种独立性的东西（Ramstead et al., 2019）。正如艾伦与弗里斯顿（Allen & Friston, 2018）所言：“简言之，一个系统的存在本身依赖于对其边界的维持——这一边界在技术上被称为马尔可夫毯——从而使它能与环境区分开来，否则它将消散于环境之中”（第2475页）。正是这种将马尔可夫毯理解为一种真实实体——既由有机体产生，又反过来因果地防止该有机体消散——构成了FEP宣称已涵盖自创生（autopoiesis）理论中所描述的自我生产与自我区分之循环关系（Allen & Friston, 2018；Kirchhoff et al., 2018），并提供“生命系统的第一性原理”（Friston, 2012）的核心主张。

长期以来，如何将自创生边界的本质特征从细胞的分子膜推广到多细胞生命形式，以刻画其自主性，一直是生物动力学能动主义（biodynamic enactivist）生命观的一大挑战。在这方面，马尔可夫毯可能具有的一个优势在于：它使我们能够描述自主系统如何与其环境分离，而无需依赖像包围生物细胞那样的连续物理边界。此外，正如赫斯普等人（Hesp et al., 2019）所提出的，这种宽松性使得我们能够在多个尺度的层级上识别出相同的自由能最小化动力学——从而将自然选择、社会互动、文化演化、发育、学习和规划统统视为一场宏大的、跨代际的自由能极小值追寻过程中的不同阶段。

例如，据我所知，英格兰银行货币政策委员会（BoE’s Monetary Policy Committee）的九名成员周围并不存在某种胶状的、类似细胞膜的物理包裹。然而，借助因果马尔可夫毯的概念，我们仍可将其集体行为纳入FEP分析，视其为一个稳定系统：它通过响应价格指数等感觉状态的变化，调整基准利率和政府债券发行等主动状态，从而维持一个关键变量——商品价格增长率——的恒定。

此时，你或许会感到，将生命力归因于英格兰银行货币政策委员会（超出其个别成员所贡献的有限活力）与其说是一项成功，不如说暗示了FEP对“何为生命系统”的分析出现了严重偏差。我对此并无异议。在接下来的一节中，我们将看到，如何依据因果马尔可夫毯来定义主动状态与感觉状态，竟可被用来支持一种更加令人惊骇的泛生命论（promiscuous vitalism）。我认为，正是在引入（因果）马尔可夫毯以个体化生命系统这一任务上——而它们对此任务显然力不从心——FEP开始脱离生物学现实。

要理解FEP对生命分析的这一部分，有两个关键问题需要厘清：第一，如果我们确实要对马尔可夫毯持“实在论”立场，这在何种意义上是合理的？第二，如果马尔可夫毯确实是真实系统的一种属性，而不仅仅是我们模型的属性，那么它能否胜任FEP在追求提供一种生物能动主义生命分析时所赋予它的任务？

第一个问题已受到FEP批评者的广泛关注，如布鲁因贝格等人（Bruineberg et al., 2022）、梅纳里与吉莱特（Menary & Gillet, 2020）、贝尼（Beni, 2021）以及拉贾等人（Raja et al., 2021），他们指责弗里斯顿及其同事将模型的某些方面实体化（reifying）。正如安德鲁斯（Andrews, 2021）所说，这是一种“把数学当作疆土”（confusing the math for the territory）的错误。然而，马尔可夫毯的实在论未必是一种错误。上述作者所主张的只是：弗里斯顿及其同事并未为其形而上学结论提供所需的形而上学前提。

这并不意味着这样的前提不存在。也并不必然要求像贝尼（2021）、梅纳里与吉莱特（2021）以及布鲁因贝格等人（2022）所暗示的那样，承诺一种数学柏拉图主义。事实上，存在一种关于实在结构与因果关系形而上学的积极立场，使得将马尔可夫毯视为真实实体（而非仅仅是建模构造）具有合理性。我在附录中更详细地讨论了这一立场及其可能的动因，简言之，它包含两个方面：概率图实在论（probabilistic graph realism）与因果关系的统计还原论，或许还可辅以佩内洛普·麦迪（Penelope Maddy）式的自然化数学实在论——即认为集合具有超越其组成部分的存在（Maddy, 1990, 1997）。

概率图实在论意味着将实在本身字面地理解为具有贝叶斯网络的结构：它由独立的节点构成，每个节点的状态仅由与其他节点的局部相互作用决定，并满足马尔可夫条件——即每个单元的状态在其父节点给定的条件下，与其非后代节点的状态相互独立。

与此相关的立场已由一些哲学家如大卫·刘易斯（David Lewis, 1994）、大卫·帕皮诺（David Papineau, 1992, 2022）和哈特里·菲尔德（Hartry Field, 2003）等人辩护过。这种观点通常（但并非总是）与因果关系的统计还原论相结合，后者认为贝叶斯网络中所描述的统计关系就是因果关系的全部。按照这种看法，“相关不等于因果”的原因并非因为它们是截然不同的事物，而仅仅是因为我们尚未收集到足够多的相关性信息，以唯一确定因果结构。此类观点曾由斯庞（Spohn, 2001）、赖兴巴赫（Reichenbach, 1956）、古德（Good, 1959）、萨普斯（Suppes, 1970）以及帕皮诺（Papineau, 1992）等人提出（相关综述见 Salmon [1980] 和 Weslake [2006]），尽管学界对这种观点究竟是在描述因果性作为实在的一个特征，还是仅仅是我们概念化世界时不可避免的特征，仍存有分歧。

如果因果关系确实可以如此还原为统计关系，那么实在终极图（the ultimate graph of reality）中的马尔可夫毯就真的成为因果边界——这正是弗里斯顿及其同事经常默认的情形。

然而，要使这些“真实的”马尔可夫毯能够如弗里斯顿（2013）及艾伦与弗里斯顿（2018）所主张的那样，用于界定一个有机体，还需要一个额外的承诺。这就是我称之为“稳定马尔可夫毯”（stable Markov blanket）的要求：即对应于该有机体的图结构——由其组成部分之间的相互作用模式所决定——必须足够稳定，使得存在一个固定的组件集合，能使其内部状态相对于外部状态条件独立，并且这一集合在其整个存在期间持续存在。

正如弗里斯顿（2013）所言：

一支蜡烛的火焰不可能拥有马尔可夫毯，因为任何分子相互作用的模式几乎会立即被从其表面涌出的气体分子流所摧毁。这意味着我们无法识别出一组一致的“毯子状态”，使其某些内部状态独立于其他状态。（第2页）

因此，断言存在一个真实的马尔可夫毯，所涉及的不过是以下主张：一个系统可被分解为若干独立单元（这一分解必须通过FEP框架本身未指明的某种先于FEP的方法完成），并且如果我们接受客观的统计依赖关系足以还原因果关系，同时接受局域性原则（principle of locality），那么任何一个此类单元的直接邻域在字面意义上就具有马尔可夫性质——即在该边界内外之间诱发条件独立性。

声称马尔可夫毯是真实存在的事物，实际上是对因果宇宙结构的一种普遍性主张。通过这样做，FEP既没有在世界中识别出一种新颖而有趣的实体，也没有发现一种将世界划分为“事物”的原则性基础。后一目标的实现，取决于一个必然先行的任务：告诉我们终极图中的绝对基本单元究竟是什么。

我们是否应当关心这些形而上学问题，取决于第二个问题：马尔可夫毯在生命系统理论中是否真的具有重要性。在下一章中，我将论证，马尔可夫毯对于帮助FEP形式化并“涵摄自创生”（“subsume autopoiesis”，Korbak, 2021, 第2747页）或“取代或吸收经典的（即自创生式的）能动主义表述”（Ramstead et al., 2021, 第59页）毫无助益。很难理解为何有人会认为它们能做到这一点。事实上，FEP声称能扮演这一角色，最终依赖于一个关于系统因果图循环结构的隐含假设。这一假设在我们用马尔可夫毯对系统进行分解之前，已经提供了对该系统的另一种界定方式。正如我将要描述的，这种特定的图结构确实与早期关于自主性的定义有某些相似之处，但它与当代以“脆弱过程的闭合网络”（closed network of precarious processes）来刻画自主性的理论并无明显关联。

此外，正如我将在第8章和第9章中所述，还有第二个理由让我们不必过于关注马尔可夫毯是否“真实”，而应更关注它们对生命系统是否相关：即使实在的某些部分或方面确实具有统计-因果图的结构，有机体也几乎是我们最不可能找到那种足以识别出一个稳定马尔可夫毯的交互稳定性的场所——更不用说让这种毯子持续存在并定义该系统在整个时间跨度中的存在了。

阶段性总结

在我们继续评估自由能原理（FEP）作为生物能动主义（bioenactivism）形式化方案之前，先快速回顾一下迄今引入的关键概念。

自由能原理主张：每一类特定系统（其范围依论述而定，可指微环路、大脑、有机体，甚至字面上的每一个“事物”）都必须最小化其组成部分的自由能，以维持自身的持续存在。自由能是两个因素的函数：其一，散度（divergence），即系统所编码的简化识别模型（recognition model）与生成其证据的实际过程之统计特性（即生成模型，generative model）之间的差异；其二，惊奇度（surprisal），即某一特定状态相对于该生成模型的不可能性（unlikeliness）。

事实证明，最小化第一个因素（散度）之所以重要，仅仅在于它使系统能够更有效地最小化第二个因素（惊奇度）。因此，当FEP被应用于非神经系统的讨论时，大多数论述都忽略任何被编码的识别模型，转而聚焦于“真实”的生成模型以及惊奇度的最小化。

将惊奇度的最小化视为自我维持（self-preservation）的必要且充分条件，依赖于一种以稳态（steady state）来定义持续存在的观念（Friston & Mathys, 2016）。“稳态”关键并不意味着系统状态永不改变，而仅要求任何变化都保持相同的统计特性，使得在系统存在期间任意随机选取的时间点上，其潜在状态的概率分布是平稳的（stationary）。这兼容系统状态中存在对称且随机的涨落（具有恒定幅度），但这些涨落必须通过耗散流（dissipative flow）所描述的机制回归到更可能的状态。此外，这也兼容（尽管不要求）系统在同样可能的状态子集之间循环，这种循环由螺线流（solenoidal flow）描述。进一步地，FEP还要求该平稳概率分布具有低熵，使得系统可能处于的状态集合不仅恒定，而且相对较小。

将这些要素共同视为“存在”的定义，其论证如下：一方面，若仅要求平稳性，则当大量状态在时间上始终保持等概率时也能满足——但在这种情况下，系统将缺乏可被重新识别的特征性状态；另一方面，若系统在每个时间段都只可能处于一小片状态区域，但该区域持续变动，那么我们也无法将其重新识别为同一个随时间持续存在的系统。稳态动力学的典型例子是生物稳态（biological homeostasis），但如第4章所示，它也可扩展用于描述非生物系统的稳定性。

自由能最小化与非平衡稳态维持之间的联系，由主动推理（active inference）提供。主动推理扩展了变分自由能最小化的思想——后者是一种调整近似识别模型以更好拟合证据的手段——通过增加一种选项：即通过行动来改变证据本身。因此，此类系统可通过两种方式最小化自由能：（1）改变编码其识别模型的内部状态，从而“学习”其特征性感官输入——这些输入由该系统的生成模型所描述；（2）通过行动最小化其感官证据的惊奇度，从而抵消偏离这些特征状态的离散趋势。这基于一个理念：通过降低感觉状态的惊奇度，系统隐含地降低了那些定义其作为某类系统的远端状态（distal states）的惊奇度。

然而，重要的是，这种“推断性”解释依赖于一个主张：系统确实编码了这个“识别模型”。而无论是声称一个系统“体现”（embodies）或“蕴含”（entails）一个生成模型，还是断言它“最小化惊奇度”，都不意味着其中发生了任何真正的推断过程。这些说法仅仅意味着：该系统具有稳态动力学，当受到扰动时会倾向于回到同一组状态，因此我们可以用一个生成模型的平稳联合概率分布来描述它。

尽管如此，当不存在识别模型、也不存在其与真实生成模型之间的散度时，从数学上讲，自由能确实简化为惊奇度。因此，FEP将一个系统仅仅是稳态系统（即可用生成模型描述）这一事实，视为足以说明该系统实际上在“使用”该模型进行推断并最小化其“自由能”。

要实现这一点，FEP需要将系统的组成状态分解为内部、感觉、外部和主动变量。而据称，这种分解正是通过前述的马尔可夫毯（Markov blanket）形式化来完成的。

所有这些构造共同构成了自由能框架（free energy framework）。其核心结论是：一个处于稳态的系统之动力学，可被形式化地类比为贝叶斯推理。但问题是：一个具有马尔可夫毯的稳态系统，是否足以形式化任何类似自创生（autopoiesis）、自主性（autonomy）、操作闭合（operational closure）或组织闭合（organizational closure）的概念？即使不能，它是否至少提供了一种对生命有机体的替代性定义？