#paper https://doi.org/10.1038/nrn2787 The free-energy principle: a unified brain theory? 自由能原理，说明了行动、感知和学习。这篇评论从自由能的角度审视了生物（如神经达尔文主义）和物理（如信息理论和最优控制理论）科学中的一些关键大脑理论。至关重要的是，有一个关键的主题贯穿了这些理论中的每一个--优化。此外，如果我们仔细观察被优化的东西，同样的数量不断出现，即价值（预期奖励，预期效用）或其补充，惊喜（预测错误，预期成本）。这就是在自由能量原理下被优化的数量，这表明几个全局性的大脑理论可能在自由能量框架内被统一起来。 生物系统的生理学几乎可以完全还原为它们的稳态。更确切地说,生物体所处的生理和感觉状态是有限的,这些状态决定了生物体的表型。数学上,这意味着这些(内感受和外感受)感觉状态的概率必须具有低熵;换句话说,系统很有可能处于少数状态中的任何一种,而处于其余状态的可能性很小。熵也是平均自我信息或“惊喜”8(更正式地说,它是一个结果的负对数概率)。在这里,“一条离开水的鱼”将处于一种震惊的状态(无论是情感上还是数学上)。一条经常离开水的鱼会有高熵值。 贝叶斯大脑假说 使用贝叶斯概率理论将感知表述为基于内部或生成模型的建构过程。潜在的想法是,大脑有一个世界模型 ,它试图使用感觉输入来优化它。这个想法与综合分析 和认识论自动化 有关。根据这种观点,大脑是一个 推 理 机 器 , 它 积 极 地 预 测 和 解 释 它 的 感 觉。这个假设的核心是一个可以产生预测的概率模型,根据这个模型,感官样本被测试来更新对其原因的信念。这个生成模型被分解成一个可能性(给定原因的感觉数据的概率)和一个先验(这些原因的先验概率)。然后,感知成为反转可能性模型(从原因到感觉的映射)的过程,以访问给定感觉数据(从感觉到原因的映射)的原因的后验概率。 这种反演与最小化识别密度和后验密度之间的差异以抑制自由能是一样的。事实上,开发自由能模拟是为了通过将其转化为更简单的优化问题来解决精确推理的难题 。这为模型识别和比较提供了一些强大的近似技术(例如,变分贝叶斯或集成学习)。贝叶斯大脑假说伴随着许多有趣的问题, 这些问题可以用自由能原理来解