《連線》發表了一篇介紹神經科學家Karl Friston及其“自由能”理論的文章，非常有意思，其中涉及人工智能的部分，值得仔細看看。下邊是我胡亂摘譯（安全起見，請大家去看原文，鏈接附在在末尾）的，算個人學習筆記吧——據說未來的主題是人工智能呢！
Karl Friston
Karl Friston 是倫敦大學學院（UCL：University College London）富有傳奇色彩的功能影像實驗室（FIL：Functional Imaging Laboratory）的科學主任。
在Friston的工作領域裡，他設計了諸多重要工具，幫助科學家可以清晰地觀察大腦。這些發明讓Friston業已成為學術英雄。
Karl Friston
1990年，Friston發明了統計參數映射（SPM : statistical parametric mapping），這是一種基於統計學原理和腦神經原理的計算方法，其本質非常專業化，很難用通用語言來描述，一位神經科學家曾經採用一種形象的比喻來介紹它：把（大腦）圖像的數據“揉碎、捏合”後，生成一種實體化的腦部狀態圖像，研究人員可以據此對不同大腦的相對應區域產生的活動狀態進行“逐項對應”的比較研究。
統計參數映射的衍生技術（所謂基於立體像素的形態測量學：voxel-based morphometry），被應用一項著名的研究中。這個研究項目是針對人類海馬體的，實驗測試對象是倫敦的出租車司機。為了獲得運營執照，他們必須記住320條路徑和6英里內眾多交叉路口的地標。通過運用Friston的技術，研究者得以觀察到人類海馬體的後側部分是如何隨著學習和記憶的深入而增長的。
另外一篇2011年發表在《科學》雜誌上的研究報告，也使用了由Friston動態因果建模方法驅動的一個第三方腦成像分析軟件，分析的目標是確定嚴重腦損傷患者是否具有最低限度的意識，或徹底變成了植物人。
Karl Friston於2006年入選英國皇家學會，該學院將他對大腦研究的影響描述為“革命性的”，並表示超過90％的腦成像論文都使用了他的方法。
兩年前，艾倫人工智能研究所（Allen Institute for Artificial Intelligence）一個由AI先驅Oren Etzioni領導的研究小組指出，Friston是世界上最常被引用的神經科學家。他的一個h指數（h-index，一個衡量研究人員出版物影響的指標）幾乎是阿爾伯特·愛因斯坦的兩倍。
去年，分析機構Clarivate Analytics將Friston列為諾貝爾生理學或醫學獎三個最有可能的獲獎者之一。Clarivate Analytic著稱於世的成果之一，是它們在過去二十多年中已經成功預測了46位諾貝爾科學獎獲得者。
Karl Friston不僅在他所在領域具有影響力，在其它學科中也饒有成果。他今年59歲，每天晚上都工作，週末也不例外。2000年以來，他已經發表了1000多篇學術論文。僅在2017年，他作為主要作者或共同作者的出版物就有85種，平均每4天1個。
女王廣場
Friston聲望日隆。他所在的學院位於倫敦著名的女王廣場附近。有趣的是，女王廣場似乎與腦科學研究具有某種神秘的歷史傳承關係。Shaun Raviv 的文章開頭即描述了一個關於女王廣場的傳奇故事：
有一個故事描述了發瘋了的英王喬治三世（喬治三世在位時開始顯露出“瘋狂”跡象，傳說喬治試圖與一棵樹握手，認為那棵樹是普魯士國王。喬治的故事如何啟發了喬治·R R ·馬丁在《權力的遊戲》中塑造一系列癲狂形象，也是一個有趣的話題）是如何被匆忙送到王后廣場的一所住宅裡接受治療的。據說，喬治的妻子夏洛特（Queen Charlotte）特地租下一家酒吧的酒窖作為臨時廚房，以便伺候國王用餐。
這些故事的真實性很難求證，但即便已經過去了200多年，這個故事依然會出現在“倫敦旅遊指南”之類書中。更有趣的是，這個廣場一直在按照故事的情節在構建自身：夏洛特的金屬雕像矗立北端，有一家酒吧就叫Queens Larder（Ladder：餐櫃之意），其中售賣炸魚薯條和格林王之類的英式傳統艾爾啤酒……
Queens Larder
不論如何，女王廣場與患有精神疾病（妄想症？）的喬治國王已經融為一體，這是人類精神的一種奇特現象。而如今，女王廣場上的長方花園，幾乎總是被那群在附近工作，從事腦科學研究，以及被研究的人佔據了。這算冥冥中的一種巧合嗎？扯遠了……來自全球各地的研究者跑來女王廣場附近拜訪Friston。但這些拜訪者中只有很少一部分人是腦科學專業的，而Friston也幾乎不講大腦成像的事情。比如在2018年夏季的10天時間裡，Friston接待了如下幾種人：一位天體物理學家；幾位哲學家；一位計算機工程師（他在亞馬遜Echo項目的一個競爭對手那裡工作）；一個世界最大的保險公司（之一）的人工智能負責人；一位尋求更好助聽器方案的神經科學家；以及來自一家創業公司的精神科醫生，該公司正在運用機器學習技術來協助治療抑鬱症。他們中的大多數人來過不止一次，但他們迫切希望能夠了解到更多信息。而問題的核心，就是“自由能”。
自由能
在過去十年左右的時間裡，Friston投入了大量的時間和精力來發展他稱之為“自由能原則”（或自由能原理：free energy principle ）的想法。這個想法，Friston相信其指向了所有生命的組織原則，對智慧而言，也是如此。
Friston提出的問題是：“如果你是所謂活著的，那麼，你必然要表現出來的行為是什麼？”
事實上，Friston提出的“自由能原則”非常難於理解。一種簡單的解釋是這樣的：
自由能原則的核心來自於一個簡單的故事，並解決了一個基本性難題。熱力學第二定律告訴我們，宇宙傾向於熵增加，趨向於無序和解體；但生命卻在竭力抵抗它（熵）。每天早上醒來——假入沒有宿醉折磨你的話，你幾乎感覺不到和昨天有什麼區別。顯然，在我們的細胞和器官之間，以及在我們與外部世界之間，都有著一個明確的分界。我們經由這個分界來區分“我”與“非我”——這幾乎就是從古以來最基本的一個哲學命題。
但這一切都是為什麼？Friston的自由能原理認為，所有生命（在各種尺度和規模下，從單細胞體到人類的大腦，後者擁有數十億個神經元）都是由某種普遍性規則來驅動的，這種規則，可以簡化為數學方程。
並非比喻的：所謂活著，就是在執行“以減小感知和期望之間鴻溝為目標”的數學方程。這用Friston的術語來講就是：使自由能最小化。
（薛定諤的名著《什麼是生命》，是使用物理學原則來解讀生命現象的肇始性作品。Friston的方式，可以與其跨學科的前輩作者遙相呼應。）
自由能原理提出後產生了深遠影響。從生物學基礎研究到思維理論，從腦科學領域一直到人工智能研究，越來越多的學者認識到自由能原則將推動這些研究向更深入、更廣泛的方向發展。然而問題在於，一個基本共識是：真正瞭解Karl Friston自由能原則的人，可能只有Karl Friston本人，至少目前如此。
通往自由能
Shaun Raviv 的文章著力描寫了Friston個性方面的某些特點，這可能對了解自由能原則具有某種線索意義。
Friston為內心畫了一條界限，以防止遭到“入侵”。比如，他更喜歡站在臺上，與其他人保持著合適的距離進行交流。他沒有手機。他總是穿著一次兩件購買的深藍色的西裝。他避免參加國際會議。等等。
與這種個性相適應的是，Friston非常敏銳而投入。他認為讓自己沉浸在一個需要數週時間才能解決的困難問題中簡直就是一種安慰。他的這種個性可以一直追溯到他童年時代，從那時起就，他似乎就開始了尋找融合、統一和簡化世界噪音的方法。
8歲那年的夏天，Friston與家人住在利物浦附近的Chester，他的母親讓他去花園玩耍。他翻起一根舊木頭，發現了幾隻木蝨（類似於土鱉，一種有著犰狳式外骨骼的小蟲子），它們登時四散奔逃（這情景我們童年時是否也曾有過，但卻無法啟迪我們產生自由能……）這一現象引起了他的注意。他開始時認為——像我們通常認為的那樣，蟲子們是因為被掀翻了避難所，所以瘋狂逃竄，但Friston的想法與眾不同。他盯著他們看了半個小時，然後推斷出，這些蟲子實際上並不是在尋找陰影或避難所。木蝨的亂竄其實沒有更大的目的性，至少不是人類意義上的那種目的性。這些生物的運動是隨機的，在太陽的溫暖光照下，它們需要移動得更快，如此而已。
Friston稱這是他的第一個科學見解。在那一刻開始，“所有這些做作的，關於生存和目標的人格化解釋，似乎都開始剝離了。你正在觀察的事情，是那個樣子，可能僅僅因為它就是那個樣子，它只能是那個樣子——從某種意義上說。
Friston在10歲以前不停轉學，因為他父親是一名土木工程師，在各地工作，所以他們不得不搬來搬去。正像故事裡那些經常轉學到陌生環境中的孩子們一樣，Friston開始享受獨自探索，以此維護著自己脆弱的自尊心。
10歲那年，Friston設計了一個“自糾錯機器人”，使用了自校正反饋控制器和水平儀，理論上，它可以帶著一杯水走過崎嶇的地面。學校為此要一位心理輔導老師去詢問他是，這些他都是怎麼想出來的。
“你非常聰明，卡爾！” Friston的母親安慰他，但Friston並不相信。
儘管如此，在Friston十幾歲的時候，他迎來了自己的又一次“木蝨時刻”。那時，他剛剛看完電視回到臥室，他注意到窗外櫻花盛開。他突然被一種從未有過的想法佔據心靈。
“必然有一種方法，可以從’無’開始理解’一切’，”他想。“假如，我只被允許從整個宇宙中的某一個點開始，那麼，我可以從那裡開始獲得我需要的所有其他東西嗎？”
他在床上待了幾個小時，開始了自己的首次探索。“顯然，我完全失敗了，”
年輕的Friston雖然失敗了，但自由能原則也許已經在櫻花開放的時刻悄悄滲透進了他的內心。
貝葉斯概率機
中學畢業後，Friston接受輔導員意見，選擇了醫學，儘管他不喜歡（害怕）這一學科。此後，Friston搬到牛津，在一家維多利亞時代的醫院Littlemore做了兩年常駐實習生。
根據1845年的“Lunacy法案”，Littlemore最初成立的目的是幫助將所有“貧民瘋子”從工作室轉移到醫院。到20世紀80年代中期，當Friston到達時，它是英格蘭郊區最後一箇舊收容所之一。
在Littlemore之後，就是20世紀90年代早期的大部分時間，Friston使用了相對較新的腦部掃描技術PET，試圖瞭解精神分裂症患者大腦內部的情況。在此期間，他發明了統計參數映射（statistical parametric mapping）。部分由於採用開源策略，這一方法後來得到了最廣泛的應用。
1994年，Friston來到皇后廣場。有一段時間，他所在的FIL辦公室與“蓋茨比計算神經科學部”只隔幾道門。“蓋茨比”由其創始人，認知心理學家和計算機科學家傑弗裡·辛頓（Geoffrey Hinton）負責，其研究人員在研究感知和學習理論——包括生物和機器系統。在FIL成為神經影像學的領導實驗室之際，“蓋茨比”正在致力於將數學模型應用於神經系統研究。
此時，Friston和Hinton成了朋友。
Hinton說服了Friston：理解大腦的最佳方式，就是將其看作一個貝葉斯概率機。這個想法可以追溯到19世紀德國物理學家Hermann von Helmholtz的工作成果：大腦以概率方式來計算和感知，不斷基於感官的獲得進行預測和調整結論。按照現代最流行的貝葉斯解釋就是，大腦就是一個“推理引擎”，其目標在於最大限度地減少“預測誤差”。
2001年，Hinton離開倫敦前往多倫多大學，在那裡他成為人工智能領域最重要的人物之一，併為今天的深度學習研究奠定了基礎。
在Hinton離開之前，Friston最後一次拜訪了他。當時，Hinton描述了他設計的一種新技術：允許計算機程序更有效地模擬人類決策——其過程整合了多種概率模型輸入，這在今天的機器學習理論中被稱為“專家乘積”（PoE ：product of experts）。
這次會面讓Friston深受觸動。受到Hinton的想法的啟發，並且本著智力互惠的精神，Friston向Hinton發送了一系列自己的研究筆記，核心內容是關於連接幾個從解剖學，生理學和心理學屬性上看似沒有關聯的大腦屬性。Friston在2005年發表了這些筆記，作為他“自由能原理”數十篇論文中的第一篇。
兩個最強大腦的碰撞，從物理學到腦神經學，從貝葉斯概率到自由能，得益於跨學科思想的互通有無，一切似乎漸漸明朗起來。
馬爾可夫毯
但自由能原則依然躲在迷霧裡。即使Friston本人，在描述自由能原理時也很難決定從哪裡開始。Shaun Raviv 的文章選擇從Friston辦公室裡沙發上的馬爾可夫毯作為切入點。
所謂馬爾可夫毯，就是一個白色的羊毛沙發背墊，上邊印著一張黑白肖像，肖像人物是面容嚴肅，長著大鬍子的俄羅斯數學家安德烈·安德烈耶維奇·馬爾科夫（Andrei Andreyevich Markov，1922年去世）。這塊毯子是Friston的兒子送給他的禮物，一個包裹在毛絨和聚酯裡面的關於自由能原理核心的小玩笑。
馬爾可夫毯子
馬爾可夫這個名字與“馬爾可夫毯子”緊密相連，後者在機器學習理論中表示一個隔蔽層，在一個層疊的、繼承性系統中，將一組變量與其他組變量區隔開。
著名心理學家克里斯托弗·弗里斯（Christopher Frith）曾用“馬爾科夫毯”作為對細胞膜的一種認知性理解——它就像一個毯子，把細胞內外兩種狀態區分開來。
在Friston看來，宇宙是由“馬爾可夫毯”裡的“馬爾可夫毯”構造的。我們每個人都有一個“馬爾可夫毯”，讓我們與“非我”分開。在我們內部，是分隔各個器官的“毯子”，其中又包含著分隔各個細胞的“毯子”；在細胞內，又包含分隔各個細胞器的“毯子”…… “毯子”定義了生物體如何在時間的推移中存在，並且執行彼此不同的行為。沒有“毯子”，我們只不過是一縷熱氣，消散到“以太”之中。
我們已經知道，“自由能”的概念原本來自物理學，這意味著，如果不涉及數學公式，你很難去精確解釋它。但這也正好是它強大的原因：它不僅僅是一種修辭概念，而是一個可以測定的量。使用適當的數學方法可以將其模型化，然後用以解釋世界。相應的，如果你想把這個概念從數學翻譯成普通語言，大概只能如此描述：自由能是一種差異，區隔了你所期望的狀態，和你的感知系統所告知你所處的狀態。換句話說，當你減少自由能時，你就是在減少意外（驚喜）。馬爾可夫毯，不是嗎？
減少意外
根據Friston的說法，任何生物系統都在抵抗紊亂和解體傾向，這就是基於自由能原則。無論對原生動物還是職業籃球隊，都是如此。
一個單細胞生物，和複雜的人類大腦一樣，都需要“減少意外”的需求。
唯一的區別在於，作為高度發展了的自組織生物系統，人類的大腦非常複雜：它吸收數十億感知受體的信息，它需要將所有這些信息有效地組織成一個準確的世界模型。
“從某種意義上來說，大腦真的是一個奇妙的器官，它生成假設（或幻覺），試圖對那些由無數信息匯聚而成的複雜圖景給出一個合適的解釋。”大腦在不斷做出預測，根據感官傳回的信息做出推論，並更新其結論，同時試圖把預測誤差信號降到最低水平。
這聽起來很像“貝葉斯”大腦設想，即Hinton在20世紀90年代告訴Friston的“推理引擎”。事實上，Friston認為貝葉斯模型是自由能原理的基礎（“自由能”甚至可以作為“預測誤差”的粗略同義詞）。但是，對於Friston而言，貝葉斯模型的侷限性在於它只能解釋結論與認知之間的相互作用，但它對身體或動作卻無法發表意見。
這對於Friston來說是不夠的。於是他使用“主動推理”（Active Inference）這一術語來描述有機體存活於世時最大限度減少意外的方式。
Friston認為，當大腦做出的預測不會被感官傳回的信息立即證實時，它可以通過以下兩種方式中的一種來最小化自由能：1、修改其預測——接受意外，承認錯誤，然後更新其世界模型；2、通過某種行為來使其預測符合真實情況。如果我推斷我在用左手食指摸我的鼻子，但是我的的感受器檢測到手臂放在身邊，我就可以通過抬起手臂摸鼻子的動作來回應我的推斷——最小化大腦預測錯誤，最小化自由能。
“我們對世界進行取樣，以確保我們的預測成為一種可以自我實現的預言。”
那麼當我們的預言沒有自我實現時會發生什麼呢？一個系統被“意外”所吞沒的樣子是什麼樣的？
當大腦為那些從感官湧入的“證據”分配了太少或是太多的權重時，麻煩就產生了。例如，精神分裂症患者可能無法更新他們的世界模型，以解釋來自感官的輸入信息。本來看到的是一個和善的鄰居，但希拉里（Friston在Littlemore時期的一個病人，她用菜刀砍下了鄰居的頭，因為她確信那個人已經變成一個邪惡的烏鴉人。）卻可能會看到一個邪惡的烏鴉人。
“想想那些精神疾病，包括大多數神經系統疾病，僅僅是來自一些支離破碎的確認，或者是來自錯誤的推斷——就是所謂的幻覺和妄想。”Friston說。
在過去幾年中，Friston和其他一些科學家使用自由能原理來幫助解釋焦慮，抑鬱和精神病，以及自閉症，帕金森病等病症。在許多情況下，科學家已經知道了（藉助於Friston的神經成像方法）大腦的哪些區域在哪些疾病中會出現故障，哪些信號會被破壞。但僅此是不夠的。“瞭解了哪些突觸，哪些大腦連接不正常，這依然是不夠的。你需要一個能夠計算出結論的微積分。” Friston如是說。
AI
自由能原則為“心靈”（mind：理智，精神）如何運作提供了一個統一的解釋，併為“心靈”如何發生故障提供了統一的解釋。最後，順理成章地，它也可能幫助我們從草圖開始構建一個“心靈”。
幾年前，一群英國研究人員決定用一種新的分析工具重新探索英王喬治三世發瘋的事實。他們把國王寫的大約500封信件加載到機器學習引擎中進行訓練，以便識別各種文本特徵：單詞重複，句子長度，句法複雜性等。訓練結束時，該系統能夠推斷一篇王室公文是寫於國王發瘋期間還是清醒期間。
這種模式匹配技術大體上類似於訓練機器去做諸如人臉識別，貓、狗圖識別，以及語音識別等。在過去幾年中，這種計算取得了巨大進步。但這種技術需要大量的前期數據和人工干預，而且可能是一種“脆弱”系統。
人工智能的另一種方法稱為強化學習（reinforcement learning），如今已經在遊戲方面取得了令人難以置信的成功，如圍棋、國際象棋和Atari Breakout等。
強化學習不需要為大量訓練數據做人工標記，它只需要把特定的獎勵機制（通常是遊戲獲勝條件）告訴神經網絡，神經網絡僅僅通過一遍又一遍地“玩遊戲”來進行學習，不斷優化自己的策略，就可以獲得極佳的結果，就好像訓練一隻狗狗學習執行某些特殊任務一樣。
但強化學習也有很大的侷限性。因為在真實世界中，絕大多數事件並非圍繞一個單一的、狹義的目標來組織運行。（比如，有時候你必須停止玩Breakout才能去洗手間，去撲滅火災，或者與老闆交談，等等。）另外，大多數事件環境並不像在遊戲那樣穩定和有規律。而神經網絡的野望價值是，他們應該能夠真正按照人的方式來思考。強化學習模式中並沒有包含“人”。
從Friston自由能原則來看，這種失敗是很正常的。根據自由能原則，人類思想的根本動力並不是尋求某種外部獎勵，而是為了使預測誤差最小化。顯然，神經網絡也應該這樣做（值得高興的是：自由能原理背後的貝葉斯方程已經用機器學習原生語言編寫好了）。
主動推理
Netflix的機器學習負責人Julie Pitt在2014年發現了Friston的自由能原理，這改變了她的想法（Julie Pitt的Twitter小傳寫著：“我通過主動推理推斷自己的行為。”）。在Netflix工作之外，她一直在一個名為Order of Magnitude Labs的項目中探索自由能原理的應用。
Pitt說，自由能模型的美妙之處在於它允許一個人工Agent在任意環境中運行，哪怕是一個未知的、新的環境。在舊的強化學習模式下，應對不同環境，你必須不斷為人工Agent規定新的規則和激勵，以便使它應對複雜的世界。 然而，自由能Agent卻總是按照自己的內在規則來運行：目標是讓“意外”最小化。這種機制導致了一種向外界進行探索的驅動力。
2017年末，倫敦國王學院的神經科學家和工程師Rosalyn Moran領導了一個研究小組，他們在3D射擊遊戲Doom的一個版本中，讓兩個AI玩家相互對抗。測試的目標是對由主動推理驅動的Agent與由獎勵最大化驅動的Agent進行比較。
基於獎勵的Agent的目標是殺死遊戲中的怪物，但自由能驅動的Agent卻在儘量讓意外最小化。那個Friston版的Agent開局非常緩慢，但最終它開始表現得好像它瞭解這個遊戲的模板一樣：比如，它似乎意識到，當Agent向左移動時，怪物往往移動到右邊。
結果很明顯，即使是在遊戲環境中，獎勵最大化驅動的Agent “明顯不那麼健壯”，而自由能原則驅動的Agent則能更好地瞭解環境。 “它的表現優於強化學習，因為它在探索，” Moran說。
在另一個模擬中，一個自由能最小化Agent與真人玩家進行對抗，測試結果具有相似性。Friston Agent開始慢慢地，但是積極地探索各種選擇，然後開始快速地展現出人格化的行為表現。
（Alpha zero最近取得的成果，雖然往通用型計算邁進了一步，本質上看，依然是一種強化學習，而沒有采用自由能原則。）
主動推理（Active Inference）正在傳播到更主流的深度學習研究領域中，儘管速度比較緩慢。Friston的一些學生在DeepMind和Google Brain工作，其中一人創建了華為的人工智能理論實驗室。但它仍然不像強化學習那麼普遍，後者即使是本科生也會學習。
Shaun Raviv 向Friston詢問自由能原理和人工智能之間的聯繫，後者預測在5到10年內，大多數機器學習都會包含“自由能最小化”。Friston還玩了一個文字遊戲來表達自己的看法：“想想為什麼它被稱為主動推理（Active Inference）？對，這就是AI - Active Inference的首字母縮寫。”
通用理論
儘管Friston的理論極其費解，但很多研究者認為它揭示了一個與達爾文自然選擇理論一樣具有廣泛性的問題。
加拿大哲學家馬克斯韋爾·Ramstead（Maxwell Ramstead）在2014年首次閱讀Friston的作品。 2016年，他遇到了Friston，後者告訴他，適用於細胞分裂的數學，同樣也可以適用於文化。 “這對我來說是一次改變生活的對話，”Ramstead說。
“這在歷史上是絕對新穎的。”在Friston出現之前，“我們有點被迫在沒有通行貨幣的情況下在這個多學科空間中來回穿梭，而自由能原則為你提供了這種貨幣。”
2017年，Ramstead和Friston與墨爾本大學的Paul Badcock合作了一篇論文，他們用馬爾科夫毯術語描述生命。一個細胞就是馬爾科夫毯包裹的系統，通過最小化自由能以存在。部落，宗教和種群，也是如此。
在Ramstead的論文發表之後，當時在FIL的認知神經科學家Micah Allen寫道，自由能原理已演變成阿西莫夫“心理史學”（來源於阿西莫夫基地系列小說，是一個虛構的科學系統，將心理學，歷史學和物理學等歸併為一種統計科學，並據此對歷史走向作出預測。）的真實版本。
確實，自由能原則已經擴展為一種普適性觀點，即使不是萬物理論，也接近如此。（Friston告訴我，癌症和腫瘤可能就是一種錯誤推理的實例，細胞被欺騙了。）但問題在於：能解釋一切的理論是否等同於什麼也沒解釋？
Friston說他的工作有兩個主要動機。當然，他很想看到自由能原理有朝一日會導致真正的人工意識，但這並不是他的首要任務之一。 相反，他的第一個重要願望是推進精神分裂症研究，以幫助修復患者的大腦——如他在那間舊收容時所見到那些人。他的第二個主要動機“更加自私”一些，這可以追溯到他十幾歲時的那個晚上，在他的臥室裡，他看著櫻花，想知道，“我能用最簡單的方式理清這一切嗎？”
真正的人工意識
顯然，自由能原則為人工智能技術的前景設置了深遠的想象空間。儘管基於機器學習以及強化學習的AI應用已經層出不窮，吸引了極大的投資，但在自由能原則的信奉者來看，現有的AI模式中，依然缺乏真正的“人”的因素。人工智能這篇作文遠未完成，甚可以說剛剛寫了一個開頭。
原文標題：
THE GENIUS NEUROSCIENTIST WHO MIGHT HOLD THE KEY TO TRUE AI
原文鏈接：
https://www.wired.com/story/karl-friston-free-energy-principle-artificial-intelligence
文章作者 ：Shaun Raviv 自由作者，為連線、BuzzFeed等媒體供稿。
閱讀更多 偵探嗨森伯 的文章
