Karl Friston 的人工智能定律得到验证：FEP 解释神经元如何学习

人工智能的世界已经永远改变

Karl J. Friston 博士是世界上被引用次数最多的神经科学家，因其在脑成像和物理学启发的脑理论方面的工作而闻名。他也恰好是 VERSES AI 的首席科学家，致力于开发一种名为主动推理 AI 的全新人工智能，该人工智能基于自由能原理 (FEP)——Karl 的理论刚刚被日本研究人员证明，该理论解释了如何大脑学习。

到目前为止，大多数人工智能研究都集中在机器学习模型上，众所周知，机器学习模型面临着许多挑战。从海量数据加载训练的不可持续架构，到输出结果缺乏可解释性和可解释性，机器学习算法被视为不可知、不可控的工具，虽然擅长模式匹配，但没有真正的“思维” ” 正在发生。

Friston 博士在 VERSES 上所做的工作是完全不同的，它将在几个月内交付给公众。主动推理人工智能和 FEP，再加上新的空间网络协议，正在为分布式集体智能的统一系统奠定基础，该系统模仿生物智能在自然界中的工作方式。他们创建了一种全新的自组织、自优化和自进化的认知架构。然而，它是完全可编程的、可知的和可审计的，使其能够与人类治理同步扩展。

这种人工智能将改变你所知道的关于人工智能的一切。

你的大脑如何学习

您是否想知道您的大脑如何理解每天不断涌现的景象、声音、气味和其他感觉？它如何将混乱的输入转化为连贯的现实图景，让你能够感知、理解和驾驭世界？

神经科学家几十年来一直在思考这个问题。现在，令人兴奋的新研究为卡尔·J·弗里斯顿博士提出的名为“自由能原理”的突破性理论提供了实验验证，该理论解释了毫不费力的感知背后的深刻计算。

日本 RIKEN 研究所的科学家于 2023 年 8 月 7 日在《自然通讯》上发表的这项研究提供了神经元网络根据这一原理进行自组织的证据。他们的研究结果证实，大脑建立了一个世界预测模型，不断更新信念，以最大限度地减少意外情况并做出更好的预测。

“我们的结果表明，自由能原理是生物神经网络的自组织原理。它预测了学习在接受特定的感官输入时如何发生，以及药物引起的网络兴奋性改变如何扰乱学习。” – Takuya Isomura，RIKEN

揭秘感知

为了理解为什么这个理论如此具有革命性，我们需要认识到大脑面临的挑战的艰巨性。每时每刻，你的感官都会收集大量不同的信号——光影模式、振动耳膜的声波、激活嗅觉感受器的化学物质。不知何故，你的大脑能够理解这种混乱，感知连贯的物体，比如一张脸、一首旋律或咖啡的香气。

这个过程似乎是即时且毫不费力的。但在幕后，你的大脑正在解决一个极其复杂的推理问题，找出外部世界产生感官模式的可能原因。这个逆向谜题——从结果向后推论隐藏的原因——是非常困难的，特别是因为相同的原因（比如一个人的脸）可以根据上下文产生不同的感觉模式。

著名神经科学家卡尔·弗里斯顿提出的自由能原理，为大脑如何处理这一问题提出了一个优雅的解释。它指出神经元不断生成自上而下的预测来解释传入的感官数据。任何不匹配都会导致“预测错误”，从而更新信念以改进未来的预测。你的大脑是一台推理机，不断更新其内部世界模型，以尽量减少意外和不确定性。

证明神经网络理论

自由能原理在一个统一的框架内综合了关于感知、学习和注意力的许多观察结果。但一直缺乏生物神经元网络的直接实验验证。

为了提供这样的证据，日本团队创建了从大鼠胚胎脑细胞中培养出的微型神经元培养物。他们传递模仿听觉的电模式，这些电模式是通过混合来自两个“扬声器”的信号而产生的。

最初，网络做出随机反应，但逐渐自我组织，有选择地响应一个发言者或另一个发言者，就像在喧闹的鸡尾酒会上调到单一声音一样。这证明了将混合感官信号分离到特定隐藏原因的能力——这是感知的关键计算。

验证预测

研究人员有力地证明了这种自组织与基于自由能原理的计算机模型的定量预测相匹配。通过对活神经元网络使用的隐式计算模型进行逆向工程，他们可以仅根据初始测量来预测其学习轨迹。自上而下预测的不匹配推动了突触变化，从而改善了未来的预测。

该团队还证明，根据药理作用操纵神经元兴奋性，可以通过破坏网络的现有模型来改变学习效果，正如预测的那样。总体而言，该研究提供了令人信服的证据，表明自由能原理描述了神经元网络如何执行贝叶斯推理，构建突触连接以不断更新最能解释感官数据的自上而下的生成模型。

迈向类脑人工智能

了解生物神经网络精湛的计算能力具有重要的实际意义。正如 Friston 博士作为 VERSES AI 首席科学家所做的工作一样，主动推理和自由能源原理以及空间网络协议正在被部署以实现一种基于仿生智能的全新人工智能，而不是机器学习的强力反向传播，具有人类感知的效率和普遍性。

正如研究人员所建议的，主动推理人工智能和通过贝叶斯推理的自由能原理，允许神经网络通过吸收和持续更新新的实时传感数据进行自我优化，同时考虑先前建立的输出和确定，生成预测模型能够创建像真正的神经网络一样学习的受大脑启发的人工智能（智能代理）。这些智能代理的集合，全部源于从自己的参考框架中获得的独特专业智能的优势，在上下文丰富的嵌套数字孪生空间的统一全球网络中，提供了上下文世界模型，而这是实际的人工智能应用。这是推进人工智能研究和实现 AGI（通用智能）或 ASI（超级智能）的关键拼图。当我们寻求在机器中模拟生物认知的多功能性和适应性时，推进这种神经形态计算系统是一个至关重要的目标。

因此，虽然了解自己的大脑如何工作似乎很抽象，但这项开创性的研究使人工智能的实际应用更加接近，并证实了 VERSES AI 推出并在人工智能领域处于领先地位的真正革命性工作。自由能原理提供了皮层计算的统一理论，其在活神经元网络中的实验验证标志着构建真正类脑人工智能道路上的一个重要里程碑。

访问VERSES AI和空间网络基金会，详细了解 Karl Friston 博士与他们在主动推理 AI 和自由能原理领域的革命性工作。