自由能原理
Parent: ai_keywords
自由能原理（Free Energy Principle）
核心定义
自由能原理（FEP）由神经科学家Karl Friston提出，是一个统一框架，认为生物系统（尤其大脑）通过最小化变分自由能来维持稳态、适应环境。其本质是贝叶斯推理在生物层面的实现：系统维持一个内在的生成模型，通过感知（感知推断）与行动（主动推理）不断更新模型，以降低预测误差（自由能），从而保持生存所需的熵最小化。
关键技术点
-
变分自由能
模型预测与感官输入之间的KL散度下界。最小化自由能等同于最大化模型证据（贝叶斯边际似然），是系统“自证实”的核心机制。 -
生成模型
系统内部编码了环境因果结构的概率模型（如分层动态模型），用于预测感官输入。模型参数通过预测误差反向传播（类似深度学习）进行隐式学习。 -
主动推理
行动不再独立于感知，而是通过改变外部状态（如运动）来使感官输入匹配模型预测，即“将世界拉向先验信念”。这是目标导向行为的自然解释。 -
预测编码
大脑皮层沿层级传递预测信号与误差信号：高级区生成下行预测，低级区反馈上行预测误差。自由能最小化通过调整双向连接权重实现。
医学/神经科学应用场景：癫痫的预测编码障碍模型
基于首都医科大学神经病学研究背景，自由能原理可解释癫痫发作的失稳机制。正常大脑通过精细的预测编码维持神经动态平衡（低自由能）。癫痫灶内，突触可塑性异常导致生成模型过度“陡峭”（高精度先验），使局部网络对预测误差的容忍度下降：微小扰动即可引发大规模不匹配，表现为神经元群体同步发放（痫性放电）。
临床关联：
- 发作预测：通过监测颅内脑电的变分自由能变化（如熵率、脉冲时间不匹配），可超前数分钟预报发作。
- 靶向干预：利用主动推理框架设计闭环神经调控——当检测到自由能异常升高时，光遗传或电刺激通过引入“可控噪声”（降低精度先验）打断级联同步，该策略已在颞叶癫痫鼠模型取得显著效果。
此视角将癫痫从“兴奋-抑制失衡”重新概念化为“预测编码-自由度贬值”，为个体化神经调控提供新数学基础。
