自由能是什么原理（自由能原理和贝叶斯逻辑）

在过去几十年里，许多神经学家越来越相信大脑是按照贝叶斯逻辑（Bayesian logic）运行的。贝叶斯逻辑这个名字源自18世纪的英国牧师和统计学家：托马斯.贝叶斯。这个充满理性的数学定理在当时却是因为贝叶斯为了反驳当时对上帝的怀疑而研究出来的。

在当时受到传统统计学派的影响，大部分人对这个逻辑定理表现出巨大排斥，也没有发现其蕴含的丰富前景。事实上这也不怪他们，在那个没有计算机的年代，贝叶斯逻辑复杂的数学逻辑对于世人而言是晦涩难懂的，只有当时最出色的数学家才有可能理解其核心思想。直到计算机诞生后，人们发现，贝叶斯定理可以广泛应用在数据分析、模式识别、统计决策，以及最火的人工智能中，结果，贝叶斯定理是如此有用，以至于不仅应用在计算机上，还广泛应用在经济学、心理学、博弈论等各种领域，可以说，掌握并应用贝叶斯定理，是每个人必备的技能。

在讲解大脑可能内涵的贝叶斯模型前，我们先要弄清楚什么是贝叶斯逻辑。概括来说，贝叶斯逻辑（定理）将既有知识（或者说是既有证据发生的概率）和假设的预期的概率联系起来，使我们可以通过既有知识推测出假设预期的概率。而且这个过程是可以迭代的：第一次迭代中通过原有的既有知识推测出的假设预期概率后，该假设预期的概率就会变成新的既有知识去“增强”原有的既有知识，下一次迭代通过“增强”后的既有知识就能够得到更贴近现实情况的假设预期概率。

贝叶斯逻辑的数学表达，其实看着相当简单

上面这么一大段话听起来可能有点绕口和晦涩。为了更好的解释这个逻辑，我从往廖雪峰老师的博客里借用一个疾病检测阳性的例子来解释。已知有一种疾病，发病率是0.1%。针对这种疾病的测试非常准确：

• 如果有病，则准确率是99%（即有1%未检出阳性）；
• 如果没有病，则误报率是2%（即有2%误报为阳性）

在这里，既有知识就是检测结果为阳性，而假设预期就是这个人得病的概率。

那么通过一系列数学分析可以计算出如果一个人检测一次结果是阳性，他得病的概率事实上只有4.721%。如果他继续做第二次检测依旧是阳性，那么这个时候他得病的概率就猛然上升到了71%。如果继续做第三次检测依旧为阳性，那么这个时候假设预期的概率就高达99.18%。在这个例子中可以看出随着新的既有知识不断出现，概率模型不断被更新，最终几乎完全贴合现实。这个例子具体的数学分析在下面链接，写的深入浅出，即使没有数学基础的人也能看懂，强烈推荐去看看哦。

https://www.liaoxuefeng.com/article/1565255725482019

那么贝叶斯逻辑和大脑的运行机理有什么关系呢？这里就要提到英国神经科学家卡尔.弗里斯顿。他提出了“自由能原理”。自由能原理的核心是在漫长的生物进化历程中，能最高效运用能量的特征往往能获得巨大的生存优势。因此在某些环境压力下，大脑极有可能演化出某种不爱惊喜刺激的倾向。不爱惊喜刺激通俗来说就是大脑希望外界的反馈输入和自己内部的预测模型输出一样，如此它就无需耗费多余的糖（能量）去处理这些没遇到过的刺激。（生物演化出能够产生对感染过自己的病毒的抗体也含有类似的机理）。因此大脑努力最小化意外，就像物理系统永远倾向于能够达到的最低能级状态（因为低能往往意味着稳定）。

而神经学家们猜测大脑最小化意外刺激的方式很可能就是构建一套预测模型，这套模型关联着我们学习新知识的过程。模型能够根据感官得到的新外界反馈不断更新，以此最小化模型产出和外界发生的事。这种过程正是贝叶斯逻辑的核心：新信息更新大脑的概率模型，就好像一个资深赌徒调整赌注。而贝叶斯仿佛是大脑的赌桌管理员。

事实上，贝叶斯逻辑的确在如今的人工智能，机器学习，金融分析甚至心理学上立下了悍马功劳，但这并不代表它确实就是大脑工作的核心。就好像核裂变和煤炭燃烧都可以煮沸水产生水蒸气驱动涡轮发电。结果就是灯泡亮了，但背后的逻辑却是天差地别。正如书中所说：贝叶斯相关的脑科学理论对整个脑的解释仍然是推测性的；无论一个理论看起来多么优雅和诱人，实验证据将永远是证明其是否正确的决定性因素。

文章内容引用自马修.科布的《大脑传》