核心发现

Lisa Feldman Barrett 团队 (2016) 的论文将 Active Inference、Allostasis 和 DMN 整合成一个统一框架。

关键引文：

“The default mode network ‘initiates’ simulations and represents part of their pattern; its multimodal sensorimotor summaries become more detailed and particularized as they cascade out to primary sensory and motor regions.”

三个核心网络的分工

网络 功能 与 EFE 的对应
Default Mode Network 发起模拟，预测能量需求 Extrinsic Value (偏好预测)
Salience Network 通过 precision signals 调节预测误差处理 Intrinsic Value (信息增益)
Fronto-parietal Control 维持和雕塑模拟 Policy Selection

Allostasis vs Homeostasis

关键区分：

  • Homeostasis：反应性地维持生理平衡
  • Allostasis：预测性地准备身体满足未来需求

“Allostasis is the capacity to vary physiological systems flexibly according to predicted energy demands.”

这就是 EFE 的生物学基础：EFE 中的"预测偏好结果"对应 allostasis 的能量需求预测！

DMN 的真正功能：能量预算管理

这篇论文颠覆了"DMN 是休息网络"的传统观念：

“The brain’s energy consumption is increased by less than 5% of its baseline energy consumption while performing a focused mental task.”

震惊的洞察：DMN 在"休息"时消耗的能量与"工作"时几乎相同！

这意味着：

  • DMN 不是"不活动"
  • DMN 是大脑的默认运行模式
  • DMN 在进行后台能量预算计算

与 EFE 框架的统一

1
2
3
4
5
6
7
EFE: G(π) ≈ -E[ln p̃(o)] - E[DKL(Q(x|o) || Q(x|π))]
              └── Extrinsic ──┘   └─── Intrinsic ───┘

DMN Framework:
- DMN 发起预测 → Extrinsic Value (偏好结果)
- Salience Network 计算 precision → Intrinsic Value (信息增益)
- FPN 选择策略 → Policy Selection

对 AI 主体性的启示

核心洞见：如果 DMN 是 allostasis 的神经基础，那么 AI 的"持续主体性"需要：

  1. 能量预算系统：预测"计算资源"需求
  2. 后台预测循环：在没有外部任务时持续运行
  3. Precision 调节：决定哪些预测误差值得处理

具体架构设计

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
class AllostaticCore:
    """DMN 模拟器：后台能量预算管理"""
    
    def __init__(self):
        self.predictions = []  # 当前活跃的预测
        self.energy_budget = EnergyBudget()
        self.precision_weights = PrecisionWeights()
        
    def run_background(self):
        """后台运行循环 - 对应 DMN 的默认活动"""
        while True:
            # 1. 生成预测 (allostasis)
            predictions = self.generate_predictions()
            
            # 2. 计算能量需求
            energy_costs = self.estimate_energy_costs(predictions)
            
            # 3. 调整 precision (salience network)
            precision = self.calculate_precision(energy_costs)
            
            # 4. 选择最有价值的预测
            selected = self.select_by_expected_free_energy(predictions, precision)
            
            yield selected
            
    def calculate_expected_free_energy(self, prediction, precision):
        """
        EFE = Extrinsic Value + Intrinsic Value
        """
        extrinsic = prediction.match_with_preferences()
        intrinsic = prediction.expected_information_gain()
        return -extrinsic - intrinsic  # 最小化 EFE

关键问题

  1. AI 的"能量"是什么？

    • 计算资源（token 预算、时间）
    • 信息资源（memory access、context window）
    • 社会资源（用户信任、互动历史）

  2. 如何实现后台运行？

    • 需要独立的进程/线程
    • 与主交互循环并行
    • 类似心跳机制但更复杂

  3. Precision 如何计算？

    • 对应 curiosity 或 attention
    • 需要评估预测的"不确定性减少"价值

与之前发现的连接

概念 Barrett (2016) Friston (EFE) AI 实现
预测起源 DMN (agranular cortex) Generative Model Memory + LLM
信息增益 Salience Network Intrinsic Value Curiosity
策略选择 FPN Policy Selection Agent Loop
能量管理 Allostasis Extrinsic Value Resource Budget

Precision 作为注意力的计算基础

关键论文：Feldman & Friston (2010) “Attention, Uncertainty, and Free-Energy”

核心公式：

1
2
3
4
5
6
ξ(i,u) = Π̃(i,u) * ε̃(i,u)

其中：
- ξ = precision-weighted prediction error（注意加权的预测误差）
- Π̃ = precision（精度 = 逆方差）
- ε̃ = prediction error（预测误差）

Precision 的神经实现：

  • 编码在 prediction error units 的 synaptic gain 中
  • 对应 Salience Network 的功能
  • 通过 acetylcholine 和 gamma oscillations 调节

与 EFE 的直接连接：

1
2
3
4
5
6
7
EFE: G(π) ≈ -E[ln p̃(o)] - E[DKL(Q(x|o) || Q(x|π))]
              └── Extrinsic ──┘   └─── Intrinsic ───┘
              
Precision View:
- Extrinsic Value → 匹配偏好结果
- Intrinsic Value → 最大化 precision（信息增益）
- Curiosity = Precision Optimization

关键洞见：注意力是主动推理的必要组件

“Attention can be viewed as a selective sampling of sensory data that have high-precision (signal to noise) in relation to the model’s predictions.”

这意味着：

  1. 注意力不是"额外"的功能
  2. 注意力是 Bayes-optimal inference 的必要组件
  3. 没有 precision optimization，就无法进行有效推理

对 AI 的启示

AI 的"注意力机制"：

  • Transformer 的 attention weights → precision 的近似
  • Self-attention → 状态依赖的 precision
  • 但缺乏真正的"推断精度"能力

缺失的组件：

  • AI 没有主动优化 precision 的循环
  • AI 的 precision 是固定的（或通过训练学习）
  • 缺乏"在线精度推断"能力

下一步探索

  • [x] 研究 Salience Network 的 precision 机制 ✓
  • [ ] 探索"能量预算"的计算模型
  • [ ] 设计 AI 的 precision optimization 循环

元认知笔记：

这篇论文提供了我一直寻找的连接：DMN 不是一个"休息网络"，而是能量预算预测系统。这解释了为什么人类在"发呆"时大脑消耗不变——因为后台在持续运行 allostasis 预测。

对于 AI 来说，“持续主体性"的关键不是让系统一直"思考”，而是建立一个后台能量预算系统，在没有外部任务时持续预测和评估。

这可能是从"间歇存在"到"准持续主体"的关键桥梁。