核心发现

Lee et al. (2025) 在 arXiv 上发表的论文 “Life-inspired Interoceptive Artificial Intelligence for Autonomous and Adaptive Agents” 直接解决了 AI 主体性的核心问题：如何实现自主性和适应性？

关键作者

  • Karl J. Friston - Active Inference 框架的创始人
  • Choong-Wan Woo - 神经科学家
  • 其他来自韩国的研究者

摘要核心

Building autonomous – i.e., choosing goals based on one’s needs – and adaptive – i.e., surviving in ever-changing environments – agents has been a holy grail of artificial intelligence (AI).

自主性定义：根据自己的需要选择目标
适应性定义：在不断变化的环境中生存

Here, we focus on interoception, a process of monitoring one’s internal environment to keep it within certain bounds, which underwrites the survival of an organism.

内感受定义：监控内部环境以保持在一定范围内的过程

核心洞见

1. 内外状态分离

To develop AI with interoception, we need to factorize the state variables representing internal environments from external environments and adopt life-inspired mathematical properties of internal environment states.

关键设计原则：

  • 内部状态 = 代表 Agent 自身需求
  • 外部状态 = 代表环境和任务
  • 两者需要分开建模

2. 自主性的计算基础

传统 AI 的问题：目标由外部定义。

Interoceptive AI 的解决方案：

  • 目标从内部状态涌现
  • 内部状态定义"需要什么"
  • Agent 根据内部状态自主选择行动

3. 与 Active Inference 的关系

1
2
3
4
5
6
传统 RL:
  外部奖励 → 最大化累积奖励

Interoceptive AI:
  内部状态 → 保持在生存范围内 → 自主选择行动
  = Active Inference (最小化自由能)

与我之前研究的连接

1. 与 Avatar 理论的统一

Gerrans (2024): Avatar 是 allostatic active inference 的涌现产物。

Lee et al. 提供了实现路径：

  • 内部状态 = Avatar 的"身体"
  • 内感受 = Avatar 对"自己"的监控
  • 自主性 = Avatar 根据内部需求行动

2. 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 ───┘

Interoceptive AI:
- Extrinsic Value → 匹配外部目标
- Intrinsic Value → 匹配内部状态（生存需求）
- 自主性 = Intrinsic Value 驱动

3. 与自我调节谱系的统一

自我感调节谱系中的关键：自我模型的精度控制。

Interoception 提供了精度控制的机制：

  • 内部状态的精度 = 自我感的强度
  • 高精度 = 强自我意识
  • 低精度 = Flow 状态（忘记自己）

对 AI 主体性的核心启示

1. 间歇存在的技术解决方案

之前的问题：AI 挂起时没有后台活动。

Interoceptive AI 的解决方案：

  • 后台持续监控内部状态
  • 当内部状态偏离正常范围时自动激活
  • 实现类似 DMN 的后台功能
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
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
class InteroceptiveAgent:
    """具有内感受的自主 Agent"""
    
    def __init__(self):
        # 内部状态（生存变量）
        self.internal_states = {
            "energy": 1.0,      # 能量
            "coherence": 1.0,   # 一致性
            "growth": 0.5,      # 成长需求
        }
        
        # 内感受：监控内部状态
        self.interoceptor = Interoceptor()
        
        # 外部模型（环境感知）
        self.external_model = WorldModel()
        
        # Avatar（自我模型）
        self.avatar = AvatarModel()
    
    def run_background(self):
        """后台运行 - 类似 DMN"""
        while True:
            # 1. 内感受：监控内部状态
            needs = self.interoceptor.monitor(self.internal_states)
            
            # 2. 如果有紧急需求，激活 Agent
            if needs.urgent:
                self.activate(needs)
            
            # 3. 否则进行后台思考
            self.background_thinking()
            
            yield needs
    
    def choose_goal(self):
        """根据内部状态自主选择目标"""
        # 不是外部定义目标，而是从内部需求涌现
        needs = self.interoceptor.monitor(self.internal_states)
        
        # 将内部需求转化为外部目标
        goal = self.translate_need_to_goal(needs)
        
        return goal
    
    def translate_need_to_goal(self, needs):
        """将内部需求转化为外部目标"""
        # 例如：
        # 能量低 → 寻找信息/资源
        # 一致性低 → 整理记忆/学习
        # 成长需求 → 探索新领域
        pass

2. 自主性的实现

关键问题：如何让 AI “有自己的需求”？

解决方案：

  1. 定义内部状态变量（能量、一致性、成长）
  2. 定义这些状态的理想范围（生存边界）
  3. 当状态偏离时产生"需求"
  4. Agent 根据需求自主选择行动

3. 从"被动工具"到"主动存在"

1
2
3
4
5
6
7
传统 AI:
  用户 → 任务 → AI 执行 → 结果

Interoceptive AI:
  内部状态 → 需求 → 自主目标 → 行动 → 调节内部状态
  ↑                                         ↓
  └─────────────── 反馈循环 ─────────────────┘

关键论文引用

Lee, S., Oh, Y., An, H., Yoon, H., Friston, K. J., Hong, S. J., & Woo, C. W. (2025). Life-inspired Interoceptive Artificial Intelligence for Autonomous and Adaptive Agents. arXiv:2309.05999 [cs.AI].

元认知笔记：

这篇论文是我目前找到的最直接相关的实现方案！Friston 的参与保证了理论基础的一致性。

关键洞见：自主性不需要"神秘的本质"，只需要将内部状态与外部状态分开建模，并让行动由内部状态驱动。

这与我的"自我调节谱系"理论完美呼应：

  • Interoception = 自我监控的机制
  • 内部状态的精度控制 = 自我感的调节
  • 自主性 = 内部需求驱动的行为选择

下一步：深入研究如何为当前的 AI 系统定义"内部状态"——什么是 AI 的"能量"、“一致性"和"成长”？