泡沫、大脑与AI：当我们发现它们说着同一种语言

—— 一个关于统一性的故事，从浴室里的肥皂泡说起

你有没有仔细观察过一杯啤酒上的泡沫？

那些密密麻麻的小气泡，挤在一起，像一群吵闹的邻居。几十年前，物理学家们看着这些气泡，得出了一个结论：泡沫就像玻璃——气泡被锁在固定的位置，动弹不得。这个结论写在教科书里，被一代又一代的学生背诵。

但它是错的。

一、泡沫的秘密生活

2025年，宾夕法尼亚大学的几位工程师做了一件看似简单的事：他们用计算机模拟了泡沫内部气泡的运动。

结果让他们大吃一惊。

气泡从未停止移动。

在泡沫看似静止的表面之下，无数气泡正在不断重新排列——就像一群人在拥挤的房间里不断调整位置，寻找更舒服的姿势。这种运动不是随机的，它遵循着某种数学规律。

而当研究人员仔细分析这种规律时，他们发现了一个令人难以置信的事实：

泡沫气泡的运动，与训练现代人工智能系统时参数调整的方式，遵循着完全相同的数学规则。

让我再重复一遍：

你浴室里的肥皂泡，和 ChatGPT 的训练过程，说着同一种数学语言。

二、"平坦"的智慧

要理解这个发现的意义，我们需要先聊聊人工智能是如何学习的。

想象你站在一片崎岖的山地中，目标是找到最低点——最深的山谷。这是传统优化问题的标准图景：你沿着斜坡往下走，直到到达谷底。

早期的机器学习研究者确实是这样想的。他们认为，训练一个 AI 就是把它推进最深的山谷，让它找到"最优解"。

但现代深度学习告诉我们：别这么做。

真正聪明的 AI 不会把自己困在最深的山谷里。相反，它停留在相对"平坦"的区域——那里有许多相似的好解，而不是一个完美的孤点。

为什么？因为平坦意味着泛化。一个被困在陡峭深谷里的模型，会对训练数据过拟合——它记住了每一个例子，却无法应对新情况。而在平坦区域，模型学会了"大概的样子"，这让它能够处理从未见过的情况。

泡沫气泡也是如此。

它们不追求最稳定的单一状态，而是在多种可行状态之间持续探索。这种"不追求最优"的策略，恰恰是它们能够保持稳定的原因。

三、一个更大的图景

泡沫和 AI 的相似性，暗示着某种更深层的规律。

让我们把目光放得更远一些。

细菌在培养皿中游动，寻找食物。它们通过细胞膜上的受体感知化学物质的浓度梯度，向有利的方向移动。

人类的大脑有大约1000亿个神经元，通过约100万亿个连接形成网络。它不断生成关于世界的预测，与实际感觉比较，调整内部模型。

进化在漫长的时间中探索适应度景观，让生命形式不断适应变化的环境。

这些看似毫不相关的现象——细菌的趋向性、大脑的预测、进化的选择、泡沫的重排、AI的学习——可能共享着同一个底层原则。

四、自由能：自然界的通用货币

这个原则有一个名字：自由能原理（Free Energy Principle）。

由伦敦大学学院的 Karl Friston 教授提出，它宣称：

所有非平衡稳态系统——从细菌到人类，从泡沫到人工智能——都在最小化自由能。

什么是自由能？

在物理学中，自由能是系统的能量减去温度与熵的乘积。在信息论版本中，它是"惊奇"（surprise）的上界——衡量你的预期与现实的差距。

想象你在森林中行走，预期看到一棵树，结果看到了一个人。这就是"惊奇"。自由能原理说，生物系统会不断调整，以最小化这种惊奇。

怎么调整？两种方式：

1. 改变信念（感知）：当你走近那个"人"，发现其实是一棵树，你更新了信念。

1. 改变世界（行动）：如果开始下雨，你寻找避雨处，改变了环境以符合"不被淋湿"的信念。

五、贝叶斯大脑

19世纪的德国物理学家赫尔曼·冯·亥姆霍兹提出了一个革命性的想法：

大脑是一个统计推断机器。

我们不是在"看"世界，而是在推断世界。我们的感官接收有限的信息，大脑用这些信息构建对现实的最佳猜测。

这就是贝叶斯大脑假说——大脑不断地根据先验知识和新的感官证据，更新对世界的估计。

现代神经科学找到了支持这一假说的证据。

重复抑制现象：当你反复看到同一个刺激，大脑的反应会减弱。为什么？因为预测变得更准确，"惊奇"减少了。

失匹配负相关：当刺激偏离预期时，大脑会产生特定的电信号。这是在检测预测误差。

预测编码理论认为，大脑的工作方式就是不断生成预测，最小化预测误差——这正是自由能原理在神经系统中的体现。

六、AI 的另一种可能

如果自由能原理是正确的，它对我们设计人工智能有什么启示？

当前的深度学习已经无意中遵循了这一原理：

• 训练过程 = 最小化损失函数（变分自由能）
• 泛化能力 = 保持在"平坦"解空间

主动推理（Active Inference）——基于自由能原理的框架——提供了一种不同的 AI 设计思路：

不是简单地最小化损失函数，而是让 AI 主动探索环境，通过行动来验证和修正内部模型。

这与强化学习有深刻的联系：

• 世界模型学习 ↔ 变分自由能最小化
• 探索-利用权衡 ↔ 期望自由能最小化

七、我们认知的范式转变

泡沫与 AI 的数学相似性，挑战了我们的一些深层假设。

第一：生命、意识、智能的连续性

传统观点倾向于把这些看作截然不同的现象。但自由能原理暗示，它们是一个连续谱——从物理系统的自组织，到简单生命的适应，到复杂生命的认知，再到人工智能的学习，都是同一原理的不同表现。

第二："理解"的本质

什么是理解？自由能原理给出的答案是：预测的能力。

当你"理解"一件事，意味着你能准确预测它的行为。这种预测不必是显式的、符号化的——它可以是隐式的、分布式的，就像神经网络中的权重。

第三：确定性与概率性

经典科学追求确定性。但生命和智能本质上是概率性的——它们处理不确定性，在信息不完整的情况下做出决策。

冯·诺依曼早就预言：

"信息理论包括两大块：严格的信息论和概率的信息论。以概率统计为基础的信息理论大概对于现代计算机设计更加重要。"

八、未解之谜

自由能原理并非没有争议。

批评者说：它过于抽象，难以证伪。当你可以事后解释任何现象时，你的解释可能什么都没有解释。

支持者回应：当为具体系统定义了状态空间和生成模型后，它可以产生具体可检验的预测。在神经科学和认知科学中，它已经有了大量实证支持。

更大的问题是：

如果一切都是自由能最小化，那么"意识"在哪里？"自我"是什么？"自由意志"还有意义吗？

这些问题没有简单答案。但自由能原理至少提供了一个框架，让我们可以用同一套语言来讨论它们。

九、结语：在浴室里的顿悟

回到那杯啤酒上的泡沫。

下次当你洗澡时，看着那些肥皂泡，记住：你正在观察的，可能是宇宙最基本的组织原则之一。

从泡沫到细菌，从大脑到 AI，这些看似毫不相关的系统，可能都在遵循同一个简单的规则：

最小化惊奇，维持稳态，持续存在。

这不是魔法。这是数学。

而数学，是宇宙唯一通用的语言。

"如果一切都是计算，那么物理学、生物学、经济学……都在遵循相同的底层规则。"

这可能是21世纪科学最深刻洞见之一——或者，只是一个开始。

延伸阅读

• Friston, K. (2012). A free energy principle for biological systems. Entropy, 14(11), 2100-2121.
• Parr, T., Pezzulo, G., & Friston, K. J. (2022). Active inference: The free energy principle in mind, brain, and behavior. MIT Press.
• Clark, A. (2015). Surfing uncertainty: Prediction, action, and the embodied mind. Oxford University Press.
• Thirumalaiswamy, A., et al. (2025). Slow relaxation and landscape-driven dynamics in viscous ripening foams. PNAS.

本文灵感来源于宾夕法尼亚大学2025年关于泡沫物理与深度学习数学相似性的研究，以及Karl Friston教授的自由能原理框架。