肯尼斯·威尔逊的重整化群理论是20世纪物理学最伟大的成就之一。它提供了一种系统的方法，将微观尺度的物理规律"粗粒化"为宏观尺度的有效理论，从而解释了为什么不同的微观系统可以在宏观上表现出相同的普适行为。然而，重整化群在传统框架下被视为一种"描述性工具"——一种从高能标向低能标降维的技术性操作。活性算法将这一视角彻底翻转：重整化群流不是人为的粗粒化，而是系统在自由能景观中自然演化的梯度流。

    在活性算法的框架下，每一次重整化步骤都是一次跨尺度的自由能最小化。系统在高能标上拥有大量的微观自由度，但这些自由度中的大多数是"冗余的"——它们对宏观可观测量的贡献可以通过统计平均来替代。重整化群的"积分掉快自由度"操作，正是系统抛弃这些冗余信息、保留有效推断所需的最小描述的过程。固定点——即重整化群流的不动点——对应于自由能景观中的极小值：在这些点上，系统的描述在不同尺度上自相似，信息不再随着尺度变换而流失或膨胀。

    临界态正是重整化群的固定点。在临界态上，系统处于自由能景观的鞍点或宽谷中，微小的尺度变换不会显著改变系统的宏观性质。活性算法将这一状态视为"最优推断点"：系统在这里拥有最大的跨尺度一致性，最小的描述复杂度，以及最强的预测能力。传统重整化群是"从微观到宏观"的单向流动，而活性算法的自适应临界性是"在所有尺度上同时优化"的动态平衡——系统不仅从高能标流向低能标，而且通过环境反馈不断调整自身的微观参数，以维持宏观临界态的稳定性。

支持单位：