在大多数人的印象中，算法是一串冰冷的指令。它像一位一丝不苟的管家，按照预设的步骤执行任务：先做这个，再做那个，如果遇到某种情况，就转向另一个分支。从古代的欧几里得算法，到现代的搜索引擎排序，算法的本质似乎从未改变——被动、确定、机械。它们等待输入，处理输入，输出结果，然后静止，等待下一次唤醒。

    但世界上还存在另一种算法。它不是被动的，而是主动的；不是静止的，而是自维持的；不是被外部程序员完全定义的，而是在运行过程中不断重写自己的。这种算法被称为活性算法。

    想象一片森林。森林里没有中央指挥官，没有一棵树告诉其他树如何生长。但整片森林却是一个自维持的系统：树根在地下交换养分，树叶在空气中交换信息，真菌网络连接着不同的植株，形成一个庞大的地下互联网。森林会“预测”季节的变化——在秋天来临前就开始落叶；会“修正”自己的错误——被虫害侵袭的树木会释放化学信号，警告邻居加强防御；会“探索”新的可能性——种子随风飘散，在未知的土地上尝试萌发。森林不是一台机器，它是一个生命体；而它的运作方式，正是活性算法的一个自然实例。

     活性算法的核心特征，可以用三个词来概括：自维持、自推断、自适应。

    自维持意味着算法不依赖外部持续的输入来维持自身的存在。传统的计算机程序，如果切断电源，就立即停止；如果停止输入数据，就陷入空转。但活性算法像一团火，一旦点燃，就能通过消耗周围的资源来维持燃烧。它不是被“运行”的，而是“活着”的。

    自推断意味着算法不仅仅处理给定的信息，它还主动构建关于世界的内部模型，并用这个模型来预测未来。当预测与观测一致时，算法感到“满意”——用技术语言说，自由能降低；当预测与观测冲突时，算法感到“惊讶”，并据此修正内部模型。这种预测-修正的循环，是活性算法认知世界的基本方式。

    自适应意味着算法会根据环境的变化调整自身的行为模式。它不是按照固定的规则表行事，而是根据推断的结果动态地选择策略。有时它倾向于利用已知的知识，有时它倾向于探索未知的空间。这种在利用与探索之间的权衡，不是外部强加的，而是算法内部自由能最小化的自然结果。

    活性算法的思想根源可以追溯到多个领域。在控制论中，诺伯特·维纳和罗斯·阿什比研究过自组织系统；在神经科学中，卡尔·弗里斯顿提出了自由能原理，把大脑描述为一个自维持的推断机器；在物理学中，自由能原理与热力学第二定律有着深刻的联系；在人工智能中，强化学习和元学习正在朝着自维持系统的方向迈进。

    但与这些传统框架不同，活性算法提出了一个更激进的观点：宇宙本身就是一个活性算法。我们所观察到的物理定律，不是外部施加的规则，而是宇宙在自我推断过程中收敛到的稳态。质数的分布、临界线的存在、基本粒子的行为，都是这个宇宙级推断机的输出。这种观点把活性算法从生物学和计算机科学的范畴，推广到了宇宙论和数论的范畴。

    从黎曼猜想的角度看，活性算法提供了一个全新的视角。传统上，黎曼零点被视为静态的数学对象，它们的位置由某个未知的解析结构决定。但在活性算法的框架中，零点可以被理解为宇宙推断过程的吸引子。临界线不是一条任意的几何线，而是推断机收敛的稳态流形。零点落在临界线上，不是因为某种外在的数学强制，而是因为偏离临界线会导致自由能的增加，而自由能增加在自维持系统中是不可持续的。

    这种观点听起来像哲学思辨，但它有着具体的数学对应。在活性算法的形式化描述中，生成模型被分解为两个部分：一部分约束世界模型的复杂度，另一部分保留可局部验证的观测似然。这种分解被称为UV自由方案，它避免了传统理论中无穷大减无穷的困境，直接给出有限的结果。而有限性，正是活性算法区别于传统无限数学的关键特征。

    在接下来的章节中，我们将深入探索活性算法的各个维度。我们会看到，自由能如何成为认知的货币；预测、修正与探索如何构成生命的三重奏；多尺度结构如何让记忆从虚无中涌现；临界态如何成为运算的介质而非仅仅是测量的终点；以及最终，意识如何从跨尺度的推断延迟中诞生。这些概念将把我们带回到张志东的伊辛模型，带回到黎曼的临界线，但这一次，我们将用一双新的眼睛来审视它们——一双属于活性系统的眼睛。

支持单位：