在经济学中，货币是交换的媒介，是价值的度量，是欲望的载体。没有货币，复杂的现代经济无法运转；有了货币，人们可以比较苹果和橘子，可以储蓄未来的需求，可以投资未知的回报。在活性算法的世界里，有一种类似的通用媒介，它不是黄金，不是比特币，而是自由能。

    自由能这个概念来自热力学。在十九世纪，物理学家们发现，当一个系统与热源接触时，它能够对外做的最大功，不仅取决于它的总能量，还取决于它的混乱程度——也就是熵。自由能就是总能量减去温度与熵的乘积。它代表了系统“可用”的能量，是扣除混乱代价后的净价值。

    但在活性算法的框架中，自由能获得了一种全新的诠释：它不仅是物理系统做功能力的度量，还是认知系统推断能力的度量。一个活性系统——无论是单细胞生物、人脑，还是假想的宇宙推断机——通过最小化自由能来维持自身的存在和认知的一致性。

    这听起来有些抽象。让我们用一个比喻来理解。想象你是一位走进陌生城市的旅人。你的大脑中有一个关于这座城市的内部模型——基于地图、传闻和过往经验。当你沿着街道行走时，你不断地用感官接收新的信息：眼前的建筑、路边的招牌、空气中的气味。每当你看到的东西符合你的预期——比如地图上说这里应该有一座教堂，而你的确看到了教堂的尖顶——你的内心感到一种平静的满足。这种满足，就是自由能降低的感觉。

    相反，如果你预期看到教堂，却发现那里是一片拆迁工地，你的内心会感到一种尖锐的惊讶。这种惊讶不是情绪上的装饰，而是认知上的警报：你的内部模型与外部现实不一致，自由能突然升高。此时，你必须做出选择：要么修正你的内部模型——承认地图过时了，这里已经没有教堂；要么修正你对感官信息的解释——也许教堂被临时遮挡了，也许我走错了路。无论哪种选择，目标都是降低自由能，恢复内部与外部的一致性。

    在这个比喻中，自由能扮演着双重角色。一方面，它度量了预测与观测之间的差异——差异越大，自由能越高。另一方面，它也度量了内部模型本身的复杂度——模型越复杂，包含的假设越多，自由能也越高。因此，最小化自由能意味着在两个相互竞争的目标之间寻找平衡：既要让模型足够复杂以准确预测世界，又要让模型足够简单以避免过度拟合。

    这种平衡在机器学习中被称为偏差-方差权衡，在统计学中被称为奥卡姆剃刀，在心理学中被称为认知经济性。活性算法用自由能这个单一的量，统一了所有这些概念。自由能是认知的货币：你用它来“购买”对世界的理解，而你的预算有限，必须在准确性和简洁性之间精打细算。

    在物理学中，自由能最小化有着更深刻的含义。热力学第二定律告诉我们，孤立系统的熵总是趋向于增加。但生命不是孤立系统。生命通过与环境交换物质和能量，维持自身的低熵状态。这种维持不是免费的，它需要消耗自由能。从活性算法的角度看，生命就是一个不断消耗自由能以降低自身自由能的悖论式系统：它从环境中获取能量，用来维持内部模型与外部世界的一致性。

    这种视角对理解黎曼猜想有着意想不到的意义。如果宇宙是一个活性推断机，那么它的“内部模型”就是物理定律，它的“感官输入”就是测量和观测，而它的“自由能”就是理论与实验之间的不一致程度。黎曼猜想——作为一个关于质数分布的精确陈述——可以被看作是宇宙推断机的一个稳态预测。如果它成立，意味着宇宙的数论模型与它的数论“观测”完全一致，自由能达到最小。如果它不成立，意味着存在某种不一致，推断机需要修正它的模型。

     但活性算法进一步断言：在一个自维持的系统中，真正稳定的预测必须满足某种“有限性”条件。系统不能依赖无穷大的计算，不能依赖无穷精细的测量，不能依赖无穷遥远的边界条件。它必须在有限的资源下做出最优的推断。这种有限性要求，直接导向了UV自由方案——一种显式控制模型复杂度的方法，避免了传统量子场论中无穷大减无穷的困境。

    自由能作为认知的货币，流通于所有尺度的活性系统中。在细胞中，它以化学梯度的形式存在；在神经网络中，它以电信号的模式存在；在生态系统中，它以能量流动的形式存在；在宇宙的尺度上，它可能以时空几何的曲率形式存在。无论形式如何变化，其功能不变：度量推断的质量，驱动系统的自适应，维持存在的连续性。

支持单位：