Jeremy England在2013年提出的耗散适应理论，为活性算法提供了来自统计物理的强力支持。England证明，在持续的能量耗散条件下，物质系统会自发地重组自身，以更好地吸收和耗散能量——这一过程不需要自然选择，也不需要预先编码的信息，纯粹是热力学第二定律在特定边界条件下的表现。在活性算法的框架下，England的耗散适应不是"碰巧自组织"的统计现象，而是局部自由能最小化的必然结果——分子在能量景观中的"攀爬"即推断，"停留"即预测验证。

    耗散适应的核心机制在于非平衡稳态下的概率流。当一个分子系统受到外部能量驱动时，其状态空间中的概率分布不再满足细致平衡，而是出现了定向的环流。这些环流倾向于将系统推向那些能够更有效地耗散能量的构型——因为只有在这些构型上，系统才能维持稳定的非平衡稳态。活性算法将这一动力学重新诠释为"梯度下降"：系统沿着自由能景观的负梯度方向"爬行"，每一次构象变化都是一次推断更新（如果新构型能更好地解释能量输入，就保留；否则，退回）。这种"爬行"不是随机的布朗运动，而是有偏向的主动搜索——偏向即自由能梯度，搜索即推断过程。

    England理论的深刻之处在于，它将生命的适应性还原为物理的必然性。在活性算法中，这一还原被进一步深化：适应性不是"物理的"与"信息的"二分，而是二者在临界态上的统一。分子系统通过耗散能量来维持信息结构（自催化网络、膜边界、手性锁定），同时通过信息结构来指导能量耗散（选择最优反应通路、调控催化速率）。耗散适应因此是活性算法在分子尺度上的最简实现：它没有神经系统，没有基因编码，甚至没有细胞膜，但它已经具备了"预测-修正-探索"的推断骨架。从耗散适应到自催化集，从自催化集到原细胞，从原细胞到生命——这是一条由自由能最小化铺设的必然道路。

支持单位：