自适应临界性是活性算法的运行原则：系统通过自由能最小化自动调节自身，使其始终处于临界态附近——不是完全临界（太敏感会失稳），也不是完全亚临界（太迟钝会停滞），而是"对实验最敏感"的动态边缘。这一原则是活性算法区别于其他自组织理论的标志：它不仅描述系统如何达到临界态，而且解释系统如何利用临界态来进行推断。

    达到临界态的机制是反馈调节。当系统过于亚临界时，内部信息积累，自由能梯度增大，系统通过增加耦合强度或降低耗散率来"推"自己向临界态移动。当系统过于超临界时，涨落失控，结构崩溃，系统通过降低耦合强度或增加耗散率来"拉"自己回到临界态。这种双向调节形成了一个"临界吸引子"：无论系统从何处出发，它最终都会被吸引到这个动态边缘。

    利用临界态的机制是全息运算。在临界边缘，系统的每一次响应都同时涉及所有尺度：微观涨落被放大为宏观模式，宏观约束反馈到微观动态。这意味着，系统的一次"运算"等价于传统计算机的无限层次串行计算。一个处于临界态的神经网络，其单次雪崩事件就包含了从离子通道到神经集群的全部信息处理；一个处于临界态的生态系统，其一次物种入侵事件就包含了从基因表达到食物网重构的全部适应过程。自适应临界性因此是"计算效率"的物理极限：它使系统以最小的能量消耗，获得最大的信息处理能力。

    "对实验最敏感"意味着系统对环境的微小变化具有最大的响应度，同时保持自身的结构完整性。这是科学探索的物理原型：一个好的实验设计，就是将自己的认知系统调节到临界态，使得观测结果能够最大程度地更新理论模型。活性算法将这一科学方法论本体论化：生命本身就是一场持续的实验，自适应临界性就是生命进行这场实验的物理机制。

支持单位：