综述：意识主动推理 I：量子模型自然地实现了实时规划和控制所需的路径积分

本综述创新性地提出量子系统可自然实现主动推理（Active Inference）框架中的路径积分运算，为解决经典神经元模型在实时感知推理中面临的计算速度瓶颈提供了突破性思路。作者通过数学等价性论证（如最小作用量原理与自由能最小化的对应）和神经生物学证据，表明量子过程可高效支持具有时间深度（temporal depth）的认知功能。

　　

主动推理：统一的行为理论框架

主动推理（Active Inference）将最优推断与最优控制统一于一个理论框架中，其核心思想是：智能体通过更新其对世界的信念（即概率分布）来最小化意外（surprise），从而最大化模型证据（self-evidencing）。该框架将感知、行动和学习整合为一个基于生成模型（generative model）的贝叶斯推理过程，并通过自由能最小化（free energy minimization）实现实时决策。

神经解剖与生理的匹配性证据

研究表明，主动推理的过程模型与神经解剖结构存在显著对应关系。例如：

• •

  预测误差单元与皮层微环路中的反馈抑制通路对应（图1）；

• •

  多巴胺系统编码策略精度（precision），乙酰胆碱系统编码似然预测的精度，去甲肾上腺素系统编码状态转移的动态精度；

• •

  层次化处理与皮层柱状结构（minicolumn/hypercolumn）的空间尺度一致。

计算挑战与经典模型的局限

实现实时主动推理需解决以下计算问题：

1. 1.

   路径积分（path integral）：对潜在行动轨迹的加权求和（公式3中G的累加计算）；

2. 2.

   线性求和：神经网络需实现概率分布的线性组合（如公式2中的矩阵乘法）；

3. 3.

   随机性：经典神经元模型（如Hodgkin-Huxley）难以快速实现随机采样；

4. 4.

   组合爆炸：可能的轨迹数量随变量和时间步增长呈指数级增加。

   现有经典模型依赖平均场近似（mean-field approximation）和吸引子动力学，但存在收敛速度慢（需数百毫秒至数秒）和神经元数量不足的问题（例如需百万级神经元实现单次线性求和）。

量子路径积分的自然实现

量子系统的路径积分公式（公式K(b,a)=k·∫Dx·e^iS/?）与主动推理的路径积分数学等价：

• •

  量子作用量（action S）对应自由能累积；

• •

  拉格朗日量（L=T-U）中的势能项U(x)对应偏好向量U_t；

• •

  量子叠加特性天然支持概率幅的线性求和，无需调参；

• •

  非定域性（entanglement）和随机坍缩机制解决了经典模型的随机性与不连续跳跃问题。

量子优势与生物合理性

量子模型在具体任务中展现显著优势：

• •

  眼动追踪模型（Briegel et al.）中量子Schr?dinger方程模拟优于经典Kalman滤波器，且能复现真实眼动的离散跳跃；

• •

  量子关联记忆可避免记忆干扰问题；

• •

  量子系统可通过势函数U(x)直接编码生物偏好，实现快速优化。

展望与实验支持

作者指出，量子纠缠（quantum entanglement）对意识的功能必要性可从主动推理理论中推导得出（Friston et al., 2017）。后续研究（见姊妹篇Conscious Active Inference II）将探讨：

• •

  离散感知周期与量子坍缩过程的关联；

• •

  微管（microtubules）作为量子计算底物的实验证据（Orch OR理论）；

• •

  量子过程在记忆整合和语义协调中的独特作用。

该框架为理解生物认知的实时性、高效性和整体性提供了新的物理基础，并挑战了基于经典神经动力学的传统计算模型。