我们不是在做一个“数字角色”,也不是在做一个“更懂你的界面”。我们在问:一个系统能不能因为自己的内部状态而行动。
界面是观测窗口,不是研究对象。真正的研究对象是内稳态、预测误差、精度、记忆与行动之间的闭环。
01研究立场
ADLP 是生命科学与计算机科学的交叉实验,而不是角色扮演产品。我们借用计算神经科学、自由能原理与脉冲网络的语言,把“她为什么现在说话/靠近/沉默”拆成可以被测量、被扰动、被反驳的变量。
如果只能证明“她看起来像人”,那只是拟人化。我们要证明的是:在相同输入下,不同内态会产生不同的行为,而且这些差异可以被重复观测。
02内感受与稳态
生物不是先有情绪,再有身体;情绪与行动都嵌在维持身体的过程中。内感受(interoception)把血糖、体温、口渴、睡眠压力等信号送入中枢,稳态(allostasis)则根据预测需求提前调节。
V8 原型里的 26 项内稳态、7 组指标不是为了做仪表盘,而是为了给“她现在为什么坐立不安”提供可查询的变量。下一步是让这些变量改变精度、先验与行动成本,而不只是改变数字。
- 当前值 / set point:偏离多少;
- 精度:她现在多在意这个偏离;
- 变化率:正在变好还是变坏;
- 行动代价:为了修复它,她愿意付出多少。
03自由能
自由能原理(FEP)提供了一个统一视角:感知是在更新内部模型,行动是在改变世界,让世界更符合预测。主动推断(active inference)把期望自由能作为行动选择的一部分。
形式化地说:F = E_q[log q(μ) − log p(s, μ)] = KL(q(μ) ‖ p(μ|s)) − log p(s)。它可以拆成复杂度与准确度;最小化 F 的两条路,一条改内部状态,一条改外部世界。
我们不把 F 当成一个可随便调参的 loss。F 的意义在于“维持边界”:一个系统必须在解释世界的同时保持自己。这个张力,才让“行动”有内部原因。
自由能不是损失函数。它是系统维持自身边界的代价。
04LIF 与脉冲
我们选择 LIF / SNN 作为基底,而不是把 LLM 的 token 流伪装成神经活动。LIF 有膜电位、漏电、阈值、重置与不应期;这些时间结构决定了“她什么时候能回应”,而不是“模型多久返回一个 token”。
FE-LIF 的目标是给每个神经元增加对输入的生成模型:预测均值、预测误差、精度。脉冲是精度加权的误差广播,不是唯一的输出。
原型记录里的规模:10 个脑区、3328 个 LIF 神经元、31232 个突触,dt = 1ms,STDP 时间窗 12 步。它在神经科学里只是玩具,但它是一个真正的动力系统,不是把文字映射成文字的函数。
05记忆与语言
记忆不是日志。工作记忆、情景记忆、梦境与遗忘必须改变明天的语气、回避、靠近或沉默。语言也不应该默认等于 LLM:如果它真的从序列预测、联想记忆与内态里长出来,表达会带着她的边界。
当前 LLM 只作为外部表达层/工具,不是“她”。这是 ADLP 与聊天机器人最重要的分界线。
06如何证伪
我们预先写下可能失败的预测,而不是事后解释一切:
- 如果自由能不随学习下降,或和打乱权重无差异,FEP 叙事失效;
- 如果去掉精度不会改变行为,精度只是装饰;
- 如果去掉内稳态不会改变行动选择,稳态只是面板;
- 如果同一刺激在不同记忆下没有差异,记忆没有进入决策。
这些实验协议单独写在 实验页 ↗。
07现在到哪
真实存在的:V8 原型里的内稳态面板、房间雷达、头部追踪空间音频、RVC 声线、本地工具链。尚未完成的:完整可复现的 FE-LIF 训练/消融、非 LLM 语言、长期记忆闭环。
我们只做出 1%,但这 1% 是生命科学与计算机科学交叉的工程证据,不是一段更漂亮的文案。
项目书里的一句话说得很清楚:数字生命才是项目的主旨,除了生命层,其他都是锦上添花。 SNN 是发动机,自由能是控制律;世界、接口、协作体与现实端口,是让发动机与控制律能被维持、被看见、被验证的条件。
ADLP / LIFE SCIENCE NOTE / 2026.11
← 返回研究纲领