郭瑞东丨作者

赵思怡丨审校

何为“内感受”

用眼睛观察环境、用耳朵接收声音，属于对外部世界的感知，即外感受（exteroception）。自动驾驶、机器视觉等AI系统的主要任务，也是在识别道路、物体和声音等外部信息。与之相对，内感受（interoception）指生物体对心跳、血糖、体温和饥饿程度等内部生理状态的感知与调节。生物体需要将这些关键变量维持在一定范围内，这种动态平衡被称为内稳态（homeostasis）。当能量不足时，饥饿感会驱动觅食；当体温下降时，寒冷感会促使个体寻找庇护。对内部状态的持续监测与调节，由此成为生物形成需求并组织行为的重要基础。

构建能够根据自身需求选择目标，并在变化环境中持续调整行为的智能体，一直是人工智能研究的重要目标。然而，传统强化学习的行为主要由预先设定的奖励函数驱动：智能体收集金币或击败对手，并不是因为它具有饥饿、危险或生存等内部需求，而是因为这些行为会得到设计者规定的奖励。即使一些AI系统拥有传感器和物理载体，通常也缺少一组必须主动维持、并能持续影响行为与学习的内部状态。它们能够学习如何完成任务，却很难自主判断在新情境下“什么对自身更重要”。

因此，依赖外部奖励和固定训练分布的AI系统，在面对训练中未曾出现的环境变化或威胁时，往往容易失效（图1A）。生物体则能够通过维持内部状态，在不断变化的外部环境中形成相对稳定的行为依据（图1B）。基于这一差异，作者提出为AI引入类似内感受的机制：在系统中设置需要维持的内部变量，使智能体不仅响应外部指令，也能根据内部状态的变化调整目标与行为，从而获得更强的自主性与环境适应能力（图1C）。

图1：生物体与当前AI系统适应性的对比

基于“内感受”的强化学习与传统有何不同

生物体能够区分自身与外部世界。外部环境提供光线、声音、温度等感觉信息，内部环境则包含血糖、体温和能量储备等需要维持在一定范围内的关键生理变量。内感受系统持续监测这些内部状态，并据此调整生物体对外部信息的敏感程度和行为反应，使其能够在环境变化中维持自身状态（图2C）。

要把这一机制引入人工智能，首先需要在数学表示上区分内部环境与外部环境，而不能把所有信息都混合在同一个状态空间中。这样的区分相当于为智能体划定一个功能性的“自我边界”：边界之内是系统需要主动维持的内部变量，边界之外是不断变化的环境。需要强调的是，这种边界是一种计算结构，并不意味着智能体因此产生了自我意识；它的作用是使内部状态能够成为影响行为和学习的稳定参照（图2B）。

图2：内部环境和外部环境的区分

在标准强化学习中，智能体通常以一个统一的状态 ss 表示当前情境，并根据状态、动作和状态转移计算奖励R(s,a,s'）。其行为目标主要由设计者设定的任务奖励决定。内感受AI框架则将整体状态空间显式分解为：

其中：

• s_E表示外部状态，即智能体所处环境中的变量； 

• s_I表示内部状态，即系统需要维持的关键变量，例如虚拟能量、温度或结构完整性； 

• s_b表示边界状态，即内部环境与外部环境发生交互的媒介，例如传感器、执行器或其他输入输出界面。 

这种因子化并不是让内部状态与外部环境完全隔绝，而是对二者之间的耦合关系加以限制。外部变化需要通过边界状态影响内部变量，使内部状态不必随着环境波动而同步变化，从而为系统维持相对稳定的内部动力学提供条件。

图3：传统强化学习与内感受AI框架的对比

对于结合内感受的强化学习（图3B），外部奖励被降级为次要信号。当智能体的行为导致其内在状态偏离最优设定点时，它会受到内在惩罚；反之则获得内在奖励。通过这种设计，智能体的激励变成为了“缓解内部的紧张感”而行动。这相当于在数学上形式化了生物的自我保存本能，使外部奖励退居次要地位。

神经调质与主动推断

仅仅设置内部状态，还不足以让智能体适应环境。内部状态必须进一步影响系统如何感知信息、选择行动和更新模型。在生物大脑中，多巴胺、血清素等神经调质可以根据机体状态，广泛调节神经回路的活动。受此启发，研究者总结了神经调节机制可以引入人工智能的三种计算方式：

1. 增益调制（gain modulation）：内部状态通过乘法或加法运算，动态改变神经网络对外部信息的响应强度。例如，当能量水平下降时，系统可以提高对食物相关线索的敏感性，使相同的外部刺激在不同内部状态下引发不同反应。 

2. 精度加权（precision weighting）：在自由能原理和主动推断框架中，“精度”可以理解为对某类信息可靠程度的估计，即不确定性的倒数。神经调节机制可以改变系统赋予先验信念或感觉输入的权重：当现有模型较为可靠时，智能体更多依据既有经验行动；当内部状态偏离预期、原有策略难以维持稳态时，系统则可以提高对新感觉信息的重视程度，并相应调整策略。 

3. 动态元学习（dynamic meta-learning）：内部状态不仅影响智能体“学什么”，还可以调节“如何学习”，例如动态改变学习率、探索概率和记忆巩固强度。由此，相同的外部事件可能在不同内部状态下产生不同的学习效果，使系统具备更强的情境适应能力。 

主动推断为这种机制提供了另一种理解方式。在这一框架下，智能体维护着一个同时描述外部世界与内部状态的生成模型。感知用于根据新信息更新信念，行动则用于改变外部环境或自身状态；二者共同减少预测状态与实际状态之间的偏差，尤其是与内部稳态有关的预测误差。由此，感知、学习与行动不再是彼此分离的过程，而是共同服务于内部状态的维持（图4B）。

这一框架也为情感神经科学提供了一种计算视角。疼痛、饥饿、焦虑或满足等体验，往往与机体内部状态及其变化密切相关。内感受AI虽然不能直接证明情感如何产生，却可以作为计算模型，帮助研究内部状态、预测误差与行为调节之间的关系，并检验某些情感功能是否可以被形式化和模拟（图4A）。

图4：内感受AI在计算神经科学与主动推断中的双重角色

内感受机制还可以为强化学习中的“探索—利用”权衡提供动态调节依据。传统强化学习通常通过预设参数决定智能体是尝试未知策略，还是沿用已经验证的策略；在内感受框架中，这种选择可以进一步受到内部状态的影响。当能量储备充足、试错成本较低时，智能体可以扩大探索范围，寻找新的资源或策略；当关键内部变量接近危险边界时，则可能优先采取已经证明有效的行动，尽快恢复内部状态。如果现有策略始终无法消除内部偏差，持续累积的预测误差又会促使系统重新探索。因此，探索与利用的切换并非由内部状态机械决定，而是取决于资源水平、环境风险与既有策略可靠性的共同作用。

内稳态还可以成为平衡系统稳定性与可塑性的参照。当外部变化没有显著影响关键内部变量时，智能体可以降低不必要的参数更新，尽量保留已经形成的知识；当内部状态明显偏离安全范围、产生较大的内感受预测误差时，类似神经调质的机制则可以提高相关模块的学习率与可塑性，使系统更快适应新的环境。这样的状态依赖型更新机制，有望减少持续学习中的无效调整，并为缓解灾难性遗忘提供一种受生物机制启发的思路。不过，这一作用目前主要属于理论上的可能性，仍需通过具体模型和长期实验进一步验证。