自由能原理：大脑在不停消灭“意外”

自由能原理（Free Energy Principle，FEP）说的是：任何能把自己维持下去的系统——一个细胞、一只猫、一个人——都在持续压低“意外”（surprise），也就是感官输入与自己预测之间的落差。提出者把它当作解释生命行为的一条底层规范，而不是某一个具体算法。

你独居，半夜听到客厅有响动。大脑立刻给出预测：猫碰倒了东西。如果是猫，一切吻合，你翻个身继续睡。如果响动是持续的脚步声，误差飙升，这就是“意外”。此时你有两条路：

1. 改信念：原来是窗户没关，风在吹——误差归零。

2. 改世界：开灯、拿手机、走过去看——直接改变感官输入。

FEP 的核心洞见是：感知和行动不是两件事，而是同一个目标的两条出口。前者改内部模型，后者改外部输入。

理想情况是直接最小化意外，但意外本身需要对所有隐藏原因做积分，算不出来。于是退一步，改最小化它的一个上界，这个上界在统计物理里叫变分自由能：

F = 复杂度 − 准确度 ≥ 意外

复杂度是“你的信念偏离先验多少”，准确度是“你的信念拟合数据多好”。这一串在机器学习里其实天天出现：AI 词典：变分自编码器">变分自编码器训练时最大化的 ELBO（证据下界），就是负的自由能。换句话说，大脑“活着”和模型“训练”，在数学上是同一个动作，只是执行的硬件不同。

同一目标还能在四个时间尺度上展开：感知（毫秒，改信念）、行动（秒，改世界）、学习（小时到年，改模型参数）、演化（世代，改先验和身体结构）。

做世界模型、基于模型的强化学习、机器人或异常检测时，“拿预测误差当损失”不是随手选的，它有规范性理由：这是系统维持自身存在的最低要求。在主动推断（active inference）框架里，探索与利用的权衡会自然分解为两项——减少不确定性，和追求偏好结果——不用额外手工设计好奇心奖励。

遇到和预期不符的信息，你有两种选择：改认知，或者改环境。只改认知不行动，容易滑向焦虑和空想；只改环境不反思，容易变成固执和控制欲。健康的做法是两条路都用，并且分清什么时候该用哪条。

需要说明的是，FEP 目前仍是一个有争议的统一框架，学界对它能解释多少生物行为并无共识。它更像一副看问题的透镜，而不是一条已被证实的定律；具体的形式化定义和最新进展，以原始论文和综述为准。