一句话定义：主动推理（Active AI 词典：Inference">Inference）认为，大脑或任何智能体都在持续最小化“自由能”（free energy）——可以粗略理解为意外和预测误差——而感知和行动只是达成这一目标的两条路。
原理：先预测，再想办法让预测成真
想象你晚上回家，昏暗客厅里有个影子。大脑不会从零开始分析像素，而是先给出预测：“可能是人。”如果细节不像，你更新信念：“是衣架。”这是感知——用新信息修正内部模型。
如果细节很像，但你希望它是人，你会怎么做？开灯、走近、喊一声。这是行动——改变世界，让输入更符合你的预测。主动推理的核心洞见就在这里：感知是更新信念，行动是改变世界以匹配信念，两者共享同一个目标函数，即最小化自由能。你不是先感知再决策，而是在一个循环里同时做两件事。
生活化比方：你约朋友在咖啡馆，进门没看到人。你可以想“是不是我记错时间了”（更新信念），也可以打电话、四处张望（改变世界）。两种做法都在减少“预期落空”带来的意外。大脑偏爱意外小的状态，于是不断在感知和行动之间切换。
和相邻概念的区别
| 维度 | 主动推理 | 预测编码 | 经典强化学习 |
|---|---|---|---|
| 核心目标 | 最小化自由能 | 最小化预测误差 | 最大化累积奖励 |
| 行动角色 | 改变世界以符合信念 | 通常侧重感知 | 按策略选动作拿奖励 |
| 探索来源 | 信息增益自然出现 | 不直接处理 | 常靠额外机制 |
预测编码（Predictive Coding）主要讲感知：大脑自上而下预测，自下而上传递误差。主动推理把行动也纳入同一个最小化自由能的框架。强化学习（Reinforcement Learning）从奖励出发学习策略；主动推理则用“偏好结果”表达目标，把探索和利用统一为减少不确定性。和贝叶斯大脑（Bayesian Brain）相比，主动推理更强调“行动也是推断”。
对从业者和普通人的意义
对 AI 从业者，主动推理提供了一个把感知、行动、学习放在同一目标下的视角，在机器人、自主系统、人机交互中常被讨论。它不是唯一框架，工程实现也因系统而异。
对普通人，它解释了一个日常现象：当你遇到意外，既可以调整看法，也可以采取行动改变现状。两者都是大脑在降低不确定性。下次感到“不对劲”，不妨问自己：我该更新信念，还是该改变环境？很多时候，答案不是二选一，而是两步一起走。