乔木博客

全部

AI工具

AI教程

AI生成

AI资讯

健脑房

播客解读

论文学习

大脑的终极使命是“消灭意外”，大脑统一理论「自由能」

健脑房

·

2026年4月17日

·

467 次阅读

·

约 8 分钟

大脑为什么要这么复杂？

我们的神经系统每天处理海量信息，学习新技能，做出决策，控制动作。

这些看似毫不相关的功能，背后有没有一个统一的运作逻辑？

Karl Friston 提出自由能原理（Free-Energy Principle），试图回答这个问题。

这个理论很大胆，它说：大脑做的所有事情，本质上都在优化同一个东西。

https://www.nature.com/articles/nrn2787

生存的本质：抵抗混乱

先从一个更基本的问题开始：你为什么还活着？

这不是哲学问题。从物理学角度看，生命系统很特别。

宇宙的自然趋势是走向混乱（熵增），但生物体却能维持有序状态。

一杯热水会自然冷却，但你的体温始终保持在37°C左右。

这需要能量，更重要的是，需要预测。

你的身体必须"知道"什么状态是正常的，然后不断调整来维持这个状态。

饿了要吃饭，渴了要喝水，冷了要加衣服。这些都是在最小化意外。

自由能原理说的就是这个：生物体通过最小化长期的意外，来维持自己的存在。

什么是"意外"？

这里的"意外"不是日常意义上的惊喜。

在信息论里，意外（surprise）是个数学概念，指的是某件事发生的概率有多低。

概率越低，意外越大。

比如：

你早上醒来看到太阳升起，意外很小（这事天天发生）

你早上醒来发现自己在火星上，意外很大（这事几乎不可能）

生物体需要把意外控制在低水平。

为什么？因为高意外意味着你遇到了不符合预期的情况，可能是危险信号。

但这里有个问题：我们无法直接测量意外。

所以大脑用了个聪明的办法：最小化自由能（free energy）。

自由能：意外的上界

自由能是个数学量，它的关键特性是：它永远大于或等于真实的意外。

想象你在黑暗中摸索房间的布局。

你不知道家具的确切位置（真实的意外），但你可以根据已有信息建立一个内部模型，估计可能的布局。

这个估计和真实情况的差距，就是自由能。

最小化自由能，就是让你的内部模型尽可能接近真实世界。

这给了大脑一个可操作的目标：

感知：更新内部模型，让预测更准确

行动：改变外部世界，让它符合预测

没错，这两个方向都能降低自由能。

感知即推理

传统观点认为，感知是被动接收信息。

但自由能原理说，感知是主动推理。

你的大脑不是在"看"世界，而是在猜测世界，然后用感觉输入来验证猜测。

这就是贝叶斯大脑假说的核心：大脑维护着一个关于世界的概率模型，不断用新数据更新这个模型。

举个例子：

你在嘈杂的咖啡馆听朋友说话。声音信号很模糊，但你能听懂，因为你的大脑在预测对方会说什么。

这个预测基于：

对话的上下文

对方的语言习惯

你们之前的交流经验

当实际听到的声音和预测不符时，大脑会产生预测误差，然后调整模型。

这个过程就是在最小化自由能。

预测编码：大脑的压缩算法

自由能原理和预测编码理论完美契合。

预测编码说：大脑的层级结构（从低级感觉区到高级认知区）在做一件事，用高层的预测解释低层的输入。

高层区域发送预测到低层

低层区域计算预测误差（实际输入和预测的差异）

误差信号反向传播，更新高层的预测

只有预测误差需要传递，预测准确的部分可以忽略。这是一种高效的编码方式。

（我去，感觉跟大模型训练的神经网络，做的事情是一样的）

这也解释了很多神经科学现象：

重复抑制：重复刺激引起的神经响应减弱，因为预测越来越准确，误差越来越小

注意力：增强对预测误差的敏感度，聚焦于不确定的信息

自上而下的调制：高层预测影响低层感知

学习即优化连接

如果感知是短期的模型更新，那学习就是长期的模型优化。

大脑通过调整神经连接的强度，来编码世界的因果规律。这个过程也在最小化自由能。

关键机制是突触可塑性。

经典的赫布规则（Hebbian learning）说："一起激活的神经元，连接会增强。"

自由能原理给这个规则提供了理论基础：共同激活反映了因果关联，编码这种关联能降低未来的预测误差。

这也解释了：

为什么睡眠对记忆巩固很重要（重放和优化内部模型）

为什么青春期大脑会大规模重组（精简模型，提高效率）

为什么学习新技能初期很费力，熟练后变轻松（模型从不确定到确定）

行动即实现预测

现在到了最反直觉的部分：行动不是对感知的响应，而是让感知符合预测。

传统的运动控制理论认为，大脑发出指令，肌肉执行。

但自由能原理说，大脑只需要预测期望的感觉状态，行动会自动发生。

怎么理解？

想象你要拿起桌上的杯子：

你的大脑预测：手会移动到杯子位置，触觉会感受到杯子的形状和重量

这个预测和当前状态（手在腿上）产生了预测误差

运动系统的任务就是消除这个误差，让实际感觉和预测一致

行动是被感知预测"奴役"的。

这个框架统一了感知和行动：都是在最小化预测误差，只是方向不同。

感知改变内部模型，行动改变外部世界。

价值和奖励

自由能原理还能解释动机和价值。

在强化学习理论里，智能体学习最大化奖励。

但什么是奖励？为什么某些状态有价值？

自由能原理给出的答案：价值就是低意外的状态。

换句话说，奖励不是外部给定的，而是内化的先验期望。

你觉得吃饭有价值，因为你的大脑预期（先验）你应该处于饱腹状态。

这些先验可以是：

天生的（进化塑造的，比如对食物、安全的偏好）

习得的（经验积累的，比如对特定活动的喜好）

多巴胺系统编码的不是奖励本身，而是预测误差，这和自由能原理完全一致。

统一的框架

自由能原理的野心在于统一。它试图用一个原则解释：

感知：贝叶斯推理，预测编码

学习：突触可塑性，模型优化

注意：精度调节，不确定性管理

行动：主动推理，预测实现

价值：先验期望，奖励编码

这些看似独立的功能，都可以理解为在不同时间尺度和层级上最小化自由能。

当然，这个理论还有很多争议：

数学过于抽象，生物实现不清楚

很多预测还缺乏实验验证

是否真的"统一"，还是只是重新表述

但它提供了一个强大的视角：

把大脑理解为一个预测机器，不断更新关于世界的模型，通过感知和行动来最小化意外。

最后的思考

自由能原理让我想到一个更深的问题：我们为什么需要统一理论？

也许因为，理解本身就是一种最小化自由能的过程。

我们的大脑渴望找到简洁的解释，把复杂现象归结为少数原则。

这个理论是否正确，时间会告诉我们。

但它已经做到了一件重要的事：让我们重新思考大脑是什么，以及它为什么这样工作。

你的大脑此刻也在预测，预测下一秒会发生什么，预测这篇文章会如何结束。

而现在，预测实现了。

© 2026

·

向阳乔木