--- layout: post.njk source: https://blog.qiaomu.ai/2026-04-17-gu-dJZ speaker: 向阳乔木 title: 大脑的终极使命是“消灭意外”，大脑统一理论「自由能」 · 乔木博客 date: '2026-04-17' summary: 这篇文章深入探讨了 Karl Friston 的自由能原理，提出大脑的核心任务是最小化“意外”（即事件发生的概率有多低）。通过最小化“自由能”（意外的上界），大脑得以维持有序状态。该理论统一了感知（主动推理、预测编码）、学习（优化神经连接）、行动（实现预测）以及价值（内化的先验期望），将大脑描述为一个不断更新世界模型的预测机器，以降低不确定性。 area: tech-engineering category: ai-ml tags: - free-energy-principle - brain-unified-theory - predictive-coding - bayesian-brain people: - Karl Friston companies_orgs: [] products_models: [] media_books: [] draft: true status: evergreen --- 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