引言
你的房间为什么总是自动变乱？
这不是因为你懒。这是宇宙最基本的法则之一——热力学第二定律在对你家客厅下手。封闭系统的熵（无序度）总是趋于增加，一切都在滑向混乱。
但奇怪的事情发生了：你，一个由原子组成的复杂系统，居然能在这个熵增的宇宙里维持高度有序的状态几十年。你的体温恒定在37度，你的血糖精确调控，你的大脑每秒处理数十亿比特的感觉信息——而且你还没有死。
这到底是怎么办到的？
英国神经科学家卡尔·弗里斯顿（Karl Friston）认为，答案藏在一个统一的原则里。这个原则不仅能解释你为什么能活着，还能解释大脑如何思考、AI如何学习、甚至好奇心为什么存在。他称之为自由能原理（Free Energy Principle）。
2026年8月，弗里斯顿在圣地亚哥举办的"意识科学2026"大会上做了一场主旨演讲，将这个20年历史的理论升级为一个与AI架构直接对话的新版本。与此同时，《科学进展》杂志发表了一篇论文，用自由能原理驱动了一个3万维感知信号的人形机器人。
一个神经科学家的"疯狂理论"，正在成为2026年AI最前沿的思想引擎之一。
一、什么是自由能？——别被名字吓到
先说清楚：这里的"自由能"不是物理学里的自由能（虽然数学上有亲缘关系）。弗里斯顿借用了这个术语，但赋予了一种更直觉的含义。
一句话版本：自由能 = 你对世界预测的误差上限。
换句话说，它衡量的是"现实与你预期之间的差距有多大"。差距越大，自由能越高；差距越小，自由能越低。
为什么这个东西如此重要？因为弗里斯顿提出了一个惊人的论断：
所有维持自身存在的自组织系统，都在做同一件事——最小化自由能。
一条鱼在水里活着，是因为它的内部状态与水温、盐度、含氧量等环境条件"匹配"得很好。如果这条鱼突然出现在沙漠里（极度"意外"的状态），它的自由能飙升，然后它死了。
你也一样。你活着，是因为你的身体和大脑持续不断地在做一件事：让现实符合预期，或者让预期符合现实。
前者叫行动，后者叫感知。两者是同一枚硬币的两面。
二、你的大脑是一台"预测机器"
自由能原理在大脑中最具体的体现，叫做预测编码（Predictive Coding）。
传统观点认为，感知是这样的：眼睛接收光线→信号传入大脑→大脑"自下而上"地构建出你看到的画面。
预测编码说：恰恰相反。
**大脑一直在主动地"投射"它预期会看到的东西。**你的视觉皮层不断向下级区域发送预测信号——“我觉得接下来应该看到一张脸”、“我觉得这个阴影处应该有一只猫”。然后，低级区域将实际的感官输入与这些预测进行比较，只把"预测误差"——也就是"跟你预期不一样的部分"——向上传递。
这就是为什么你在嘈杂的聚会上能"听到"有人叫你名字——你的大脑在预测这个名字，当模糊的声音信号与预测匹配时，你就"听到"了。
这也是为什么魔术师能骗过你——他们操控的正是你的预测。
2026年发表在《科学进展》上的研究将这个理论推向了工程前沿。日本的研究团队构建了一个基于自由能原理的层级多模态神经网络，直接处理来自人形机器人超过3万维的视觉和本体感觉信号，不需要任何手工特征提取。这个系统通过最小化预测误差来学习感知、行动和任务切换——它的行为模式，与弗里斯顿理论预测的几乎完全一致。
三、好奇心不是bug，是feature
如果你认为自由能原理只是"让预测更准确"，那就太小看它了。
这里最精彩的推论来了：为什么你会好奇？
弗里斯顿将自由能原理延伸到行动领域，提出了主动推理（Active Inference）的概念。在他的框架里，智能体选择行动的依据不是"什么能获得最大奖励"，而是"什么能最大程度地减少未来的不确定性"。
他定义了一个叫预期自由能的概念，它天然包含两个维度：
- 实用价值：这个行动能多大程度上帮我达到目标？
- 信息增益：这个行动能帮我减少多少不确定性？
当环境不确定性高时，信息增益占主导——你会去探索。当你对环境已经很了解时，实用价值占主导——你会去利用已有知识。
关键来了：这个平衡不是人为设计的，它是自由能最小化的自然结果。
你不需要给一个自由能最小化的系统"编程"好奇心。好奇心是它为了减少不确定性而自然涌现的行为。婴儿为什么什么都要摸、什么都要尝？不是因为被奖励了，而是因为不确定性太高了，信息增益远大于实用价值。
这跟传统AI的思路截然不同。强化学习需要人为设计奖励函数；而自由能框架下，“追求信息"是系统维持自身存在的内在本能。
四、2026年的突破：弗里斯顿与Transformer的对话
2026年8月，弗里斯顿在"意识科学2026"大会上的演讲引起了AI社区的强烈关注。他做了一件非常务实的事：把主动推理从连续的微分方程重新表述为因子图上的信念传播。
简单说：他把自由能原理"翻译"成了AI工程师能看懂的语言。
在因子图的框架下，主动推理变成了节点之间的消息传递——这与Transformer中注意力机制的计算图有着惊人的结构相似性。弗里斯顿据此提出了一个尖锐的问题：
Transformer算不算一个"主动推理"系统？
他的回答是：部分算，但不完全算。
Transformer确实有一个关于训练数据的生成模型（满足条件一），但它的权重在推理时是固定的——它不会根据新的输入动态更新自己的世界模型。更关键的是，它没有"认知觅食"的能力——它不会主动去寻找能减少自身不确定性的信息。
这个分析指向了当前AI的一个结构性缺陷：**ChatGPT不会"好奇”。**它不会主动说"这个问题我不确定，让我去找更多信息"。它会用训练时学到的概率分布给你一个看起来很自信的回答——即使它在胡说八道。
而一个真正的自由能最小化系统，在遇到不确定性时，第一反应不是"编一个答案"，而是"去获取更多信息来减少不确定性"。
五、争议：万能理论还是过度泛化？
自由能原理的雄心勃勃也引来了猛烈的批评。
最核心的质疑是：它能解释一切，就等于什么都解释不了。
从细胞代谢到人脑认知，从恒温器到自动驾驶，从精神疾病到社会系统——弗里斯顿和他的追随者们似乎想把所有现象都塞进自由能的框架里。一些哲学家和科学家认为，这使它变成了一个不可证伪的"万能理论"，失去了科学理论应有的精确预测能力。
2026年的CS26大会上，神经哲学家内德·布洛克直接质问：自由能最小化捕捉的只是功能组织，与主观体验毫无关系。一个恒温器也在最小化误差，但你不会说恒温器有意识。
弗里斯顿的回应一如既往的审慎：自由能原理给出的是必要条件，不是充分条件。一个不最小化自由能的系统肯定不是智能的；但一个最小化自由能的系统是否"有意识"，还需要额外的条件。
另一个现实问题是：理论虽然优雅，但工程实现极其困难。在复杂环境中精确计算自由能几乎不可能，现有的自由能AI系统在性能上远不及主流的深度学习模型。
六、为什么你应该关心这个理论？
说了这么多学术内容，自由能原理跟普通人有什么关系？
关系比你想象的大。
**首先，它改变了对"生命"的理解。**活着不是一种状态，而是一个持续对抗混乱的过程。你的每一次心跳、每一个呼吸、每一次眨眼，都是自由能最小化的具体表现。你不是"存在于"这个世界上，你在每一刻都在主动地"维持着"自己与这个世界的匹配。
**其次，它给了"好奇心"一个科学定义。**好奇心不是闲得无聊，不是你不够专注——它是你最深层的生存本能在驱使你减少不确定性。下次你的孩子把玩具拆了装不回去的时候，别生气：他只是在最小化自由能。
**最后，它可能决定AI的未来走向。**2026年的AI系统越来越强大，但它们从根本上仍然是"被动"的——等着你给指令、等着数据喂进来。如果弗里斯顿是对的，那么下一代真正智能的AI可能需要一个根本性的范式转变：从"最大化奖励"到"最小化不确定性"，从"被动回答"到"主动探索"。
毕竟，宇宙中最聪明的系统不是那些答案最多的，而是那些最善于提出问题的。