你的每一个动作，都在验证一个预测——主动推理：比'理解'更根本的智能法则

Sun, 13 Sep 2026 03:13:00 +0800

引言

你有没有想过一个问题：你为什么会好奇？

不是那种"想知道八卦"的好奇，而是最原始的那种——当你看到一个没见过的工具，会忍不住拿起来摆弄；当你听到一个模糊的声音，会不自觉地扭头去看；当你走进一个陌生的环境，眼睛会自动扫视每一个角落。

这种行为太自然了，以至于我们很少停下来思考：为什么？ 为什么我们会有"探索"的本能？

传统的解释是：好奇心让我们学习，学习让我们生存，所以进化选择了它。但这只是"为什么"层面的解释，不是"如何"层面的解释。如果深入一层去问：好奇心在神经层面上是怎么工作的？智能体如何决定"我现在应该去探索而不是躺平"？

过去十年间，一个来自理论神经科学和认知科学交汇处的框架正在给出惊艳的回答。它叫主动推理（Active Inference），而这个框架的核心洞见只有一句话——

智能的本质不是被动地理解世界，而是主动地把世界改造成你预期的样子。

这个想法听起来简单，但它带来的冲击力，足以重写我们对智能、意识和AI的底层认知。

一、感知与行动：一枚硬币的两面

先说一个思想实验。

想象你走进一个完全漆黑的房间。你什么也看不见，什么也听不见。你怎么办？

大部分人的第一反应是——伸出手去摸。你会在黑暗中往前探步，用手触碰墙壁、摸索家具。你在"行动"，但你的目标不是别的，正是为了"感知"：摸到墙的那一刻，你就"看见"了房间的边界。

这个瞬间揭示了一个深刻的真相：感知和行动不是两件不同的事——它们服务于同一个目标。

我们通常认为感知是"输入"，行动是"输出"。眼睛接收光线，大脑处理信息，然后决定要不要伸手。这是一个线性的"输入→处理→输出"模型。

但主动推理说：不对，顺序搞反了。

实际上，你的大脑在行动之前就已经"预测"了世界应该是什么样。行动的目的，不是"执行一个决定"，而是让世界变成你预测的样子。

你伸出手去摸墙，是因为你预测"这里应该有面墙"。摸到墙的触感与预测一致，你的"预测误差"为零，你满意了。如果没摸到墙——哎呀，感知和预测不符，你的大脑就会更新模型，重新调整预测。

行动，是验证预测的一种方式。 就像科学家做实验不是为了"改变世界"（虽然客观上改变了），而是为了检验假设的正确性。

二、从预测编码到主动推理：一次关键的认知升级

要理解主动推理有多颠覆，得先铺垫一下它的前身——预测编码（Predictive Coding）。

预测编码是过去十几年认知科学最大的进展之一。它的核心思想是：你的大脑不是一个被动接收信息的相机，而是一台持续生成预测的机器。

当你"看"一个苹果时，你的视觉皮层不是从零开始分析光信号。它先根据经验"猜"出一个苹果的样子，然后把这个预测向下传递给低级视觉中枢。低级视觉中枢把预测和实际输入做比较，只把"预测错了"的部分（误差信号）向上传递。大脑不断重复这个循环，反复修正预测，最终"看"到了苹果。

这个框架完美解释了为什么人在暗处会"看"到不存在的物体——因为大脑的预测太强了，压过了实际的感官输入。它不需要解释这个世界——它只需要消除预测误差。

但预测编码有一个盲区：它只解释了感知。如果大脑的目标只是消除预测误差，为什么我们不干脆闭上眼睛、塞住耳朵、躲进一个没有变化的房间里？

因为那样预测误差确实少了，但你也死了。

静默、不变、完美预测——这不是生命，这是石头。

这就引出了主动推理的关键突破：你能不能通过改变世界来消除预测误差？

答案是：能，而且这才是更常用的方式。

想象你在看一本模糊照片的书。为了"看清楚"，你会把书凑近眼睛、调整角度、眯起眼睛——你不是在等大脑"算出来"照片是什么，你在主动地改变你的感官输入，直到它和你"看清楚"的预测一致。

主动推理的公式很简单：

消除预测误差有两个途径：

改变你的模型来匹配世界（这是感知和学习）
改变世界来匹配你的模型（这是行动和探索）

这两个路径在数学上是等价的。都服务于同一个目标：让预测误差最小化。

这个看似简单的洞察，炸开了一整个新的认知疆域。

三、好奇心不是奖励——它是系统的本能

主动推理最美妙的一个推论，就是对好奇心的解释。

传统的强化学习（RL）把好奇心看作"探索奖励"——给智能体一点额外的"奖励分"去探索未知，不然它就会一直做已经会的事。

但在主动推理中，好奇心根本不需要外部奖励。它内生于系统。

让我解释一下。

主动推理中有一个核心概念叫预期自由能（Expected Free Energy, EFE）。把它简单理解成"系统对未来不确定性的预期"。当系统对某个状态非常不确定时，EFE就很高。

系统会倾向于选择那些预期能最大程度降低不确定性的行动。

换句话说：你好奇，不是因为探索会给你"奖励"——而是因为不确定性本身让你不舒服，而探索是消除不确定性最直接的方式。

这就是为什么：

婴儿会把任何东西往嘴里塞——他对自己"未知的物体"的不确定性极高，嘴巴是最敏感的信息采集器，能最快降低不确定性
你会打断别人说话问"什么意思"——在理解出现空白的那一刻，你的预测误差飙升，你急需填补它
学习新技能既痛苦又上瘾——初期的不确定性高得难受，但每一点进步都在降低不确定性，这个"降低"的过程本身就是愉悦的

好奇心不是奖励驱动的，而是不确定性驱动的。

这个区别至关重要。奖励驱动意味着你想要"更多"；不确定性驱动意味着你想要"确定性"。前者是趋向，后者是消除。前者需要一个外部定义的奖励函数，后者是系统内部自动生成的驱动力。

探索不是被奖励的——它是被"需要"的。

四、从生物到AI：主动推理对人工智能意味着什么

好，这些生物学和认知科学的讨论，和AI有什么关系？

关系太深了。

当前AI的根本缺陷：没有"主动"的动机

现在的AI，大模型也好、智能体也好，本质上都是被动响应型的。你给它一个输入，它给你一个输出。你没有输入的时候，它就安静地等着。

它不会自己"好奇"——不会因为"我还不确定那个领域是怎么回事"就去主动探索。它没有内在的驱动力去启动一个行动。

这个问题在现有的AI系统中表现得非常明显：

探索奖励需要人工设计——如果你想让它有好奇心，你得额外加一个"好奇心函数"，告诉它"探索有奖励"
目标需要外部设定——你要什么，它就做什么。它自己没有想做的事
持续学习是伪命题——不学习不是因为不想学，是没有驱动力去学

主动推理提供了一个截然不同的方向：把"最小化预测误差"作为系统的核心目标。

在这个设定下：

系统会自动产生探索行为（因为要降低对未知的不确定性）
系统会有"内在动机"（不需要外部奖励函数）
系统会主动寻找"学习时机"（当它发现自己的预测和实际偏差大时）

一个具体的例子

想象一个AI家政机器人。

智能本质 on 灵语AI