人脑不是世界的记录仪，而是世界的生成器。它通过预测、能量优化与记忆重构，在不确定中维持确定，在有限能量中生成理解。相比之下，如今的人工智能虽然能记忆与生成，却难以真正“理解”。它能复现模式，却无法像人脑那样在时间中持续更新自己的世界模型。要理解智能的本质，我们必须回到神经系统最深层的逻辑：人脑如何以预测理解世界，以能量维持稳定，以记忆更新自我。
 

视觉错觉：大脑的预测性生成逻辑

在著名的"凹脸错觉（Hollow-Face Illusion）"中，一个凹陷的面具在视觉上总被感知为凸起。这并非感官缺陷，而是因为大脑高层的"人脸通常是凸起的"这一先验信念过于强大，其生成的预测压制了底层感官的"异常"信号。大脑选择相信它根据经验构建的世界模型，而非被动的感官输入。

这正是预测编码（Predictive Coding）理论的核心：大脑是一个主动的生成模型，它不断基于先验知识预测感官输入，然后将预测与现实的差异（预测误差）向上反馈，用以修正模型。我们"看到"的，并非世界本身，而是大脑为最小化误差而构建的"最可能的世界"。

预测编码理论指出，人脑中存在一个层级的生成模型（Generative Model）。高层通过生成“预测”来拟合输入并向低层传播，低层则将实际输入与预测的误差向上传播，反馈调整高层模型参数，从而使未来预测更准确。

这种预测机制反应更快，更节省资源。大脑在进化过程中逐步搭建了许多先验模型，如物体恒存、因果关系等。这些先验并非硬编码，而是通过交互中的错误修正逐渐习得。以婴儿为例，他们在生活环境中逐渐建构出"物体会继续存在"等先验。这样的模型使得低层感觉输入不会每次都被视为"新奇"，因为高层模型已经预测了它们，从而减少了所需处理的"预测误差量"。

自由能原理：能量与认知的平衡

预测带来了效率，但错误的预测需要能量来修正。于是大脑必须在准确性与能耗之间寻找平衡，这便是 自由能原理（Free Energy Principle，FEP）的物理内涵。英国神经科学家 Karl Friston 提出：所有智能系统都在最小化自由能（Free Energy），即减少对世界的不确定性与解释代价。由于从现实的感官证据中推导真实后验几乎不可能，大脑或AI使用一个"近似后验"来猜测，其数学形式为变分自由能（Variational Free Energy）

​​

它平衡了两项：复杂性（内部信念与真实后验的差异）和准确性（模型对观测数据的解释程度）。因而，大脑或AI的学习/推理过程，就是一场永不停歇的自由能最小化运动

• 当“复杂性”太高时：能量消耗大，系统倾向于回到常识先验。

• 当“准确性”太低时：模型解释不了证据，系统会更新模型，去更好地匹配数据。

这种机制让大脑成为一台“能量最优”的预测机器。对AI而言，这意味着智能的终极目标不是追求更大的参数量，而是追求更低的自由能。自适应强化学习正是自由能理论的AI化版本：智能体不再被动响应输入，而是主动选择行为来降低不确定性。这一思想正在催生“具身智能”与“世界模型AI”的新范式。
 

记忆再重构：动态更新的世界模型

大脑的世界并非静态，当外部环境改变时，高层模型也随之更新。现代认知神经科学研究认为，“记忆”并非如同硬盘那样简单“记录与读取”，而更像是一个生成模型＋再重构 的过程。

当我们回忆一段经历时，神经系统重新激活相关的神经模式，利用真实经验中可预测、规律化的部分（“概念”成分）加上新的/意外的“感官”成分，输入hippocampus（海马体）→ 重放 → 训练 neocortex（新皮层）中的生成模型。这使得记忆系统极其节能：可预测的部分由模型生成，只需存储那些意外且重要的细节。

因而，记忆再重构并非单纯回放，而是对已有模型＋新经验的融合，体现了“学习（模型参数更新）”＋“推断（隐藏状态估计）”＋“生成（回忆／想象）”的循环。这与 AI 系统中“每次训练都存档大量数据再反复训练”的模式有本质不同，展现了人脑在持续学习和能源效率上的卓越能力。

• 先验模型（在预测编码/自由能框架下）负责“已知规律”“常规结构”的预测。

• 记忆生成/重构机制负责将新经验纳入，并用于训练这些模型。下次遇到类似情形时，可以更快预测、更少误差。
   

从统计记忆到生成世界：AI的认知跃迁

人脑的智能，是宇宙中已知最高效的智能架构。它通过预测编码、自由能原理、记忆再重构，用极少的能量构建并维护着一个复杂、统一且动态更新的世界模型。当前AI与人脑的核心差距在于，AI更多是数据的统计者，而人脑是世界的生成者，看似神秘的神经过程，或许正是未来AI的蓝图。

未来的AI，须从"参数优化"迈向"自由能最小化"，从"数据记忆"迈向"预测记忆"。其发展方向可能是"全局工作空间理论（Global Workspace Theory）" 的实践：通过预测编码实现模块间信息整合，利用自由能优化资源分配，借助记忆再构支持持续学习。这一架构或能赋予AI真正的"常识推理"能力。
 

1. Rao, R. P., & Ballard, D. H. (1999). Predictive coding in the visual cortex. Nature Neuroscience.

2. Stefanics, G., Kremláček, J., & Czigler, I. (2014). Visual mismatch negativity: a predictive coding view. Frontiers in human neuroscience.

3. Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience.

4. Spens, E. & Burgess, N.(2024). A generative model of memory construction and consolidation. Nature Human Behaviour.

5. Feldman, R. S. (2013). 发展心理学：人的毕生发展 (第 6 版). 世界图书出版公司