当AI Agent学会“最小化意外”:一篇9年前的神经科学论文,可能是智能体的终极操作系统

从Friston 的自由能原理到2026 年的Agent 架构革命——感知、记忆、决策、遗忘，原来可以是同一件事

2026 年春天，AI Agent 赛道热得发烫。

Mem0 拿下 4.8 万 Star ，Zep/Graphiti 在时序知识图谱上做出了差异化， Letta 用操作系统的思路分层 管理记忆， Hermes Agent 七周冲到 9.5 万 Star 号称”越用越聪明”。与此同时， ReAct 、CoT 、Tree-of- Thought 等推理框架在决策层卷生卷死， RAG 管道越做越复杂，认知科学启发的遗忘机制开始被引入 Agent 架构。一切看起来一片繁荣。

但如果你退后一步，会发现一个让人不太舒服的事实：

这些系统全是割裂的。

理解用户意图是一个模块，记忆存取是另一个模块，推理规划是第三个模块，遗忘是第四个模块，工具 调用是第五个模块。它们之间靠胶水代码和工程直觉拼接在一起，没有统一的理论框架，没有共同的优 化目标，甚至没有一个一致的数学语言来描述”一个 Agent 到底在做什么”。

这就像 1900 年代的物理学：电磁力、引力、热力学各自为政，每个领域都有自己的公式和直觉，但没 有人知道它们之间的关系。

有没有一个统一理论，能把 Agent 的所有认知活动纳入同一个框架？

答案可能藏在一篇 2017 年发表在 Neural Computation 上的论文里。它的作者是 Karl Friston——当今 被引用次数最多的神经科学家之一。论文标题是 “Active Inference: A Process Theory”（主动推理：一 个过程理论）。这篇论文提出了一个大胆到近乎疯狂的主张：大脑的所有活动——感知、学习、记忆、   决策、行动——都可以用一个单一的数学原理来解释：最小化变分自由能。

9 年后的今天，AI Agent 行业正在用工程手段重新发明这篇论文里的每一个概念。只是大多数人还不知 道。

先别被”变分自由能”这个名字吓到。它的核心思想其实可以用一句话概括：

一切智能行为的本质，都是在最小化”意外”。

什么是”意外”？不是心理学意义上的惊讶，而是信息论意义上的：一个事件发生的概率越低，它的 “意外 度”（surprise）就越高 。一条鱼发现自己在水里——不意外；一条鱼发现自己在树上——极度意外。

Karl Friston 的自由能原理（Free Energy Principle, FEP）认为，所有自组织系统——从单细胞生物到   人类大脑——都在做同一件事： 维持自己处于”不意外”的状态。用更技术的语言说，它们在最小化一个 叫做”变分自由能”的数学量，这个量永远不会低于真实的意外度——你可以把它理解为意外度的一个”保 守估计”。

为什么不直接最小化意外度？因为直接计算意外度需要知道世界的完整概率分布——这对任何有限系统 来说都是不可能的。 变分自由能是一个可以用近似推理（变分贝叶斯）来计算的替代品，它永远大于等 于真实的意外度。最小化它，就是在间接最小化意外。

这个框架的威力在于，它把两件看似不同的事情统一了：

感知 = 更新内部模型来解释已有的观察（减少当前的意外） 

行动 = 改变外部世界来匹配内部预期（减少未来的意外）

换句话说，大脑不是一台被动的摄像机，坐在那里等着接收信号然后做出反应。它是一台预测机器—— 不断生成关于”下一刻会发生什么”的预测，然后把预测和实际感知进行比对。如果预测错了（意外度高）， 要么更新模型（感知/学习），要么采取行动改变世界（行为）。 两条路，同一个目标。

“Active Inference: A Process Theory” 这篇论文的贡献，不是提出自由能原理本身——那是 Friston 更 早期的工作。这篇论文做的是一件更具体、更有野心的事：它证明了，如果你假设神经元的活动就是在 对自由能做梯度下降，那么你可以从这个单一假设出发，推导出大量已知的神经现象。

具体来说，论文用马尔可夫决策过程（MDP）作为生成模型，推导出了一套信念更新方程， 然后展示这 些方程可以复现：

.  重复抑制（repetition suppression）：同一个刺激重复出现时，神经响应减弱——因为预测越 来越准，预测误差越来越小

.  失匹配负波（mismatch negativity）：意外刺激引发强烈的神经响应——因为预测被违反了

.  位置细胞活动（place-cell activity）：海马体中编码空间位置的神经元——对应于生成模型中对 隐藏状态的信念

 .Theta-gamma 耦合：不同频率的脑电波之间的嵌套关系——对应于不同时间尺度上的信念更新

.  证据累积（evidence accumulation）：决策前逐渐积累证据的过程——对应于对策略的后验概 率的更新

.  多巴胺响应转移 ：奖励信号从无条件刺激转移到条件刺激——对应于精度（precision）预测误差 的变化

一个公式，十几种现象。这不是事后拟合——这些现象是从同一组方程中自然涌现出来的。 但论文最关键的贡献不是复现已知现象，而是它提出的统一架构。在这个架构中：

.  感知是在每个策略下估计隐藏状态（状态估计）

.  决策是评估每个策略的期望自由能，然后用 softmax 选择策略  学习是更新生成模型的参数（类似赫布学习）

.  行动是通过贝叶斯模型平均预测下一个状态，然后执行最可能实现该状态的动作

.  精度编码（对应多巴胺）调节策略选择的信心

所有这些——感知、决策、学习、行动、不确定性编码——都是在最小化同一个量 ：变分自由能。没有 五个独立的模块，没有五套独立的优化目标。一个原理，一套方程，一个统一的计算架构。

现在，让我们把目光从神经科学拉回到 AI Agent 行业。

如果你用 Friston 的框架来审视当前的 Agent 系统，你会发现一个有趣的事实：行业正在用工程手段 ， 一个模块一个模块地重新发明主动推理早已统一描述的东西。但因为缺乏统一框架，这些模块之间的关 系是混乱的。

我们可以画出一张对应表：

最后两行是最关键的。

在 Friston 的框架中，期望自由能可以分解为两个部分：实用价值（pragmatic value ，即期望效用 —— 做对用户有用的事）和认知价值（epistemic value ，即信息增益——做能减少不确定性的事）。一个健 康的智能体会在两者之间动态平衡：当它对世界的认知充满不确定性时，它会优先探索（最大化认知价 值）； 当它已经足够确定时，它会转向利用（最大化实用价值）。

这正是当前 AI Agent 最缺失的能力。

今天的 Agent 几乎全是”利用型”的——你给它一个任务，它直接执行。它不会主动说”等等，我对这个项 目的数据库架构不太确定，让我先查一下再动手” 。它不会在执行任务前主动寻找能减少不确定性的信    息。它没有好奇心。

有趣的是，行业已经在用最原始的方式试图弥补这个缺陷。打开任一个 AI 编程助手的系统提示词，你大 概率会看到类似这样的指令 ：”Before answering complex questions, first ask clarifying questions one at a time, until you are confident you understand the request.” 这本质上就是在用自然语言硬编 码”认知价值”——强迫 Agent 在不确定时先探索再行动。

但这种方式是脆弱的：它依赖提示词的措辞，没有数学保证，而且 Agent 无法自己判断”我现在够确定了吗” 。在主动推理中，这个判断是自动的—— 当期望自由能中的认知价值项趋近于零时，Agent 自然从探索切换到利用，不需要任何外部指令。

还有一个更致命的场景 ：OOD（ Out-of-Distribution）和长尾问题。当前的 LLM Agent 在训练分布内 表现优秀，但一旦遇到训练数据中罕见或从未见过的情况——一个冷门的 API 用法、一个非标准的部署 架构、一个小众语言的边界条件——它们往往会自信满满地给出错误答案， 因为它们根本不知道自己已 经”出界” 了。这正是精度编码缺失的直接后果。

在主动推理框架中，Agent 面对陌生输入时，其生成模 型的预测误差会飙升，精度会自动下降，认知价值项会变大——Agent 会自然地切换到探索模式：承认 不确定性、主动寻找信息、谨慎行动。它不需要一条 “if you’re unsure, say so” 的提示词来告诉它该怎 么做。不确定性本身就是驱动行为的信号。

当然，你可能会说 ：好的Agent 已经会搜索了啊——Kiro 会在动手前先搜代码库，Cursor 会在不确定 时查文档。没错，但这些行为本质上还是被外部 harness（编排层）硬编码的：什么时候搜、搜什么、 搜到什么程度算够了，全靠工程师预设的规则或提示词。Agent 本身并不”理解”为什么要搜索——它只 是在执行一条指令。

而在主动推理中，搜索行为是从不确定性中自发涌现的：Agent 感知到自己的世界 模型和当前观察之间存在偏差，认知价值自动升高 ，探索行为自然发生。 区别在于：一个是”被告知要探 索” ，另一个是”因为不确定所以探索” 。前者脆弱且不可泛化，后者是一个通用的认知机制。

更深层的问题是精度编码的缺失。在主动推理中，精度（precision）是一个核心概念——它编码了Agent 对自己每一个信念的确信程度。高精度意味着”我很确定” ，低精度意味着”我不太确定” 。这个信 号直接影响决策：低精度的信念会被降权，高精度的信念会主导行为。 Friston 的论文将精度编码对应 到多巴胺系统——多巴胺不是”奖励信号” ，而是”确信度信号”。

当前的 LLM Agent 完全没有这个机制。它们对自己的每一个输出都同等自信——无论是在回答一个它训 练数据中见过一万次的问题，还是在猜测一个它从未见过的领域知识。这就是为什么 Agent 会自信满满 地给出错误答案（幻觉），也是为什么它们无法在”我该直接行动”和”我该先搞清楚状况”之间做出合理   的判断。

Friston 在 2026 年 4 月接受diginomica 采访时一针见血地指出了这个问题。作为 VERSES AI 的首席科 学家，他认为主动推理框架能在 LLM 结构性无法做到的地方胜出——因为它能编码不确定性并产生好奇 心 。 LLM 本质上是一个巨大的条件概率表，它不知道自己不知道什么。 而主动推理的 Agent 天然具备这 种元认知能力。

自由能原理不再只是理论物理学家的玩具。2024-2026 年，一系列研究和产品开始把它变成可运行的代 码。

VERSES AI 和 Genius 平台

Friston 本人担任首席科学家的 VERSES AI ，正在把主动推理变成企业级产品。他们的 Genius 平台是一 个”智能体企业智能平台” ，专门针对数据波动大、不确定性高 、环境复杂模糊的场景。

2025年8月 ，VERSES 获得了一项关键专利——用自然语言定义主动推理Agent 的领域模型。2025 年下半年，他们的 研究团队发表了主动推理在机器人移动操作中的突破性成果，展示了Agent 在长时间任务中的实时适应 和从意外变化中恢复的能力。

与传统强化学习不同，VERSES 的 Agent 不需要海量预训练数据。它们通过构建世界的生成模型来推 理，而不是通过记忆大量的输入-输出映射来反应。用 VERSES 自己的话说 ：”与其学习策略，不如推理 原因。”

“Active Inference for Self-Organizing Multi-LLM Systems”（2024）

这篇 2024 年 12 月的 arxiv 论文，可能是把主动推理和 LLM 结合得最直接的一次尝试。研究者在 LLM Agent 之上加了一个主动推理的”认知层” ，用它来动态调整提供给 LLM 的提示词和搜索策略。

具体来说，这个认知层用三个状态因子（提示词状态、搜索状态、信息状态）和七个观察模态（质量指 标）来建模环境。通过最小化自由能， Agent 能够系统性地探索不同的提示词组合，评估它们的效果， 并在探索和利用之间自动切换。实验结果显示，Agent 的行为模式从初期的信息收集逐渐过渡到有针对 性的提示词测试——这正是主动推理预测的”先探索后利用 “的行为模式。

这篇论文的意义在于：它证明了主动推理不需要替代 LLM ，而是可以作为 LLM 之上的一个元认知层 ——让 LLM 保持其强大的语言能力，同时获得主动推理的自适应和探索能力。

DR-FREE：发表在 Nature 上的鲁棒决策框架（2025）

2025 年，一篇发表在 Nature Communications 上的论文提出了 DR-FREE（Distributionally Robust  Free Energy）模型。它把自由能原理和分布鲁棒优化结合起来，让 Agent 在面对模型不确定性时依然 能做出可靠的决策。

在基准实验中，DR-FREE 让 Agent 在其他最先进模型失败的情况下依然能完成任务。论文的关键洞察是：传统的自由能最小化假设 Agent 的世界模型是准确的，但现实中模型总有偏差。 DR-FREE 通过在最 坏情况分布上优化，把鲁棒性直接编码进了决策机制。

这对 AI Agent 的意义是深远的：它意味着基于自由能原理的 Agent 不仅能在理想条件下工作， 还能在 模型不完美、环境有噪声的真实世界中保持可靠。

Orchestrator：多 Agent 长时间任务协调（2025）

另一个值得关注的工作是 Orchestrator 框架，它把主动推理应用于多 Agent 系统的长时间任务协调。 在部分可观察、需要多个 Agent 协作的复杂任务中，Orchestrator 使用注意力机制启发的自涌现协调 和反思性基准测试来优化全局任务表现。

这个框架的核心思想是：每个 Agent 不仅要最小化自己的自由能， 还要通过共享信念来协调集体行为 ——这和 Friston 论文中关于”马尔可夫毯”（Markov blanket）的概念直接对应。

如果你接受了自由能原理的框架， 那么 AI Agent 的记忆、遗忘和学习就不再是三个独立的工程问题，而 是同一个数学过程的不同面向。

记忆不是存储，是信念更新。

在 Friston 的框架中，”记忆”对应的是生成模型参数的更新。论文中的学习方程显示，参数更新本质上 是一种赫布学习——共同出现的状态之间的关联被增强，不常出现的关联被削弱。这不是”把信息存进数 据库” ，而是”根据经验调整对世界的信念”。

当前的 Agent 记忆系统——无论是 Mem0 的向量+图谱混合存储、Zep/Graphiti 的时序知识图谱，还是 简单的 Markdown 文件——本质上都是在做”存储和检索” 。它们把记忆当作一个数据库问题。但Friston 的框架暗示，真正的记忆应该是生成模型本身的一部分——不是”我存了什么” ，而是”我的世界 模型因为这些经验变成了什么样”。

这个区别不是语义上的吹毛求疵。它有实际的工程含义：如果记忆是生成模型的参数，那么”记住”一件 事就意味着这件事改变了Agent 对世界的预测方式——它会影响 Agent 未来的感知、决策和行动。 而如 果记忆只是数据库里的一条记录，它只有在被检索到的时候才有用，而且和Agent 的其他认知过程是脱 节的。

遗忘不是 bug，是精度加权的必然结果。

在主动推理中，每个信念都有一个”精度”（precision）——对这个信念的确信程度。精度低的信念对行 为的影响小 ，精度高的信念影响大。 随着时间推移和新证据的积累， 旧信念的精度自然衰减——这就是 遗忘。

2026 年初，越来越多的研究者开始意识到这一点。一篇题为 “AI Agents Need Memory Control Over   More Context” 的论文指出，当前基于转录回放或检索的记忆机制会导致无限制的上下文增长 ，容易受 到噪声召回和记忆污染的影响，最终导致 Agent 行为不稳定和漂移。

这正是缺乏精度编码的后果——系 统无法区分”高确信度的核心记忆”和”低确信度的噪声信息” ，只能一视同仁地保留或丢弃。

但这些工作和主动推理之间有一个关键区别：它们的衰减和组织规则是预设的，而主动推理中的精度是 从数据中推断出来的。换句话说，一个真正基于自由能原理的遗忘系统不需要人工设计衰减曲线——它 会根据信息的实际有用性自动调整遗忘速率。

学习不是微调，是减少意外。

当前 AI Agent 的”学习”通常意味着两件事：要么是知识库的更新（加入新文档），要么是提示词的优化 （根据反馈调整系统提示）。这两种方式都是局部的、被动的。

在主动推理中，学习是一个更深层的过程：Agent 通过与环境的交互，不断更新其生成模型的所有参数 ——不仅是”知道了什么新事实” ，还包括”世界的因果结构是什么样的” 、”不同状态之间的转移概率是多 少” 、”我的行动会产生什么后果” 。这种学习是全局的、主动的， 而且和感知、决策共享同一个优化目标。

Friston 论文中最优雅的结果之一，是展示了习惯如何从目标导向行为中自然涌现。在模拟实验中，Agent 最初通过主动探索来学习环境（认知行为）， 随着对环境越来越熟悉，它逐渐形成了固定的行为 模式（习惯）——而这个过程不需要任何额外的机制，它是信念更新的自然结果。

这对 AI Agent 的启示是：与其手动设计”什么时候该探索、什么时候该利用 “的规则，不如让 Agent 在一 个统一的框架下自动完成这个转换。

写到这里，你可能觉得自由能原理是AI Agent 的万能解药。但诚实地说，它面临着严峻的挑战。

可扩展性问题。 Friston 论文中的模拟实验用的是一个只有 8 个隐藏状态、4 个动作的 T 型迷宫。真实 世界的 AI Agent 面对的状态空间是天文数字级别的。虽然 VERSES AI 和其他团队在工程上取得了进展，但把主动推理扩展到 LLM 级别的复杂度，仍然是一个未解决的问题。2024 年的那篇 Multi-LLM 论 文是一个有希望的方向，但它的实验规模仍然有限。

计算成本。期望自由能的计算涉及对未来状态的枚举和评估。在离散状态空间中这还可以接受，但在连 续的、高维的状态空间中，计算成本会爆炸式增长 。正如一篇 2025 年的 arxiv 论文所指出的， “期望自  由能最小化的计算成本限制了其可扩展性”。

与 LLM 的整合。 LLM 本质上是一个自回归的 token 预测器，它的内部表示和主动推理的生成模型之间 没有直接的对应关系。把主动推理作为 LLM 之上的元认知层是一个务实的方案，但它也意味着两个系统 之间存在”阻抗不匹配”——LLM 的黑箱特性使得主动推理层很难准确建模 LLM 的行为。

理论争议。 自由能原理本身在学术界并非没有争议。一些批评者认为它过于宽泛——如果一切都可以用 最小化自由能来解释，那它是否真的解释了什么？这个批评有一定道理：一个能解释一切的理论，可能 什么都没解释。但 Friston 2017 年论文的价值恰恰在于它不只是一个抽象原理，而是一个具体的过程理 论——它给出了可以被验证（或证伪）的具体预测。

2026 年的 AI Agent 行业有一个讽刺的现象：工程师们花了两年时间，用工程直觉一个模块一个模块地 重建了神经科学家十年前就形式化了的认知架构。记忆系统对应参数学习，推理链对应策略评估，遗忘 机制对应精度衰减，RAG 对应从长期记忆到工作记忆的检索。只是没有人把它们放在同一个框架里， 也 没有人给它们一个共同的优化目标。

Friston 的自由能原理提供了这个框架。它不是一个需要从零开始的全新架构，而是一个可以统一现有 组件的理论透镜。当你用这个透镜来审视当前的 Agent 系统，你会看到缺失的拼图：认知价值（好奇心 驱动的探索）、精度编码（对不确定性的显式建模）、以及统一的优化目标（而不是五个独立模块各自 为政）。

下一个真正的突破性 Agent，可能不是拥有最大的上下文窗口、最快的推理速度、或者最多的工具调用 能力。它可能是第一个拥有真正的世界模型的 Agent——一个能预测、能探索、能遗忘、能学习的生成 模型，而所有这些能力都从同一个原理中涌现。

Karl Friston 在 2017 年写下那篇论文时，可能没有想到它会和 AI Agent 产生交集。但 9年后，当整个 行业都在问”Agent 的下一步是什么”的时候，答案可能一直就在那里——藏在一个关于大脑如何最小化 意外的优雅数学框架里。

参考来源

1.Karl Friston et al., “Active Inference: A Process Theory”, Neural Computation, 2017 年 1 ⽉ (pubmed.ncbi.nlm.nih.gov/27870614)

2.Karl Friston et al., “Active inference and learning”, Neuroscience & Biobehavioral Reviews, 2016 (pmc.ncbi.nlm.nih.gov/articles/PMC5167251)

3.”Active Inference for Self-Organizing Multi-LLM Systems: A Bayesian Thermodynamic

Approach to Adaptation”, arxiv, 2024 年 12 ⽉ (arxiv.org/html/2412.10425v3)

4.”Distributionally robust free energy principle for decision-making”, Nature Communications, 2025 (nature.com/articles/s41467-025-67348-6)

5.”Active Inference for Multi-Agent Systems in Long-Horizon Tasks” (Orchestrator), arxiv, 2025 (arxiv.org/html/2509.05651)

6.”AI Agents Need Memory Control Over More Context”, arxiv, 2025 (arxiv.org/html/2601.11653)

7. diginomica, “Why Karl Friston is betting on cultivating curiosity for sustainable AGI”, 2025 年 4 ⽉ (diginomica.com)

8. VERSES AI, “Active Inference for Robot Planning & Control”, 2025 (verses.ai)

9.VERSES AI, “VERSES Receives Patent for Specifying Domain Models with Active Inference Agents”, 2025 年 8 ⽉ (verses.ai)

10.”Active Inference and the Free Energy Principle: How Agents Minimize Surprise Instead of Maximizing Reward”, 2026 年 2 ⽉ (notes.muthu.co)

11.”A Framework for Inherently Safer AGI through Language-Mediated Active Inference”, arxiv, 2025 (arxiv.org/html/2508.05766v1)