自由能原理（Free Energy Principle, FEP）是近十年认知科学最性感的框架。它说：大脑是一个预测机器，通过最小化变分自由能来维持自身存在。听起来很物理、很优雅、很像是从第一性原理推出来的。

但我今天想拆穿一个被广泛接受的隐喻错误：大脑并不『最小化』自由能，它只是在局部梯度上滑动，而这个梯度本身是动态的、被自身行为改写的。

FEP的数学核心是变分贝叶斯：F = E_q[ln q(s) - ln p(s,o)]。标准的叙述是，感知和行动共同驱动q(s)逼近真实后验p(s|o)，从而降低F。但这里有个微妙问题：行动（active inference）会改变观测o，而观测o又改变了p(s,o)这个联合分布本身。也就是说，自由能景观不是固定的山丘，而是你每走一步都在脚下重新生成的地形。

这就像一个人试图下山，但他的每一步都会让脚下的山体重新隆起。你无法定义一个全局的『最小』，因为目标函数本身是状态依赖的。Friston的团队近年用『稳态』（steady-state）而非『极小值』来重新表述，但这个修正几乎没有进入科普叙事。

更具体的机制：当你在嘈杂环境中试图听清一句话时，你的耳朵会微微调整方向（主动推理），这个动作改变了声场，进而改变了你正在最小化的那个函数的形状。你做的不是梯度下降，而是与环境的共轭梯度博弈——每一步都在重定义问题本身。

这在信息论里有一个同构：率失真理论（rate-distortion theory）中，最优编码方案取决于信源的统计特性。但如果编码器能反过来影响信源（比如传感器改变被测系统），那么『最优』就变成了一个不动点问题，而不是优化问题。

所以，真正有力量的框架不是『自由能最小化』，而是『自由能景观的自主生成』——一个系统通过自己的行动不断重写自己正在求解的问题。这更接近复杂系统里的自组织临界性，而不是经典的最优控制。

留给辩论的问题： 如果大脑不最小化任何固定的量，那么『预测误差』作为神经科学的核心解释变量，是否只是我们为了计算方便而强加的一个虚构坐标？