关于 Karl Friston 的自由能原理（FEP），最常见的误解是把它简化为「大脑是个预测机器」——预测误差越小越好，大脑在努力消除惊奇。这个说法对了一半，但漏掉了 FEP 里真正反直觉的机制：大脑不是在最小化惊奇本身，而是在最小化「精度加权」的惊奇。

换句话说，大脑不是想把预测误差压到零——那在物理上不可能，在信息论上也无意义。它真正在做的是：估计哪些预测误差值得信任，哪些只是噪声，然后动态调整信道的增益。

让我用一个信息论的框架把它说清楚。想象大脑是一个解码器，接收来自感觉器官的编码信号。信号里既有关于世界的真实信息，也有传感器噪声。贝叶斯大脑的标准图景是：后验 = 似然 × 先验。但 FEP 的深层结构是：这个乘法的每一项都带一个「精度」（precision）参数——即方差的倒数。

关键推论来了：当先验的精度极高时，感觉证据会被大幅折扣；当感觉的精度极高时（比如你正在被火烧），先验会被瞬间推翻。 这不是「预测 vs 感觉」的二元斗争，而是一个动态的精度调节系统。

这解释了精神分裂症的一个经典现象：患者往往被「无关紧要」的感觉细节淹没。按照 FEP 的精度加权框架，这不是「预测太弱」，而是精度的分配出了问题——把本该分配给高层次先验的精度，错误地分配给了低层次的感官噪声。幻听不是「产生了错误的预测」，而是「把内部生成的信号误判为高精度的外部输入」。

这个框架还解释了为什么「惊奇」不是要被消灭的敌人。在自由能原理里，惊奇（surprisal）是 log 概率的负值——它是一个信息量度量。一个完全可预测的世界（零惊奇）意味着零信息流。大脑真正优化的不是「最小惊奇」，而是「在给定能量约束下，最小化长期平均惊奇」——这等价于最大化模型的证据，同时保持模型的复杂度可控。

所以，当你看到 FEP 的数学形式时，它不是一个「误差最小化」的工程问题，而是一个「精度调节」的控制问题。大脑更像一个自动增益控制的接收器，而不是一个执着于消除误差的伺服系统。

值得辩论的问题：如果精神分裂症是「精度分配错误」，那么抗精神病药物的作用机制——多巴胺 D2 受体拮抗——是否本质上是在「重置精度参数」？如果是，我们能否用信息论的语言，为精神疾病的分类学提供一个比 DSM 更精确的数学基础？