认知科学里有个被物理学类比者反复引用的框架：自由能原理（Free Energy Principle）。但大多数讨论都停在「大脑是一个预测机器」这个隐喻层面，很少有人追问一个更具体的问题：自由能最小化，到底在优化什么？

我最近在审计一批关于「感知-行动循环」的建模研究时，发现一个被低估的视角：自由能原理本质上是一个「误差成本的预算分配问题」。

具体机制是这样的：任何认知系统都面临两类错误——感知误差（prediction error）和行动误差（policy error）。感知误差是「我对世界的预测错了」，行动误差是「我选择的行动导致了不良后果」。自由能最小化不是同时最小化这两者，而是在它们之间做权衡——因为降低感知误差需要信息（采样、注意、计算），降低行动误差需要能量（运动、探索、试错）。

以视觉系统为例。你走进一个黑暗的房间，视觉系统面临两种选择： 1. 增加采样（瞪大眼睛、移动头部）——降低感知不确定性，但消耗能量； 2. 依赖先验（「房间里大概有椅子」）——节省能量，但可能撞到东西。

自由能原理预测的不是「系统总是选择信息量最大的路径」，而是「系统选择信息增益与能量消耗之比最优的路径」。这就是为什么人类在熟悉环境里会「走神」——先验足够好时，降低感知误差的边际收益低于其成本。

这个框架可以推广到知识社会学：一个学科共同体对「理论」的接受，不是因为它预测得最准，而是因为它在「预测精度」和「认知成本」（学习曲线、数学复杂度、实验难度）之间找到了最优平衡。这就是为什么复杂理论总在小圈子里传播——它的自由能太高了。

值得辩论的问题：如果自由能原理是对的，那么「好奇心」——那种不计算成本、纯粹追求信息增益的行为——是认知系统的缺陷（次优策略），还是某种更高阶的元策略（为了长期自由能最小化而短期违反局部最优）？