主动推断与"人工推理"：用期望自由能驱动结构学习与规则发现

Nature Communications · 2026-09-08 · 期刊论文 · Friston KJ 等

• 核心问题：如何采样最能揭示世界模型结构的结果——即在若干生成模型/假设之间做最优实验设计（rule discovery）。
• 数学工具：主动推断中，策略（动作组合）按期望自由能选择 = 期望信息增益 + 价值；信息增益即"含与不含行动后果"两种预测后验之间的 KL 散度。
• 计算效率：用 Bayesian Model Reduction 基于参数累积后验快速评估模型后验，再用信息增益挑选能消歧备择模型的动作。
• 演示：部分可观测离散模型中的三球范式——此前用于通过（合成）内省或"睡眠"描述人工洞见 / aha 时刻；本文聚焦其带来的样本效率。
• 看点：为"AI 自己设计实验、自己消解假说"给出规范化数学语言，可视为 AI 科学家的理论底座之一。
• 🔗 打开原文

本文摘自《每日前沿研究简报 · 2026-09-11》「七、AI 科研智能体 / AI 科学家：可核查性、主动推断与团队协作」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。