预测编码并非否定感觉输入的真实性，而是揭示：我们所体验的世界，是大脑预测与证据不断交互的结果。
核心思想
大脑不是被动地等待外界刺激到来，而是一台持续运转的预测机器。它从高层到低层不断生成对感觉输入的预期，将预测与实际输入对比，产生预测误差（Prediction Error），再用误差信号更新内部模型。这个循环不断迭代，目标只有一个：让预测误差趋近于零。
一句话总结：大脑不是被动接收信息，而是主动预测，并通过持续学习来消除误差。
层级预测编码的基本机制
大脑皮层是分层组织的。在预测编码框架下，每一层都扮演双重角色：
- 自上而下（预测）：高层向低层发送对当前感觉输入的预测信号
- 自下而上（预测误差）：低层将实际输入与预测比较后，把误差信号向上传递
三个典型层次：
| 层级 | 代表内容 | 作用 |
|---|---|---|
| 高层（概念） | 物体识别、语义理解 | 生成高层预测，接收误差后更新模型 |
| 中层（特征） | 边缘、形状、纹理 | 中转预测与误差信号 |
| 低层（感觉） | 原始光感、声波等 | 接收真实感觉输入，产生初始误差 |
当误差信号较大时，高层收到警报并修正内部模型，使下一轮预测更准确。
信息处理流程：从预测到感知
整个感知过程可以拆解为五步：
- 生成预测：高层神经元依据内部模型，对下一层即将到来的信号生成预测
- 接收输入：低层感觉系统接收外部真实信号
- 比较预测误差：将预测与实际输入相减，计算误差
- 误差传递：若误差显著，误差信号向上传播，提示高层更新模型
- 更新模型：高层调整内部生成模型，改变下一轮预测，循环重启
这五步在每一个感知瞬间都在以极高频率运行。
关键特征
主动预测：感觉输入尚未到来时，大脑已经产生了期待。我们"看到"的东西，很大程度上是预测的投影，而非纯粹的现实。
最小化预测误差：大脑的核心驱动力不是"理解世界"，而是让各层的预测误差最小化。这与自由能原理（Free Energy Principle）紧密相连。
贝叶斯与生成性：预测编码可以用贝叶斯框架描述——先验（内部模型）结合似然（感觉证据），更新后验（当前感知）。大脑本质上是一个层级生成模型。
解释知觉现象：视错觉、感知稳定性（光线变化时颜色保持稳定）、注意力聚焦等现象，都可以在预测编码框架下获得统一解释。
生活中的例子
- 棋盘阴影错觉：同一灰度的方块，在不同光照预期下，大脑"感知"到的颜色截然不同——因为大脑用光源预期校正了感觉输入
- 句子补全：对话中听到半句话，大脑已经预测出后半句；这也是为什么「把大象放进冰箱需要几步」这类问题会让人下意识接上答案
- 嘈杂环境识别：在噪音中辨认熟悉的词语，靠的是预测填补了被噪音遮蔽的部分
与其他理论的关系
预测编码不孤立存在，它与几个相邻框架形成网络：
- 贝叶斯脑：与预测编码交叉融合，共享概率推断的数学基础
- 自由能原理：Karl Friston 提出的更广义框架，预测编码是其核心实现机制
- 主动推断（Active Inference）：将预测编码延伸至行动——行动本身也是为了减少预测误差
- 注意力机制：注意力可以理解为调节预测误差精度（precision）的权重
意义与应用
理解感知觉：感知并不反映现实，而是反映大脑当前最优的预测模型——这对哲学和认知科学都有深远影响。
解释精神障碍：幻觉可能是内部预测权重过高、忽略外部证据的结果；焦虑可能是预测误差精度持续偏高的状态。
人工智能启发：层级生成模型、变分自编码器（VAE）等深度学习架构，与预测编码理论高度同构。
临床干预切入点：理解哪个层级的预测机制失调，为精准干预提供靶点。