当大脑处于"静息"状态——没有特定任务指令，没有外部刺激聚焦——fMRI 扫描却揭示了一系列高度组织化的功能网络：默认模式网络（DMN）、执行控制网络（ECN）、突显网络（SN）、感觉运动网络等。这些网络在静息态下表现出强烈的低频血氧水平依赖（BOLD）信号相关性，仿佛大脑在空闲时仍在忙碌地"自言自语"。传统神经科学将静息态视为"基线噪声"，活性算法则将其重新诠释为大脑临界全息映射的基态涨落——静息即临界态的最低能量推断模式。

    默认模式网络是这一诠释的核心案例。DMN 在静息时高度活跃，在执行外部导向任务时受抑制，其功能长期被误解为"思维漫游"或"自我参照"的冗余活动。在活性算法框架下，DMN 是慢层全息映射的宏观投影：它维持着个体对自身历史、身份、社会关系的抽象模型——即世界模型 U(s) 中关于"自我"的先验部分。当外部任务需要注意力资源时，系统暂时抑制 DMN，将计算资源转向 V(o∣s) （感觉似然处理）；任务结束后，DMN 重新激活，整合新经验到先验模型中。静息态因此不是"休息"，而是推断的"后台进程"——系统在临界态上持续进行自由能最小化，更新其全息映射。

    不同静息态网络之间的动态切换，进一步印证了临界全息的运作。DMN 与 ECN 通常呈反相关：当一个活跃时，另一个沉寂。这种反相关不是简单的竞争，而是推断周期的相位交替——DMN 负责生成假设（预测），ECN 负责验证假设（观测更新），SN 负责检测预测误差（惊讶）并触发切换。三者构成了一个完整的推断循环，而静息态的"无任务"条件恰恰使这一循环以最纯粹的形式显现。活性算法因此将 fMRI 的静息态数据视为"大脑的全息图"：每一个功能网络都是多尺度推断的一个投影，每一次 BOLD 涨落都是自由能景观中的一步随机游走。

支持单位：