Warum der Bereich passt
Wirtschaftliche Akteure müssen Überzeugungen über unsichere Zustände der Welt bilden, unter Risiko und Unsicherheit Richtlinien auswählen und interne generative Modelle aus verrauschten, teilweisen Beobachtungen aktualisieren – genau die Bedingungen, denen active inference entwickelt wurde, um sie zu formalisieren. Der Bericht stellt wirtschaftliches Verhalten als kontinuierliche Bayes’sche Modellauswahl unter struktureller Unsicherheit und strategischer Interaktion dar: Akteure beobachten Preise, Löhne und Politiksignale, die nur indirekt über latente Grundlagen wie Technologie oder Nachfrage informativ sind, und müssen handeln und diese Grundlagen ableiten. Active inference ist auch von Natur aus prospektiv und mehragentenorientiert, was den forschungsorientierten Erwartungen der Ökonomie und der Tatsache entspricht, dass Märkte aus vielen interagierenden, adaptiven Teilnehmern entstehen, die sich gegenseitige Überzeugungen und Richtlinien modellieren müssen.
Zusammenfassung der Literatur
Begutachter Arbeiten konzentrieren sich auf kognitive und verhaltensökonomische Bereiche: Das Frontiers in Psychology-Paper über variatonale freie Energie und Wirtschaft interpretiert die Axiome der Nutzenmaximierung (Vollständigkeit, Transitivität, Unabhängigkeit, Stetigkeit) als Konsequenzen von Präferenzvorstellungen und der generativen Modellstruktur und stellt Verzerrungen wie Verlustaversion oder Präferenzumkehrungen als rationale Glaubensoptimierung anstelle von Anomalien dar. Ein Nature-Artikel findet experimentelle Beweise dafür, dass menschliche Entscheidungen oft besser durch die Minimierung von Überraschungen als durch die Maximierung des Werts erklärt werden. Im Bereich der Finanzökonomie interpretiert Sams Adras Paper in der Review of Behavioral Economics Rauschhandel, übermäßige Volatilität und Trendfolge als Nebenprodukte der Minimierung freier Energie anstelle von Abweichungen von rationalen Erwartungen. Auf makroökonomischer Ebene stellt ein SSRN-Arbeitspapier zyklische Geschäftsmodelle als Sonderfälle der aktiven Inferenz dar, wobei die Optimierung eines repräsentativen Agens als Minimierung freier Energie über Konsum-, Investitions- und Arbeitsangebotspolitiken ausgedrückt wird.
Schlüsselprojekte und Werkzeuge
Der Bericht nennt mehrere konkrete Implementierungen anstatt nur Theorie: DR-FREE, ein verteilungsrobuster freier Energiemodell (mit einem von Nature Communications veröffentlichten Repository, das über Zenodo gehostet wird) , das Aktionen robust gegenüber einem Unsicherheitsbereich möglicher generativer Modelle berechnet, relevant für robuste Portfolio-, Preis- oder Lagerentscheidungen unter Modellunsicherheit. "Dynamic Trading using Active Inference" implementiert ein Handelssystem im RxInfer probabilistischen Programmierungsrahmen und baut ein generatives Modell der Preisdynamik auf und kodiert Präferenzen über Rendite und Risiko. "Factorised Active Inference for Strategic Multi-Agent Interactions" (arXiv) liefert Nachrichtenübermittlungsalgorithmen für Agenten, die Selbst-/Andere-Zustandsräume faktorisieren, anwendbar auf Oligopolpreise, Auktionen und Verhandlungen. Eine separate Arbeit verbindet Verstärkungslernen und Active Inference über das Ziel "freie Energie der erwarteten zukünftigen" Ergebnisse und das Strategiedokument des Active Inference Institute positioniert diese Arbeit innerhalb einer breiteren Initiative zur Anwendung in Unternehmen und Industrie.
Offene Probleme
Der Bericht legt ausdrücklich fest, dass die empirische Validierung eine der dringendsten Lücken in diesem Feld ist: Behauptungen, dass Modelle der freien Energie besser abschneiden als erwartungswertbasierte oder DSGE-Benchmarks, wurden noch nicht systematisch anhand von Echtzeitdaten aus Märkten, Makroökonomie oder Konsumverhalten getestet. Die Identifizierbarkeit ist ein zweiter Punkt der Besorgnis – generative Modelle in der Wirtschaft sind oft unterbestimmt und es kann schwierig sein, Präferenzvorlieben von Überzeugungen zu trennen oder Modellfehler anhand des beobachteten Verhaltens allein zu erkennen. Der Bericht weist auch eine ungelöste normative-gegenüber-deskriptive Frage hin (sollten Agenten die freie Energie minimieren oder beschreibt sie lediglich das Verhalten gut?), Auswirkungen auf die Wohlfahrtsanalyse, wenn Agenten keine Nützlichkeitsmaximierer sind, und offene regulatorische/ethische Fragen im Zusammenhang mit algorithmischem Handel, Kreditwürdigkeitsprüfung und auf aktiver Inferenz basierenden Politiksystemen sowie ungelöste Skalierungsprobleme für Modelle mit mehreren Agenten oder DSGE-Netzwerken.
Referenz-Grundgerüst
„Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.