Warum der Bereich passt
Aktive Inferenz behandelt Wahrnehmung als Inferenz über verborgene Ursachen von sensorischen Daten, Handlung als selektives Abtasten von Beobachtungen, die Erwartungen erfüllen, und Lernen als langsame Anpassung der Parameter eines generativen Modells – ein Tripel, das sich direkt auf Kernneuroscientific Concerns abbildet. Die hierarchische kortikale Organisation des Gehirns, bei der höhere Bereiche langsamere, abstraktere Ursachen kodieren und niedrigere Bereiche schnelle sensorische Details, ist ein natürlicher Substrat für die hierarchischen generativen Modelle, die das Framework erfordert. Aktive Inferenz erweitert prädiktiv-kodierende Erklärungen für Wahrnehmung, indem sie Aktionen und Policy-Auswahl als Teil derselben inferentiellen Schleife explizit modelliert und Wahrnehmung und Kontrolle durch ein einzelnes Ziel – erwartete freie Energie minimierung – miteinander verbindet.
Zusammenfassung der Literatur
Die Literatur basiert auf einer relativ konzentrierten Gruppe von Grundlagen- und Übersichtsarbeiten – Fristons Artikel aus der Nature Reviews Neuroscience von 2010, die variationalen Free Energy für Wahrnehmung und Handlung formalisierten, sowie spätere Erläuterungen, die die Annahmen und den Umfang dieses Prinzips für Neurowissenschaftler explizit machten. Simulationsanwendungen gehen von dort aus über in tiefe zeitliche Modelle des epistemischen Verhaltens (z. B. Lesen), Augenbewegung, Arbeitsgedächtnis und Aufmerksamkeit, dopaminerge Neuromodulation sowie die Entstehung von Gewohnheiten durch wiederholte Richtlinienoptimierung. Diskret-Zustandsformulierungen, dargestellt als teilweise beobachtbare Markov-Entscheidungsprozesse, waren besonders einflussreich für das Modellieren kognitiver Aufgaben wie visuelle Suche und zielgerichtete Planung. Die meisten dieser Arbeiten stammen von einer Kerngruppe um Karl Friston an der University College London und dem Wellcome Centre for Human Neuroimaging, mit Thomas Parr als Schlüsselmitarbeiter bei der diskreten Zustandsformalisation und werden zunehmend in die computationale Psychiatrie und Morphogenese erweitert.
Anwendungsmuster und Werkzeuge
Das deutlichste neurophysiologisch fundierte Demonstration ist die Augenbewegung: Simulationen mit Bayesianem Filtern zur Implementierung von Planung als Inferenz erzeugen saccadische und glatte Verfolgungsbewegungen, deren Nachrichtenübertragung auf bekannte Hirnstamm- und Kleinhirnverbindungen abfällt und den Aufzeichnungen einzelner Neuronen aus relevanten Kernen ähnelt. Dopamin wurde modelliert als Kodierung von Präzision (Vertrauen) über Richtlinien, wobei tonische Dopaminspiegel in der Simulation Erforschung versus Ausbeutung und Bewegungsstärke formten, und Störungen boten einen Blick auf Parkinson-Krankheit und Schizophrenie. Die Implementierung stützte sich weitgehend auf das MATLAB-basierte SPM-Ökosystem und sein dynamisches Expectation Maximization (DEM)-Modul für kontinuierliche Zustandsmodelle sowie Python-Bibliotheken für diskrete Zustands POMDP-artige Modelle, die in kognitiven Aufgaben-Simulationen verwendet wurden – Werkzeuge, die als Forschungs-Code und nicht als standardisierte, weit verbreitete Software dienen.
Offene Probleme
Der Bericht identifiziert biologische Plausibilität als ungelöst: Netzwerkmodelle, die Gradientenabstieg auf freier Energie approximieren, erzeugen Oszillationen und Attraktorendynamiken, aber die genauen Biophysikmechanismen im realen Nervengewebe sowie Abbildungen wie superfizielle pyramidale Zellen, die Vorhersagefehler kodieren, bleiben hypothetisch und größtenteils unerprobt. Das Skalieren generativer Modelle über kleine Zustandsräume hinaus zu naturalistischen, hochdimensionalen Umgebungen stellt eine zweite offene rechnerische Herausforderung dar. Eine dritte ist empirische Falsifizierbarkeit – Kritiker argumentieren, dass der freie Energie-Prinzip ausreichend breit ist, um einer Widerlegung zu entgehen, und der Bericht fordert Experimente, die die Vorhersagen der aktiven Inferenz (epistemische Exploration, präzisionsgewichtete Neuromodulation) von Verstärkungslernen und prädictiver Kodierung unterscheiden. Die klinische Übersetzung in der Computational Psychiatry wird ebenfalls als vielversprechend, aber frühe Phase beschrieben, hauptsächlich auf theoretischer und simulierter Arbeit beruhend und nicht auf großen validierten Patientendaten.
Referenz-Grundgerüst
„Active Inference Institute