¿Por qué el dominio encaja?
Los agricultores y los sistemas agrícolas asimilan continuamente datos ruidosos, como la humedad del suelo, las imágenes y el clima, y actúan mediante riego, fertilización y control de plagas, un patrón que el informe enmarca directamente a través de la minimización de la energía libre variacional y esperada. La división de la energía libre esperada en valor epistémico (p. ej., reconocimiento de plagas, ubicación de sensores) y valor instrumental (p. ej., cosechas en los momentos óptimos predichos) se mapea naturalmente con las concesiones de exploración contra explotación en la agricultura. Las escalas anidadas de la agricultura, desde las decisiones de riego a nivel de hora hasta la restauración del suelo a nivel plurianual y la adaptación al cambio climático a nivel decadal, también son adecuadas para los modelos generativos jerárquicos de la inferencia activa, y el informe extiende esto a la partición de los marcos de Markov biósfericos de las granjas en estados internos, sensoriales y activos.
Estado de la literatura
El informe encuentra un espectro de compromiso con el término, desde trabajos estrictos basados en el principio de libre energía en la teoría de la sostenibilidad (el artículo 'Sostenibilidad bajo Active Inference' en Systems, 2024, y una fuente previa relacionada de gestión de recursos) hasta usos teóricos de la información en robótica y redes de sensores. Los ejemplos prácticos incluyen un marco de detección de plagas EnhancedTinyCNN cuyo presupuesto energético está dominado por los ciclos de inferencia, un estudio de evaluación comparativa ET0 para la predicción del borde de riego e optimización de la batería de redes de sensores inalámbricos mediante Active Inference y redes Gaussianas Bayesianas dinámicas. El informe es explícito en que la evidencia empírica y real del mundo sobre las ganancias de rendimiento sigue siendo escasa y que gran parte de esta literatura es conceptual, transdominio o terminológicamente vaga.
Problemas abiertos
El informe identifica la especificación y validación de modelos generativos frente a datos de campo como una brecha técnica fundamental, ya que la mayoría de los modelos agronómicos son mecánicos en lugar de probabilísticos y la evidencia proviene principalmente de simulaciones y prototipos pequeños. Los ecosistemas de datos están fragmentados en plataformas propietarias, lo que plantea interrogantes sobre la gobernanza con respecto a la propiedad de los datos y cómo se eligen y codifican las preferencias de sostenibilidad. El informe también destaca la interpretabilidad para generar confianza en los agricultores, los riesgos sociales/éticos de incorporar prejuicios normativos y la necesidad de evaluaciones aleatorizadas de nivel clínico antes de que el soporte de decisiones basado en la inferencia activa pueda considerarse probado en la práctica.
Eje de Referencia
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant, Lancelot Da Costa, Casper Hesp, Beren Millidge, Alexander Tschantz (2023). On Bayesian Mechanics: A Physics of and by Beliefs. arXiv. 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. Daniel Ari Friedman, Alec Tschantz, Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant (2021). Active Inferants: An Active Inference Framework for Ant Colony Behavior. Frontiers in Behavioral Neuroscience. DOI: 10.3389/fnbeh.2021.647732.