¿Por qué el dominio encaja?
La minimización de la energía libre variacional y esperada se define matemáticamente, pero cada aplicación del Inferencia Activa — desde un brazo robótico hasta un modelo psiquiátrico hasta una simulación de políticas — finalmente se basa en una implementación de modelo generativo, un motor de inferencia y un backend numérico. Diferentes herramientas han hecho diferentes compromisos aquí: procesos de decisión de Markov parcialmente observables discretos versus dinámica de estados continuos, cálculo por lotes versus flujo reactivo, modelos generativos especificados a mano versus aprendidos, numéricos versus representaciones simbólicas de creencias y objetivos. Debido a que las otras páginas de dominio del Instituto cada una describen la Inferencia Activa aplicada a un campo, esta página en cambio describe la capa computacional compartida debajo de ellas — las herramientas que realmente elige un modelador para pasar de la teoría a una simulación funcional.
Cuatro cadenas de herramientas, cuatro paradigmas
PyMDP es un paquete de Python para simular agentes de inferencia activa en entornos de procesos de decisión de Markov discretos con estado, proporcionando a los modelos un modelo generativo tipo POMDP, inferencia variacional sobre estados ocultos y selección de políticas basada en la energía libre esperada en una implementación de referencia ampliamente reutilizada. RxInfer.jl, desarrollado en BIASlab en Eindhoven, toma una ruta diferente: realiza el paso de mensajes reactivo en grafos de Forney en lugar de trabajar directamente con grafos bayesianos o POMDPs explícitos, por lo que la inferencia es impulsada por eventos en lugar de ejecutarse en un reloj fijo, con beneficios informados para datos en streaming y para escalar a modelos con un gran número de parámetros. SPM (Mapeo Paramétrico Estadístico), una plataforma de MATLAB creada por Karl Friston en la Unidad MRC Cyclotron a finales de la década de 1980 para el análisis estadístico de datos fMRI, PET y EEG, predice la inferencia activa en sí misma: su modelo general lineal y la maquinaria de teoría del campo gaussiano evolucionaron junto con y ayudaron a sembrar el formalismo de la energía libre, y todavía se utiliza hoy como piedra angular histórica y herramienta de análisis funcional. Symbolic Cognitive Robotics, construido alrededor del proyecto karma_system de Jean-Francois Cloutier, toma un cuarto camino al combinar el razonamiento simbólico con la inferencia activa para que los modelos generativos, las creencias y los objetivos se representen como estructuras simbólicas en lugar de puramente numéricas, mientras aún seleccionan acciones mediante la minimización de la energía libre esperada.
Desarrollo y aprendizaje afiliados al Instituto
El Grupo de Aprendizaje RxInfer.jl es un proyecto activo del Instituto que colabora directamente con los desarrolladores de RxInfer.jl en el desarrollo de código abierto, incluyendo técnicas de visualización para los grafos factor subyacentes dentro del editor; el grupo ha realizado sesiones sincrónicas regulares y ha atraído a contribuyentes con una variedad de antecedentes en Julia y modelado bayesiano trabajando en proyectos aplicados. La robótica cognitiva simbólica es el trabajo de Jean-Francois Cloutier, un Investigador Asociado al Instituto, quien ha demostrado el enfoque karma_system en entornos de planificación robótica y resolución de problemas simbólicos; la robótica también fue un foco dedicado del Simposio Aplicado de Activa Inferencia del segundo Instituto. PyMDP, aunque mantenido fuera del Instituto, ha sido destacado en las sesiones de aprendizaje ModelStream del propio Instituto, reflejando su papel como una implementación de referencia compartida a través de la comunidad más amplia y no como una herramienta de un solo laboratorio.
Problemas abiertos
Las herramientas anteriores no comparten un formato común de modelo generativo, algoritmo de inferencia ni backend numérico, por lo que un modelo construido en uno no es portable a otro sin una extensa reescritura, y aún no existe un conjunto de pruebas estándar para compararlos entre sí en términos de precisión, velocidad o comportamiento de escalado. La división discreta/continua/simbólica también significa que los practicantes deben comprometerse temprano con un paradigma: estados discretos tipo POMDP, paso de mensajes continuo o representaciones simbólicas, con herramientas limitadas para combinarlos dentro de un solo modelo. La madurez de la documentación y el empaquetado varía considerablemente: algunas herramientas tienen tutoriales y grupos de aprendizaje estructurados, mientras que otras permanecen más cerca del código de investigación que como software distribuido. Como en otros dominios de aplicación de la inferencia activa, las afirmaciones sobre adopción y ventaja de rendimiento descansan más en pruebas de concepto demostradas y desarrollo comunitario activo que en comparaciones sistemáticas e independientes contra alternativas establecidas.
Eje de Referencia
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. 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.