¿Por qué el dominio encaja?
Los agentes económicos deben formar creencias sobre estados inciertos del mundo, seleccionar políticas bajo riesgo y ambigüedad, y actualizar sus modelos generativos internos a partir de observaciones ruidosas y parciales — exactamente las condiciones que active inference fue diseñada para formalizar. El informe enmarca el comportamiento económico como una selección continua de modelos bayesianos bajo incertidumbre estructural e interacción estratégica: los agentes observan precios, salarios y señales de política que solo son indirectamente informativas sobre fundamentos latentes como la tecnología o la demanda, y deben actuar mientras infieren esos fundamentos. active inference también es intrínsecamente prospectivo y multiagente, ajustándose a las expectativas orientadas al futuro de la economía y al hecho de que los mercados surgen de muchos participantes interactuantes y adaptativos que deben modelar las creencias y políticas de cada uno.
Estado de la literatura
El trabajo revisado por pares se concentra en la economía conductual y de comportamiento: el artículo de Frontiers in Psychology sobre energía libre variacional y economía reinterpreta los axiomas de utilidad esperada (completitud, transitividad, independencia, continuidad) como consecuencias de las preferencias previas y la estructura del modelo generador, reinterpretando sesgos como la aversión a la pérdida o los cambios en las preferencias como optimización racional de creencias en lugar de anomalías. Un artículo de Nature encuentra evidencia experimental que el comportamiento humano se explica mejor por la minimización de sorpresas que por la maximización del valor. En economía financiera, el artículo de Samer Adra en la Revista de Economía Conductual reinterpreta el trading de ruido, la volatilidad excesiva y el seguimiento de tendencias como subproductos de la minimización de energía libre en lugar de desviaciones de las expectativas racionales. A nivel macroeconómico, un documento de trabajo de SSRN recasting los modelos de ciclo real (RBC) como casos especiales de inferencia activa, con la optimización del agente representativo expresada como minimización de energía libre sobre políticas de consumo, inversión y oferta laboral.
Proyectos y herramientas clave
El informe nombra varias implementaciones concretas en lugar de solo teoría: DR-FREE, un modelo de energía libre robusto frente a la distribución (con un repositorio alojado en Zenodo vinculado desde un artículo de Nature Communications) que calcula acciones robustas a través de un conjunto de ambigüedad de modelos generativos posibles, relevante para decisiones de cartera, precios o inventario robustas bajo incertidumbre del modelo. "Dynamic Trading using Active Inference" implementa un sistema de negociación en el framework de programación probabilística RxInfer, construyendo un modelo generativo de la dinámica de los precios y codificando preferencias sobre rentabilidad y riesgo. "Factorised Active Inference for Strategic Multi-Agent Interactions" (arXiv) proporciona algoritmos de paso de mensajes para agentes que factorizan los espacios de estado auto/otro, aplicables a la fijación de precios oligopolísticos, subastas y negociación. Un artículo separado puentea el aprendizaje por refuerzo y la inferencia activa a través del objetivo de "energía libre del futuro esperado", y el propio documento estratégico del Active Inference Institute sitúa este trabajo dentro de un impulso más amplio hacia aplicaciones empresariales e industriales.
Problemas abiertos
El informe es explícito en que la validación empírica es la brecha más apremiante del campo: las afirmaciones de que los modelos de energía libre superan a los de utilidad esperada o DSGE no han sido sistemáticamente probadas contra datos reales de mercado, macro o de consumidores. La identificabilidad es una segunda preocupación: los modelos generativos en economía suelen estar infradeterminados y puede ser difícil distinguir las preferencias previas de las creencias, o detectar la especificación del modelo, solo a partir del comportamiento observado. El informe también señala una cuestión normativa-versus-descriptiva sin resolver (¿deben los agentes minimizar la energía libre o simplemente describen bien el comportamiento?), implicaciones para el análisis del bienestar si los agentes no son maximizadores de utilidad, y preguntas regulatorias/éticas abiertas sobre el trading algorítmico, la evaluación crediticia y los sistemas de políticas construidos sobre la inferencia activa, además de desafíos sin resolver de escalabilidad para modelos multiagente o de red DSGE a gran escala.
Eje de Referencia
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.