La entomología ofrece un área inusualmente rica y tratable experimentalmente para probar la inferencia activa y el principio de la energía libre, que abarca el cálculo de neuronas individuales en los cerebros de insectos hasta la inteligencia colectiva a nivel de colonia e robótica inspirada en insectos. Los insectos sociales exhiben comportamientos perceptivos, de navegación y sociales sofisticados que se desarrollan bajo un fuerte control observacional, con conjuntos de datos densos de seguimiento del comportamiento, electrofisiología y biología molecular. Esta página sintetiza la literatura emergente que conecta la inferencia activa con las colonias de hormigas, el forrajeo de abejas melíferas y la neurobiología de insectos, distinguiendo el trabajo empírico revisado por pares de la simulación y la teoría.
¿Por qué el dominio encaja?
Los sistemas nerviosos de insectos muestran evidencia convergente de codificación predictiva y modelos anticipatorios: los mecanismos de copia efferente modulan las respuestas optomotoras de los locutones, y una comunicación preliminar de 2026 en Drosophila informa sobre osciladores internos y codificación predictiva como rasgos ancestrales de los cerebros de insectos conservados durante más de 350 millones de años. Las colonias de insectos sociales también exhiben cognición social distribuida: las hormigas y las abejas coordinan a través de feromonas y danzas en formas que han sido modeladas como "organismos bayesianos" realizando muestreo distribuido. Combinado con décadas de paradigmas de búsqueda y navegación accesibles y bien instrumentados (danza clinoide de la abeja melífera, laberintos T de hormigas, senderos de transporte cooperativos) y herramientas modernas de seguimiento en video e grabación neuronal, la entomología brinda al active inference tanto puntos de acceso neural como de comportamiento colectivo raramente disponibles juntos en un taxón.
Estado de la literatura
La aplicación más directa es "Active Inferants: Un marco de inferencia activa para el comportamiento de las colonias de hormigas" (Friedman, Tschantz, Ramstead, Friston y Constant, 2021, revisado por pares en Frontiers in Behavioral Neuroscience), que modela la búsqueda de alimento de las hormigas en un laberinto T alternante como un proceso de decisión de Markov discreto con selección de política basada en energía libre esperada, utilizando una sola feromona para reproducir la formación de senderos y el emparejamiento de probabilidades. Esta obra se basa en la serie del organismo superorganismo bayesiano (Journal of the Royal Society Interface), que modeló las colonias de hormigas y abejas mediante muestreo de Monte Carlo Markov Chain y memorias de feromonas externas, y en "Inferencia federada y compartición de creencias" (Friston, Parr, Fields y colegas), que vincula explícitamente el intercambio de creencias entre agentes a una afiliación con la entomología y la nematología. El trabajo complementario a nivel de enjambre ("Un modelo de inferencia activa de la inteligencia colectiva", "Dinámica de fase colectiva en un oscilador de inferencia activa") sigue en gran medida siendo teórico y no específico para insectos, mientras que la evidencia de codificación predictiva de las grabaciones de optomotoras de Drosophila, la modulación del ganancia del lóbulo óptico de la mosca y las respuestas a estímulos desviados dependientes del sueño fundamentan el lado neuronal de la imagen.
Proyectos y herramientas clave
Active InferAnts es un paquete de Python desarrollado por el Instituto de Inferencia Activa, diseñado para simular la búsqueda de alimento en colonias de hormigas bajo modelos generativos configurables y esquemas de selección de políticas inspirados directamente en el artículo "Active Inferants"; está disponible en GitHub con una publicación en PyPI prevista. El anclaje empírico proviene de recursos como "Experimental Entomology in the Age of Video" (protocolos de seguimiento de video y anotación de comportamiento) y el conjunto de datos BAU-Insectv2 para el reconocimiento y análisis del comportamiento de insectos. En cuanto a la robótica aplicada, "Robot navigation as hierarchical active inference" y un artículo de Nature sobre la navegación robótica inspirada en el aprendizaje de abejas demuestran un control basado en modelos generativos e inspirado en insectos, respaldado por el propio Sendero de Aprendizaje en Inferencia Activa del Instituto y módulos de base de conocimientos sobre estigmergía de colonias de hormigas y Apidología (forrajeo y polinización de abejas).
Problemas abiertos
Pruebas empíricas rigurosas siguen siendo escasas: la evidencia neuronal actual muestra modulación predictiva y copias de efferencia pero aún no prueba directamente la minimización de la energía libre variacional, y el campo debe responder a críticas como "el mito del cerebro bayesiano" produciendo predicciones específicas de mecanismos falsables en lugar de ajustes metafóricos. Los modelos multiescala que vinculan estados moleculares/fisiológicos con fenotipos a nivel de colonia están en gran medida sin desarrollar, así como los modelos generativos cuantitativos de la comunicación de insectos (danza del panal, códigos de feromonas) como mecanismos de intercambio de creencias. La literatura también carece de tareas de referencia estandarizadas y herramientas compartidas comparables a las que existen en visión artificial o aprendizaje por refuerzo: paradigmas existentes como el laberinto T, la tarea de geocaching y la navegación de abejas melíferas aún no se han consolidado en entornos de evaluación comunes.
Eje de Referencia
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. 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. 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. 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. 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.