¿Por qué el dominio encaja?
La inferencia activa trata la percepción como inferencias sobre causas ocultas de los datos sensoriales, la acción como muestreo selectivo de observaciones que satisfacen las expectativas previas y el aprendizaje como la adaptación lenta de los parámetros del modelo generativo — una tríada que se mapea directamente en las preocupaciones neurocientíficas centrales. La organización jerárquica cortical del cerebro, con áreas más altas que codifican causas más lentas y abstractas y áreas más bajas que codifican detalles sensoriales rápidos, es un sustrato natural para los modelos generativos jerárquicos que requiere el marco. La inferencia activa también extiende las cuentas de predicción-codificación de la percepción al modelar explícitamente acciones y selección de políticas como parte del mismo bucle inferencial, acoplando la percepción y el control a través de un único objetivo — minimización esperada de la energía libre.
Estado de la literatura
La literatura está anclada por un conjunto relativamente concentrado de artículos fundamentales y de revisión — el artículo de Nature Reviews Neuroscience de Friston de 2010, que formaliza la energía libre variacional para la percepción y la acción, y las revisiones expositivas posteriores destinadas a hacer explícitas las suposiciones y el alcance del principio a los neurocientíficos. Las aplicaciones basadas en simulaciones se extienden desde allí a modelos temporales profundos de comportamiento epistémico (p. ej., lectura), oculomoción, memoria de trabajo y atención, neuromodulación dopaminérgica y la emergencia de hábitos a partir de la optimización repetida de políticas. Las formulaciones discretas, planteadas como procesos de decisión de Markov parcialmente observables, han sido particularmente influyentes para modelar tareas cognitivas como la búsqueda visual y la planificación dirigida por objetivos. La mayor parte de este trabajo proviene de un grupo central centrado en Karl Friston en la Universidad College London y el Wellcome Centre for Human Neuroimaging, con Thomas Parr como colaborador clave en la formalización discreta, y se está extendiendo cada vez más a la psiquiatría computacional y la morfogénesis.
Patrones y herramientas de aplicación
La demostración neurofisiológicamente más clara es la oculomoción: simulaciones utilizando el filtrado bayesiano para implementar la planificación como inferencia generan movimientos oculares saccádicos y de seguimiento suave cuyo mapa de transmisión de mensajes se corresponde con las conexiones conocidas del tronco encefálico y cerebelo, y se asemeja a los registros de unidades individuales de núcleos relevantes. La dopamina ha sido modelada como un código de precisión (confianza) sobre políticas, con niveles tonicos de dopamina en la simulación que dan forma a la exploración frente a la explotación y la vivacidad del movimiento, y las alteraciones ofrecidas como una lente sobre la enfermedad de Parkinson y la esquizofrenia. La implementación ha confiado en gran medida en el ecosistema SPM basado en MATLAB y su módulo de máxima verosimilitud dinámica (DEM) para modelos de estados continuos, y bibliotecas de Python para modelos de estados discretos de estilo POMDP utilizados en simulaciones de tareas cognitivas — herramientas que siguen siendo código de investigación más que software estandarizado y ampliamente distribuido.
Problemas abiertos
El informe identifica la plausibilidad biológica como no resuelta: los modelos de red que aproximan el descenso de gradiente en energía libre reproducen oscilaciones y dinámicas de atractor, pero los mecanismos fisiopatológicos exactos en el tejido neuronal real, y mapeos como las células piramidales superficiales que codifican errores de predicción, siguen siendo hipotéticos y en gran medida no probados. La escalabilidad de los modelos generativos más allá de pequeños espacios de estados a entornos naturalistas y de alta dimensión es un segundo desafío computacional abierto. El tercero es la falsabilidad empírica: los críticos argumentan que el principio de energía libre es lo suficientemente amplio para resistir la disconfirmación, y el informe pide experimentos que discriminen las predicciones de la inferencia activa (exploración epistémica, neuromodulación ponderada por precisión) de las alternativas del aprendizaje por refuerzo y la codificación predictiva. La traducción clínica en psiquiatría computacional también se describe como prometedora pero en una etapa temprana, principalmente basada en el trabajo teórico y de simulación más que en grandes conjuntos de datos de pacientes validados.
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.