Pourquoi le domaine correspond
Le principe d’énergie minimale décrit les systèmes dynamiques aléatoires ergodiques qui maintiennent un état stationnaire non équilibre en minimisant l’énergie variationnelle libre, une borne supérieure de la surprise des états sensoriels sous un modèle génératif. Les systèmes écologiques satisfont à cette description à toutes les échelles : organismes, populations et écosystèmes maintiennent des distributions caractéristiques d’états (abondances, niveaux de ressources, variables climatiques) et présentent des schémas auto-organisés résilients aux perturbations. Ramstead et ses collègues ont proposé le terme « écologie variationnelle » pour saisir cela, en traitant les organismes comme des machines d’inférence qui paramétrisent des modèles génératifs de leur niche, tandis que la construction de niches permet à l’environnement de servir d’état externe co-adaptatif du même système. Étant donné que l’imbrication écologique (populations au sein des communautés au sein des écosystèmes au sein de la biosphère) correspond directement à une hiérarchie de couvertures de Markov, la structure multi-échelle elle-même fait naturellement bon sens plutôt qu’une extension métaphorique.
Patterns d'applications dans la littérature
Les schémas de modélisation concrète se répètent dans le corpus : modèles génératifs de variables écologiques (états des ressources, signaux des prédateurs, environnements développementls), sélection de politiques via l'énergie libre attendue qui équilibre la valeur pragmatique contre la valeur épistémique (réduisant l'incertitude), et formulations hiérarchiques où les variables lentes (climat, génétique) contraignent les variables rapides (comportement, phénotype). Constant et ses collègues ont formalisé la construction du niche développemental comme un flux lent de gradient d'énergie libre, dans lequel les organismes modifient les variables environnementales telles que les structures de nid ou les environnements de soins parentaux pour stabiliser les trajectoires de développement préférées. Bruineberg, Rietveld et Parr ont étendu cela à une mesure d'énergie libre commune agent-environnement de "compatibilité" et le cadre de l'"écologie cognitive de la surprise" applique l'inférence active aux dynamiques prédateur-proie, arguant que les prédateurs bénéficient de la génération de surprises tandis que les proies minimisent celle-ci par vigilance et choix d'habitat. L'article PNAS de Heins et ses collègues sur le comportement collectif à partir de la minimisation de l'énergie libre est le résultat de simulation le plus développé, montrant que des agents continus minimisant individuellement l'énergie libre reproduisent les mouvements de groupe semblables à ceux des bancs et des troupeaux sans règles de comportement codées manuellement. À la plus grande échelle, Rubin, Parr, Da Costa et Friston modélisent le cycle du carbone et les taux métaboliques de la biosphère comme une couverture de Markov planétaire, décrivant la résilience et la régulation climatique de la Terre comme si la biosphère minimisait un fonctionnal d'énergie libre.
Outils et infrastructures institutionnelles
Le paquet Python pymdp implémente l'inférence active de processus de décision à marqueurs discrets et est à la base de plusieurs schémas d'application écologique décrits ici (choix de patchs, sélection d'habitats discrets, jeux de recherche simplifiés), tandis que les scripts tutoriels SPM/MATLAB et le code GitHub publié par Heins et al. pour les simulations collectives en temps continu offrent des points de départ adaptables. Albarracin, Hipolito et leurs collègues ont construit des modèles d'inférence active des ressources communes à l'usage, offrant des modèles pour les applications socio-écologiques même si leur attention actuelle est portée sur le comportement humain plutôt que sur les systèmes écologiques directement. Un preprint proposant une "inférence active centrée sur l'environnement" propose de définir des marqueuses à partir du point de vue de l'environnement, une direction pertinente pour la modélisation écologique mais qui n'a pas encore été étayée par un code largement disponible. L’Active Inference Institute est le centre institutionnel cité du rapport pour ce programme de recherche, ayant dirigé un Laboratoire d'inférence active depuis environ 2021 avec des diffusions en direct et des discussions portant sur le travail in silico et la robotique ainsi que sur la biogéographie et la résilience des systèmes terrestres, et il conserve des entrées de base de connaissances sur les dynamiques écologiques et évolutives.
Problèmes non résolus
Le rapport est explicite quant au fait que les applications empiriques et basées sur des données restent rares par rapport à la littérature théorique et de simulation : il y a presque pas de tests publiés qui comparent les prédictions d'inférence active à des modèles écologiques alternatifs (modèles d'optimalité, apprentissage par renforcement) en utilisant des données comportementales ou environnementales réelles. Un deuxième problème ouvert est celui du passage à l’échelle cohérente des organismes vers les écosystèmes et la biosphère sans choix arbitraires concernant ce qui constitue un « état interne » à chaque niveau — le rapport note qu'il est mal compris si un écosystème doit être modélisé comme un seul agent ou comme une population d’agents interagissant dont la dynamique ne ressemble qu’à l’inférence de manière agrégée. Un troisième problème est interprétatif : l’application d’un langage « de croyance » aux plantes, aux communautés microbiennes ou à la biosphère risque de surestimer les affirmations cognitives, et le rapport recommande de considérer l’inférence active comme une commodité de modélisation plutôt que un engagement ontologique pour les systèmes non cognitifs. Enfin, le rapport souligne des lacunes méthodologiques concrètes (logiciels qui dépassent les petits MDP discrets, techniques pour estimer des proxys d'énergie libre à partir de séries temporelles écologiques bruyantes) et des questions normatives soulevées lorsque les modèles de gouvernance socio-écologique commencent à encoder « des états préférés » qui intègrent des jugements de valeur sur la croissance par rapport à la biodiversité.
Squelette de référence
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. 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.