Pourquoi le domaine correspond
Les agents économiques doivent former des croyances sur les états incertains du monde, sélectionner des politiques en situation de risque et d’ambiguïté, et mettre à jour leurs modèles génératifs internes à partir d’observations bruyantes et partielles — exactement les conditions pour lesquelles l'inférence active a été formalisée. Le rapport cadre le comportement économique comme une sélection continue de modèles bayésiens sous incertitude structurelle et interaction stratégique : les agents observent des prix, des salaires et des signaux politiques qui ne sont que indirectement informatifs sur les fondamentaux latents tels que la technologie ou la demande, et doivent agir tout en déduisant ces fondamentaux. L'inférence active est également intrinsèquement prospective et multi-agent, correspondant aux attentes prospectives de l’économie et au fait que les marchés émergent de nombreux participants interactifs et adaptatifs qui doivent modéliser les croyances et les politiques de chacun.
État de la littérature
Les travaux évalués par les pairs se concentrent en économie cognitive et comportementale : l'article de Frontiers in Psychology sur l'énergie libre variationnelle et l'économie réinterprète les axiomes d'utilité espérée (complétude, transitivité, indépendance, continuité) comme des conséquences des préférences antérieures et de la structure du modèle générateur, recasting des biais tels que l'aversion à la perte ou les inversions de préférence en tant qu'optimisation rationnelle de croyances plutôt que des anomalies. Un article de Nature trouve des preuves expérimentales que le choix humain est souvent mieux expliqué par la minimisation de la surprise que par la maximisation de la valeur. En économie financière, l'article de Samer Adra dans la Revue d'Économie Comportementale réinterprète le trading de bruit, la volatilité excédentaire et le suivi des tendances en tant que sous-produits de la minimisation de l'énergie libre plutôt que des déviations des attentes rationnelles. Au niveau macroéconomique, une étude SSRN recasting les modèles à cycles réels (RBC) en tant qu'exceptions de l'inférence active, l'optimisation par un agent représentatif étant exprimée en termes de minimisation de l'énergie libre concernant les politiques de consommation, d'investissement et d'offre de travail.
Projets et outils clés
Le rapport nomme plusieurs implémentations concrètes plutôt que seulement de la théorie : DR-FREE, un modèle d’énergie libre robuste à distribution (avec un dépôt hébergé sur Zenodo lié à un article de Nature Communications) qui calcule des actions robustes à travers un ensemble d'ambiguïté de modèles génératifs possibles, pertinent pour les décisions de portefeuille, de tarification ou de gestion des stocks sous incertitude de modèle. «Dynamic Trading using Active Inference» implémente un système de trading dans le cadre du framework RxInfer de programmation probabiliste, construisant un modèle génératif de la dynamique des prix et codant les préférences en matière de rendement et de risque. «Factorised Active Inference for Strategic Multi-Agent Interactions» (arXiv) fournit des algorithmes de passage de messages pour les agents qui factorisent les espaces d'état soi/autre, applicables à la tarification oligopolistique, aux enchères et aux négociations. Un article séparé relie l’apprentissage par renforcement et l’inférence active via l’objectif de «l’énergie libre de l’attente des futurs», et le document stratégique de l’InstituteOS situe ce travail au sein d'une poussée plus large vers les applications d'entreprise et industrielles.
Problèmes non résolus
Le rapport stipule explicitement que la validation empirique est le principal manque du domaine : les affirmations selon lesquelles les modèles à faible énergie surpassent les benchmarks d'utilité attendue ou DSGE n'ont pas encore été systématiquement testées contre des données de marché, macroéconomiques ou de consommation. L'identifiabilité constitue également une seconde préoccupation : les modèles génératifs en économie sont souvent sous-déterminés et il peut être difficile de distinguer les préférences antérieures des croyances, ou de détecter la spécification du modèle à partir du seul comportement observé. Le rapport souligne également une question normative-versus-descriptive non résolue (devraient-ils les agents minimiser l'énergie faible ou cela décrit-il simplement le comportement bien ?) , les implications en matière d'analyse du bien-être si les agents ne sont pas des maximisateurs d'utilité, et les questions réglementaires/éthiques ouvertes concernant le trading algorithmique, l'évaluation du crédit et les systèmes de politique fondés sur l'inférence active, ainsi que les défis de mise à l'échelle non résolus pour les modèles multi-agents ou DSGE-réseaux à grande échelle.
Squelette de référence
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.