Active Inference Institute Act. Infer. Serve.
FR

Cette page a été traduite automatiquement de l'anglais. Consultez l'original en anglais.

Chercheurs, entomologist et membres de l’institut intéressés par l’application de l’inférence active au neurosciences des insectes, au comportement collectif et à la robotique de essaims.

L'inférence active et l'entomologie

Comment les colonies de fourmis, le comportement de recherche de nourriture des abeilles mellifères et les systèmes nerveux des insectes mettent à l'épreuve le principe d’énergie libre comme un domaine vivant et tractable.

ActiveInferAnts repositoryActive Inference overview

Sur cette page

L'inférence active et l'entomologie guide

Meilleures prochaines étapes

Piste d'inférence active et entomologie

Commencez par les liens publics les plus signalés pour cette page, puis poursuivez à travers les vues de ressources et de répertoires connexes.

ActiveInferAnts repositoryProjectsActive Inference overviewRessources filtréesRépertoire globalInférence activeInférence active et écologie

L'entomologie offre un domaine d'étude exceptionnellement riche et expérimentalement accessible pour tester l'inférence active et le principe d'énergie libre, allant du calcul monocellulaire dans les cerveaux des insectes à l'intelligence collective au niveau de la colonie et aux robots inspirés des insectes. Les insectes sociaux présentent des comportements perceptifs, de navigation et sociaux sophistiqués qui se déroulent sous un contrôle observationnel fort, avec des ensembles de données denses provenant du suivi comportemental, de l'électrophysiologie et de la biologie moléculaire. Cette page synthétise la littérature émergente reliant l'inférence active aux colonies de fourmis, à la recherche de miel par les abeilles et à la neurobiologie des insectes, distinguant le travail empirique validé par un article évalué par les pairs de la simulation et de la théorie.

Pourquoi le domaine correspond

Les systèmes nerveux des insectes présentent une convergence de preuves indiquant le codage prédictif et les modèles anticipés : les mécanismes de copie efférentielle modulent les réponses optomotrices des sauterelles, et une communication préliminaire de 2026 sur *Drosophila* rapporte des oscillateurs internes et le codage prédictif comme caractéristiques ancestrales des cerveaux d'insectes conservées depuis plus de 350 millions d'années. Les colonies d'insectes sociaux présentent également une cognition eusociale et distribuée : les fourmis et les abeilles coordonnent leurs actions par des phéromones et des danses, ce qui a été modélisé comme des "organismes bayésiens" effectuant un échantillonnage distribué. Combiné à des décennies de paradigmes de recherche sur la cueillette et la navigation accessibles et bien instrumentés (danse waggle des abeilles mellifères, labyrinthe T des fourmis, pistes de transport coopératives) et aux outils modernes de suivi vidéo et d'enregistrement neuronal, l'entomologie offre à l’inférence active des points d’accès au niveau neuronal et du comportement collectif rarement disponibles ensemble dans un taxon.

État de la littérature

L'application la plus directe est "Active Inferants : Un cadre d'inférence active pour le comportement des colonies de fourmis" (Friedman, Tschantz, Ramstead, Friston et Constant, 2021, évaluée par les pairs dans Frontiers in Behavioral Neuroscience), qui modélise le forage des fourmis dans un labyrinthe T en alternance comme un processus de décision Markov à état discret avec une sélection de politique basée sur l'énergie libre attendue, en utilisant une seule phéromone pour reproduire la formation de sentiers et l'ajustement de probabilités. Ce travail s'appuie sur la série du superorganisme bayésien (Journal of the Royal Society Interface), qui a modélisé les colonies de fourmis et d'abeilles via le MCMC et a externalisé les souvenirs de phéromones, et sur "Inférence fédérée et partage de croyances" (Friston, Parr, Fields et coll.), qui lie explicitement le partage de croyances multi-agents à une affiliation en entomologie et en nématologie. Les travaux au niveau des essaims complémentaires ("Un modèle d'inférence active de l'intelligence collective", "Dynamique de phase collective dans un oscillateur d'inférence active") restent largement théoriques et non spécifiques aux insectes, tandis que les preuves de codage prédictif provenant des enregistrements optomoteurs des drosophiles, de la modulation du gain optique des yeux de mouche et des réponses aux stimuli déviants dépendant du sommeil étayent le côté neuronal de l'image.

Projets et outils clés

Active InferAnts est un package Python développé par l’Institute des Inférences Actives, conçu pour simuler la cueillette de nourriture par des colonies de fourmis sous des modèles génératifs configurables et des schémas de sélection de politiques inspirés directement du papier « Active Inferants » ; il est disponible sur GitHub avec une publication PyPI prévue. Les fondations empiriques proviennent de ressources telles que « Experimental Entomology in the Age of Video » (protocoles de suivi vidéo et d’annotation comportementale) et l’ensemble de données BAU-Insectv2 pour la reconnaissance et l’analyse du comportement des insectes. Du côté de la robotique appliquée, « Robot navigation as hierarchical active inference » et un article de Nature sur la navigation robotique inspirée par l’apprentissage des abeilles démontrent un contrôle basé sur des modèles génératifs et inspiré d’insectes, soutenu par le parcours pédagogique lui-même des Inférences Actives en Robotique de l’Institute et ses modules de base de connaissances sur la stigmergie des colonies de fourmis et l’apidéologie (forage et pollinisation des abeilles).

Problèmes non résolus

Des tests empiriques rigoureux restent rares : les preuves neurales actuelles montrent une modulation prédictive et des copies d'efférents, mais ne testent pas encore directement la minimisation de l'énergie libre variationnelle, et le domaine doit répondre aux critiques telles que «le mythe du cerveau bayésien» en produisant des prédictions spécifiques au mécanisme et falsifiables plutôt que des ajustements métaphoriques. Les modèles multi-échelles reliant les états moléculaires/physiologiques aux phénotypes au niveau de la colonie, ainsi que les modèles génératifs quantitatifs des communications d'insectes (danse du guilleret, codes de phéromones) comme mécanismes de partage de croyances, sont largement inexplorés. La littérature manque également de tâches de référence standardisées et d'outils partagés comparables à ceux utilisés en vision par ordinateur ou apprentissage par renforcement — les paradigmes existants tels que le labyrinthe T, la tâche de géocaching et la navigation des abeilles mellifères n'ont pas encore été consolidés dans des environnements d'évaluation communs.

Squelette de référence

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.

Surfaces clés

L'inférence active et l'entomologie en un coup d’œil

Les colonies de fourmis comme agents

Modèles d’inférence active des fourmis” (Friedman et al., 2021, Frontiers in Behavioral Neuroscience) utilisant un seul phéromone pour reproduire la formation de sentiers et l'ajustement de probabilités.

Lien organisme bayésien

La série de travaux évalués par les pairs sur l'organisme superorganique bayésien traite les pistes de phéromones comme une mémoire externalisée permettant un échantillonnage distribué semblable à MCMC, citée directement comme un précurseur des modèles d’inférence active explicites des colonies.

Théorie avant preuve

Beaucoup de ce domaine — modèles d'oscillateur de essaim, robots inspirés des abeilles mellifères, la communication des insectes comme inférence fédérée — est une simulation ou une analogie conceptuelle, avec des tests neuronaux directs de minimisation de l'énergie libre chez les insectes encore à concevoir.

Ressources associées

Liens publics pour cette page

Les liens externes sont résolus à partir du registre partagé, de sorte que les destinations visibles pour les visiteurs restent centralisées et vérifiables.

Pages associées

Poursuivre à travers le site

Nouveaux venus, apprenants, chercheurs, constructeurs et collaborateurs. Inférence active

L'inférence active est le cadre scientifique et pratique central autour duquel l'Institut organise l'éducation, la recherche, les applications et le soutien à l'écosystème.

 Écologistes, biologistes computationnels et chercheurs en inférence active intéressés par les modèles multi-échelles du couplage organisme-environnement, de la construction de niches et de la résilience planétaire. Inférence active et écologie

Les systèmes écologiques — populations, communautés, écosystèmes et la biosphère elle-même — sont composés de sous-systèmes interagissant qui échangent de la matière et de l'énergie à travers des frontières semi-perméables tout en maintenant des états macrostatiques stables dans le temps. Cette structure reflète étroitement l’enveloppe de Markov et la formalisme mécanique bayésien qui sous-tendent le principe d’énergie libre, c’est pourquoi un programme de recherche portant le nom de « écologie variationnelle » a émergé pour modéliser les organismes et leurs niches en tant que systèmes d'inférence couplés. La littérature ici est plus axée sur la théorie et la simulation que sur les données de terrain : cette page passe en revue les fondements conceptuels, les schémas de modélisation utilisés par les chercheurs, les outils disponibles et les lacunes empiriques que le domaine doit encore combler.

 Robots, ingénieurs de contrôle et chercheurs en inférence active évaluant si des architectures unifiées perception-action-apprentissage peuvent surpasser ou compléter le contrôle et l'apprentissage par renforcement classiques. L'inférence active et la robotique

Les robots perçoivent, agissent et apprennent continuellement dans des conditions d’incertitude en utilisant des capteurs bruyants et multimodaux et des actionneurs imparfaits — précisément les conditions que le principe d'énergie libre était destiné à décrire. Une littérature croissante mais encore hétérogène a exploré l'inférence active comme un moyen d'unifier l'estimation de l'état, le contrôle, la planification et l'apprentissage du modèle dans les systèmes robotiques, couvrant des articles théoriques, des preuves de concept simulées et des expériences sur des humanoïdes et des manipulateurs physiques. Cette page synthétise les schémas d’application de cette littérature, les outils et laboratoires nommés et les problèmes ouverts qui séparent des démonstrations convaincantes d'une méthodologie d'ingénierie courante.