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 le Active Inference Institute, conçu pour simuler le fourragement de colonies de fourmis sous des modèles génératifs configurables et des schémas de sélection de politiques directement inspirés du document "Active Inferants"; il est disponible sur GitHub avec une version PyPI prévue. L'ancrage empirique provient 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 des insectes et l'analyse du comportement. Du côté de la robotique appliquée, "Robot navigation as hierarchical active inference" et un article de Nature sur la navigation robotique inspirée du vol d'apprentissage des abeilles démontrent un contrôle basé sur un modèle génératif inspiré des insectes, soutenu par le Active Inference de l'Institut dans le parcours d'apprentissage en robotique et les modules de base de connaissances sur la stigmergie des colonies de fourmis et l'apidologie (fourragement 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.