Perché il dominio è adatto
I agricoltori e i sistemi agricoli assimilano continuamente dati rumorosi, come l’umidità del suolo, le immagini e il meteo, e agiscono attraverso l’irrigazione, la fertilizzazione e il controllo dei parassiti, un modello che il rapporto incornicia direttamente attraverso la minimizzazione dell’energia libera variabile ed esperata. La divisione dell’energia libera esperata in valore epistemico (ad esempio, ispezione dei parassiti, posizionamento dei sensori) e valore strumentale (ad esempio, raccolta al momento ottimale previsto) si mappa naturalmente con i compromessi di esplorazione-sfruttamento nell’agricoltura. Anche le scale nidificate dell’agricoltura, dalle decisioni di irrigazione a livello orario alla riabilitazione del suolo pluriennale e all’adattamento al clima decennale, si adattano ai modelli generativi gerarchici di Active Inference, e il rapporto estende questo anche alla partizione dei Markov blanket biospherici delle aziende agricole in stati interni, sensoriali e attivi.
Stato della letteratura
Il rapporto individua uno spettro di coinvolgimento con il termine, dal lavoro rigoroso basato sul principio dell'energia libera nella teoria della sostenibilità (l'articolo "Sostenibilità tramite Active Inference" su Systems, 2024 e una risorsa preprint relativa), all'uso teorico-informatico in robotica e reti di sensori. Esempi applicativi includono un framework EnhancedTinyCNN per il rilevamento di parassiti la cui spesa energetica è dominata dai cicli di inferenza, uno studio di benchmark ET0 per la previsione dei margini irrigui e l'ottimizzazione della batteria delle reti di sensori wireless tramite Active Inference e reti Gaussiane Bayesiane dinamiche. Il rapporto specifica che le evidenze empiriche, reali, sui guadagni di prestazioni rimangono scarse e che gran parte di questa letteratura è concettuale, trasdonna o terminologicamente vaga.
Problemi irrisolti
Il rapporto identifica la specifica e la validazione di modelli generativi rispetto ai dati sul campo come una lacuna tecnica fondamentale, poiché la maggior parte dei modelli agronomici è meccanicistica piuttosto che probabilistica e le prove provengono principalmente da simulazioni e piccoli prototipi. Gli ecosistemi di dati sono frammentati su piattaforme proprietarie, sollevando questioni di governance sulla proprietà dei dati e su come vengono scelte e codificate le preferenze di sostenibilità. Il rapporto evidenzia inoltre l'interpretabilità per la fiducia degli agricoltori, i rischi sociali/etici dell'incorporazione di priorità normative e la necessità di valutazioni casuali di livello clinico prima che il supporto decisionale basato sull'inferenza attiva possa essere considerato comprovato in pratica.
Spina dorsale di riferimento
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. 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. 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. 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.