Perché il dominio è adatto
Il principio dell’energia libera descrive sistemi dinamici casuali ergodici che mantengono uno stato stazionario fuori dall’equilibrio minimizzando l’energia libera variazionale, un limite superiore della sorpresa dei loro stati sensoriali sotto un modello generativo. I sistemi ecologici soddisfano questa descrizione a ogni scala: organismi, popolazioni ed ecosistemi mantengono distribuzioni caratteristiche di stati (abbondanze, livelli di risorse, variabili climatiche) e mostrano schemi auto-organizzati resilienti alle perturbazioni. Ramstead e i suoi colleghi hanno coniato il termine "ecologia variazionale" per catturare questo, trattando gli organismi come macchine di inferenza che parametrizzano modelli generativi del loro nicchia mentre la costruzione della nicchia fa sì che l’ambiente serva come lo stato esterno co-adattivo dello stesso sistema. Grazie alla nidificazione ecologica (popolazioni all'interno di comunità all'interno di ecosistemi all'interno della biosfera) che si mappa direttamente su una gerarchia di Markov blankets, la struttura multi-scala del campo è ciò che lo rende un adattamento naturale piuttosto che uno sforzo metaforico.
Patterni di applicazione nella letteratura
I modelli concreti ricorrono nel corpus: modelli generativi di variabili ecologiche (stati delle risorse, segnali dei predatori, ambienti dello sviluppo), selezione delle politiche tramite l'energia libera attesa che scambia valore pragmatico contro valore epistemico (che riduce l'incertezza) e formulazioni gerarchiche in cui le variabili lente (clima, genetica) vincolano quelle veloci (comportamento, fenotipo). Constant e colleghi hanno formalizzato la costruzione del nicchia dello sviluppo come un flusso lento di energia libera nel tempo-media, in cui gli organismi modificano le variabili ambientali quali strutture nido o ambienti di cura parentale per stabilizzare traiettorie di sviluppo preferite. Bruineberg, Rietveld e Parr hanno esteso questo a una misura congiunta agente-ambiente dell'energia libera di "adattamento" e il quadro della "ecologia cognitiva della sorpresa" applica l'inferenza attiva alla dinamica predatore-preda, sostenendo che i predatori beneficiano dalla generazione di sorprese mentre le prede le minimizzano attraverso la vigilanza e la scelta dell'habitat. Il lavoro del PNAS di Heins e colleghi sulla condotta collettiva da minimizzazione della sorpresa è il risultato di simulazione più sviluppato, mostrando che agenti continui-tempo che minimizzano individualmente l'energia libera riproducono il movimento di gruppo simile a stormi e scuole senza regole comportamentali codificate manualmente. A livello più ampio, Rubin, Parr, Da Costa e Friston modellano il ciclo del carbonio e i tassi metabolici della biosfera come un Markov blanket planetario, descrivendo la resilienza dei sistemi terrestri e la regolazione climatica come se la biosfera stesse minimizzando una funzionale di energia libera.
Strumenti e infrastrutture istituzionali
Il pacchetto Python pymdp implementa l'inferenza attiva a processo di decisione di Markov discreto e sottende diversi modelli di applicazione ecologica descritti qui (scelta del frammento, selezione dell'habitat discreta, giochi di foraggiamento semplificati), mentre gli script tutorial SPM/MATLAB e il codice GitHub pubblicato da Heins et al per le simulazioni a tempo continuo di comportamenti collettivi forniscono punti di partenza adattabili. Albarracin, Hipolito e i loro colleghi hanno costruito modelli di inferenza attiva delle risorse comuni, offrendo template per applicazioni socio-ecologiche anche se il loro attuale focus è sul comportamento umano piuttosto che sui sistemi ecologici direttamente. Un preprint sull'"inferenza attiva centrata sull'ambiente" propone di definire Markov blankets dalla prospettiva dell'ambiente, una direzione rilevante per la modellazione ecologica ma ancora non supportata da codice ampiamente disponibile. L’Active Inference Institute è il centro istituzionale citato nel rapporto per questo programma di ricerca, avendo gestito un Active Inference Lab dal 2021 con trasmissioni in diretta e discussioni che coprono il lavoro in silico e la robotica così come la biogeografia e la resilienza dei sistemi terrestri, e mantiene voci nella knowledge base sulle dinamiche ecologiche ed evolutive.
Problemi irrisolti
Il rapporto è esplicito nel constatare che le applicazioni empiriche e basate sui dati rimangono scarse rispetto alla letteratura teorica e di simulazione: non ci sono quasi test pubblicati che confrontino le previsioni dell'inferenza attiva con modelli ecologici alternativi (modelli di ottimizzazione, apprendimento per rinforzo) utilizzando dati comportamentali o ambientali reali. Un secondo problema aperto è quello di scalare in modo coerente da organismi a ecosistemi e biosfera senza scelte arbitrarie su cosa costituisca uno "stato interno" a ogni livello — il rapporto nota che non è chiaro se un ecosistema debba essere modellato come un singolo agente o come una popolazione di agenti interagenti la cui dinamica assomigli solo aggregativamente all'inferenza. Un terzo riguarda l’interpretazione: applicare un linguaggio basato sul concetto di "credenza" a piante, comunità microbiche o alla biosfera rischia di esagerare le affermazioni cognitive, e il rapporto raccomanda di considerare l'inferenza attiva come una comodità di modellazione piuttosto che un impegno ontologico per i sistemi non cognitivi. Infine, il rapporto evidenzia lacune metodologiche concrete (software che scala oltre piccoli MDP discreti, tecniche per stimare proxy dell’energia libera da serie temporali ecologiche rumorose) e questioni normative sollevate una volta che i modelli di governance socio-ecologica iniziano a codificare "stati preferiti" che incorporano giudizi di valore sul tema della crescita rispetto alla biodiversità.
Spina dorsale di riferimento
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.