Perché il dominio è adatto
Gli agenti economici devono formare credenze sullo stato incerto del mondo, selezionare politiche sotto rischio e ambiguità e aggiornare i modelli generativi interni da osservazioni rumorose e parziali — esattamente le condizioni per cui active inference è stata costruita per formalizzarle. Il rapporto presenta il comportamento economico come selezione continua di modelli bayesiani sotto incertezza strutturale e interazione strategica: gli agenti osservano prezzi, salari e segnali politici che sono solo indirettamente informativi sui fondamentali latenti come tecnologia o domanda e devono agire inferendo tali fondamentali. Active inference è anche intrinsecamente prospettico e multi-agente, corrispondendo alle aspettative orientate al futuro dell'economia e al fatto che i mercati emergono da molti partecipanti interagenti e adattivi che devono modellare le credenze e le politiche di ciascuno.
Stato della letteratura
Il lavoro sottoposto a revisione per premiazione si concentra in economia comportamentale e cognitiva: il documento di Frontiers in Psychology sulla variazionale free energy e l'economia riinterpreta gli assiomi dell'utilità attesa (completezza, transitività, indipendenza, continuità) come conseguenze delle preferenze pregresse e della struttura del modello generativo, ricandando bias come l'avversione alla perdita o gli scambi di preferenza come ottimizzazione razionale della credenza piuttosto che anomalie. Un articolo su Nature trova evidenze sperimentali che la scelta umana è spesso meglio spiegata dalla minimizzazione delle sorprese piuttosto che dalla massimizzazione del valore. Nell'economia finanziaria, il documento di Samer Adra sulla Review of Behavioral Economics riinterpreta il trading di rumore, la volatilità eccessiva e il trend-following come prodotti secondari della minimizzazione dell'energia libera piuttosto che deviazioni dalle aspettative razionali. A livello macroeconomico, un white paper SSRN ricandisce i modelli a ciclo reale (RBC) come casi speciali di active inference, con l'ottimizzazione dell'agente rappresentativo espressa come minimizzazione dell'energia libera su politiche di consumo, investimento e offerta del lavoro.
Progetti e strumenti chiave
Il rapporto menziona diverse implementazioni concrete piuttosto che solo teoria: DR-FREE, un modello di energia libera robusto alla distribuzione (con un repository ospitato su Zenodo collegato da un articolo della Nature Communications) che calcola azioni robuste attraverso un insieme di ambiguità di possibili modelli generativi, rilevante per decisioni di portafoglio, prezzi o inventario robuste in caso di incertezza del modello. "Dynamic Trading using Active Inference" implementa un sistema di trading nel framework di programmazione probabilistica RxInfer, costruendo un modello generativo della dinamica dei prezzi e codificando preferenze su rendimenti e rischio. "Factorised Active Inference for Strategic Multi-Agent Interactions" (arXiv) fornisce algoritmi di passaggio di messaggi per gli agenti che fattorizzano gli spazi di stato di sé/altro, applicabili a prezzi oligopolistici, aste e contrattazione. Un altro articolo collega il reinforcement learning all'active inference tramite l'obiettivo dell'"energia libera del futuro atteso", e il documento strategico dell’Active Inference Institute colloca questo lavoro in un più ampio impulso verso applicazioni aziendali e industriali.
Problemi irrisolti
Il rapporto è esplicito nel fatto che la validazione empirica rappresenta il divario più urgente del settore: le affermazioni secondo cui i modelli di energia libera superano gli standard di utilità attesa o DSGE non sono state sistematicamente testate contro dati reali di mercato, macroeconomici o dei consumatori. L'identificabilità è una seconda preoccupazione — i modelli generativi in economia sono spesso sotto-determinati e può essere difficile distinguere le preferenze pregresse dalle credenze, oppure rilevare la mancata specificazione del modello dall'unico comportamento osservato. Il rapporto evidenzia anche una questione normativa-descrittiva irrisolta (dovrebbero gli agenti minimizzare l'energia libera o semplicemente descrivono bene il comportamento?), implicazioni per l'analisi del benessere se gli agenti non sono massimizzatori di utilità, e questioni aperte normative ed etiche relative al trading algoritmico, alla valutazione del credito e ai sistemi politici basati sull'inferenza attiva, oltre a sfide irrisolte di scalabilità per modelli multi-agente o DSGE-rete su larga scala.
Spina dorsale di riferimento
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.