Perché il dominio è adatto
L'inferenza attiva tratta la percezione come inferenza sulle cause nascoste dei dati sensoriali, l'azione come il campionamento selettivo di osservazioni che soddisfano le aspettative pregresse e l'apprendimento come l'adattamento lento dei parametri del modello generativo — una triade che si mappa direttamente su preoccupazioni neuroscientifiche fondamentali. L'organizzazione gerarchica corticale del cervello, con aree superiori che codificano cause più lente e astratte e aree inferiori che codificano dettagli sensoriali rapidi, è un substrato naturale per i modelli generativi gerarchici richiesti dal quadro di riferimento. L'inferenza attiva estende anche gli account di coding predittivo della percezione modellando esplicitamente azioni e selezione delle politiche come parte dello stesso ciclo inferenziale, accoppiando la percezione e il controllo attraverso un unico obiettivo — minimizzazione dell'energia libera attesa.
Stato della letteratura
La letteratura è ancorata da un insieme relativamente concentrato di articoli fondamentali e recensioni — l'articolo della Rivista Nature Neuroscience del 2010 di Friston, il lavoro che formalizza l'energia libera variabile per la percezione e l'azione, e le successive revisioni espositive volte a rendere esplicite le assunzioni e lo scopo del principio ai neuroscienziati. Le applicazioni basate su simulazioni si estendono da lì a modelli temporali profondi di comportamento epistemico (ad esempio, la lettura), il movimento oculare, la memoria di lavoro e l'attenzione, la neuromodulazione dopaminergica e l'emergere di abitudini dalla ripetuta ottimizzazione delle politiche. Le formulazioni a stato discreto, formulate come processi decisionali di Markov parzialmente osservabili, si sono dimostrate particolarmente influenti per modellare compiti cognitivi come la ricerca visiva e la pianificazione orientata agli obiettivi. La maggior parte di questo lavoro ha origine da un gruppo centrale incentrato su Karl Friston all'Università College London e al Wellcome Centre for Human Neuroimaging, con Thomas Parr un collaboratore chiave sulla formalizzazione a stato discreto, ed è sempre più in espansione nella psichiatria computazionale e nella morfogenesi.
Modelli e strumenti di applicazione
La più chiara dimostrazione neurofisiologicamente fondata è l'oculomozione: simulazioni utilizzando il filtraggio bayesiano per implementare la pianificazione come inferenza generano movimenti saccatici e di inseguimento visivo fluidi, la cui struttura di passaggio dei messaggi corrisponde alla connettività nota del tronco encefalico e del cervelletto e assomiglia alle registrazioni di singole unità dai nuclei pertinenti. La dopamina è stata modellata come codifica della precisione (fiducia) sulle politiche, con i livelli tonici di dopamina nella simulazione che modellano l'esplorazione contro lo sfruttamento e la vivacità del movimento, e le interruzioni offerte come una lente sulla malattia di Parkinson e sulla schizofrenia. L'implementazione si è basata in gran parte sull'ecosistema SPM basato su MATLAB e sul suo modulo di massimizzazione dinamica delle aspettative (DEM) per i modelli a stato continuo, e librerie Python per i modelli POMDP a stato discreto utilizzati nelle simulazioni dei compiti cognitivi — strumenti che rimangono codice di ricerca piuttosto che software standardizzato e ampiamente distribuito.
Problemi irrisolti
Il rapporto identifica la plausibilità biologica come irrisolta: i modelli di rete che approssimano il gradiente lungo l'energia libera riproducono oscillazioni e dinamiche degli attrattori, ma i meccanismi fisiopatologici nel tessuto nervoso reale e le mappature come le cellule piramidali superficiali che codificano gli errori di previsione rimangono ipotetici e in gran parte non testati. L'aumento delle dimensioni dei modelli generativi oltre a piccoli spazi di stato per ambienti naturalistici ad alta dimensionalità rappresenta una seconda sfida computazionale aperta. Una terza è la falsificabilità empirica: i critici sostengono che il principio dell'energia libera sia troppo ampio da essere smentito, e il rapporto chiede esperimenti che discriminino le previsioni dell'inferenza attiva (esplorazione epistemiche, modulazione neuromodulativa ponderata per precisione) dal reinforcement learning e dalle alternative di predictive coding. Anche la traduzione clinica in psichiatria computazionale è descritta come promettente ma nelle prime fasi, basandosi principalmente su lavori teorici e simulazioni piuttosto che su ampi set di dati di pazienti validati.
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. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. 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.