Perché il dominio è adatto
La pianificazione urbana si basa su un'ampia, rumorosa e incompleta raccolta di dati sensoriali (conteggi del traffico, flussi energetici e idrici, modelli di uso del territorio, indicatori sociali) che corrisponde direttamente alle osservazioni dell’inferenza attiva, utilizzate dagli agenti per inferire stati latenti come i modelli di domanda, le condizioni delle infrastrutture e i bisogni sociali. È anche fondamentalmente incentrata sulla selezione e il controllo delle politiche – zonizzazione, investimenti in infrastrutture, regole operative, accordi di governance – che l’inferenza attiva tratta come azioni scelte per minimizzare l'energia libera attesa nei termini epistemici (riduzione dell'incertezza) e pragmatici (realizzazione dei risultati). Le città sono inoltre non stazionarie (cambiamenti demografici, nuove tecnologie, cambiamenti politici) e multi-scala/multi-agente (intersezioni da quartieri a strategie cittadine), entrambe le quali modelli generativi gerarchici e in continua aggiornamento sono progettati per gestirle.
Stato della letteratura
La teoria fondamentale deriva dal lavoro di Friston sull’attenzione, l’incertezza e l’energia libera (dinamiche di riconoscimento e inferenza variazionale) e sulla pianificazione/navigazione come inferenza attiva, oltre a un account dell’inferenza attiva della narrazione (Frontiers in Psychology) su come il senso collettivo funziona come inferenza a livello di gruppo. Applicato, esistono lavori sottoposti a revisione tra pari in due domini: la governance delle risorse idriche urbane, dove Karpouzoglou e i suoi colleghi (Ecology and Society) analizzano le infrastrutture di conoscenza rafforzate dallo stato per sostenere l’inferenza attiva basata sul gruppo nella governance adattiva, e l’ambiente costruito, dove BEACON (Frontiers in the Built Environment) incorpora un'ontologia di inferenza attiva dell'Active Inference per rappresentare la conoscenza tacita del design architettonico. Il lavoro di controllo del traffico — un controllore di inferenza attiva basato su SUMO e una preprint di arXiv sul controllo adattivo dei segnali in ambienti IoT rumorosi e non stazionari — e la ricerca di Active Inference di Millidge negli alberi POMDP di grandi dimensioni rimangono allo stadio di simulazione/preprint, insieme all'apprendimento per rinforzo bayesiano variazionale adiacente applicato alle infrastrutture urbane e alla mobilità sostenibile.
Problemi irrisolti
Il rapporto evidenzia la scalabilità come la sfida più urgente: le città reali hanno spazi di stato molto più ampi e dinamiche più complesse rispetto alle simulazioni e ai dimostratori testati finora, richiedendo un'inferenza gerarchica più trattabile e, alla fine, simulazioni su larga scala e implementazioni pilota operative con dati sulle prestazioni longitudinali. Identifica inoltre lavori non risolti sull'integrazione del comportamento umano e della narrazione nei modelli generativi, sulla distinzione tra usi descrittivi dell'inferenza attiva (spiegare come si comportano già le istituzioni, come nel documento sulla governance idrica) da usi normativi (progettare nuovi controllori, come in BEACON, GEO-INFER ed EcoNet), sull'istituzione di standard e criteri di valutazione condivisi tra i domini e sulle questioni etiche, legali e politiche sollevate dai priors e dagli obiettivi codificati nei modelli generativi rilevanti per la pianificazione.
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. Pablo Lanillos, Cristian Meo, Corrado Pezzato, et al. (2021). Active Inference in Robotics and Artificial Agents: Survey and Challenges. arXiv. DOI: 10.48550/arXiv.2112.01871.