Por que o domínio se encaixa
A minimização de energia livre variacional e esperada é definida matematicamente, mas toda aplicação da inferência ativa – desde um braço robótico até um modelo psiquiátrico até uma simulação de política – acaba rodando sobre uma implementação de modelo generativo, um motor de inferência e uma backend numérica. Diferentes toolchains fizeram diferentes compromissos aqui: processos de decisão de marcovi parcialmente observáveis discretos versus dinâmica de estado contínuo, computação em lote versus fluxo reativo, modelos generativos especificados manualmente versus aprendidos, e representações numéricas versus simbólicas de crenças e objetivos. Como as outras páginas de domínio do Instituto cada descrevem a inferência ativa aplicada a um campo, esta página em vez disso descreve a camada computacional compartilhada abaixo delas – as toolchains que um modelador realmente escolhe para ir da teoria a uma simulação funcional.
Quatro ferramentas, quatro paradigmas
PyMDP é um pacote Python para simular agentes de inferência ativa em ambientes de processos de decisão de Markov discretos com estado, fornecendo aos modeladores um modelo gerador de estilo POMDP, inferência variacional sobre estados ocultos e seleção de política baseada na energia esperada livre em uma implementação de referência amplamente reutilizada. RxInfer.jl, desenvolvido no BIASlab em Eindhovem, toma uma rota diferente: executa o roteamento reativo de mensagens nos grafos de Forney em vez de trabalhar diretamente com grafos bayesianos ou POMDPs explícitos, portanto, a inferência é orientada por eventos em vez de ser executada em um relógio fixo, com benefícios relatados para dados de streaming e para escalar para modelos com um grande número de parâmetros. SPM (Mapeamento Paramétrico Estatístico), uma plataforma MATLAB criada por Karl Friston na Unidade MRC Cyclotron no final dos anos 1980 para análise estatística de dados fMRI, PET e EEG, antecede a inferência ativa em si — seu modelo linear paramétrico geral e a maquinaria da teoria do campo gaussiano evoluíram ao lado e ajudaram a semear o formalismo da energia livre, e ainda é usada hoje como um marco histórico e uma ferramenta de análise funcional. Symbolic Cognitive Robotics, construída em torno do projeto karma_system de Jean-Francois Cloutier, toma um quarto caminho, combinando raciocínio simbólico com inferência ativa para que modelos gerativos, crenças e objetivos sejam representados como estruturas simbólicas em vez de puramente numéricas, ao mesmo tempo em que seleciona ações por meio da minimização esperada da energia livre.
Desenvolvimento e aprendizagem associados à instituição
O Grupo de Aprendizagem RxInfer.jl é um projeto ativo do Instituto que colabora diretamente com os desenvolvedores do RxInfer.jl no desenvolvimento de código aberto, incluindo técnicas de visualização para os grafos fatoriais subjacentes dentro do editor de código; o grupo realizou sessões sincrónicas regulares e atraiu colaboradores com uma variedade de conhecimentos em Julia e modelagem bayesiana trabalhando em projetos práticos. A Robótica Cognitiva Simbólica é o trabalho de Jean-Francois Cloutier, Pesquisador Associado ao Instituto, que demonstrou a abordagem karma_system em configurações de planejamento robótico e resolução de problemas simbólicos; a robótica também foi um foco dedicado do Symposium Aplicado de Inferência Ativa do segundo da Instituição. O PyMDP, embora mantido fora do Instituto, foi apresentado nas sessões de aprendizagem ModelStream do próprio Instituto, refletindo seu papel como implementação de referência compartilhada pela comunidade mais ampla em vez de uma ferramenta de um único laboratório.
Problemas em aberto
As ferramentas acima não partilham um formato comum de modelo generativo, algoritmo de inferência ou backend numérico, pelo que um modelo construído numa não é portável para outra sem uma extensa reescrita, e ainda não existe um conjunto de benchmarks padronizado para os comparar entre si em termos de precisão, velocidade ou comportamento de escalonamento. A divisão discreta/contínua/simbólica também significa que os praticantes devem cometer-se cedo a uma paradigma — estados discretos tipo POMDP, passagem de mensagens contínuas ou representações simbólicas — com ferramentas limitadas para combiná-las dentro de um único modelo. A maturidade da documentação e do embalamento varia consideravelmente: algumas ferramentas têm tutoriais e grupos de aprendizagem estruturados, enquanto outras permanecem mais próximas do código de investigação do que de software distribuído. Como na outros domínios de aplicação da inferência ativa, as alegações de adoção e vantagem de desempenho assentam mais em provas de conceito demonstradas e desenvolvimento comunitário ativo do que em comparações sistemáticas e independentes contra alternativas estabelecidas.
Eixo de Referência
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.