A entomologia oferece uma arena inusualmente rica e experimentalmente tratável para testar a inferência ativa e o princípio da energia livre, abrangendo a computação de neurônios individuais em cérebros de insetos até a inteligência coletiva em nível de colônia e robótica inspirada em insetos. Insetos sociais exibem comportamentos perceptivos, de navegação e sociais sofisticados que se desenrolam sob forte controle observacional, com conjuntos de dados densos de rastreamento comportamental, eletrofisiologia e biologia molecular. Esta página sintetiza a literatura emergente conectando a inferência ativa a colônias de formigas, busca de abelhas melíferas e neurobiologia de insetos, distinguindo trabalhos empíricos revisados por pares do trabalho de simulação e teoria.
Por que o domínio se encaixa
Os sistemas nervosos de insetos apresentam evidências convergentes de codificação preditiva e modelos antecipados: mecanismos de cópia efferente modulam as respostas optomotoras das gafanhotas, e uma preprint de Drosophila de 2026 relata osciladores internos e codificação preditiva como características ancestrais dos cérebros de insetos conservadas por mais de 350 milhões de anos. As colônias de insetos sociais também exibem cognição eucariótica e distribuída—formigas e abelhas coordenam-se por feromônios e danças da forma que foram modeladas como "organismos bayesianos superados" realizando amostragem distribuída. Combinado com décadas de paradigmas de forrageamento e navegação acessíveis e bem instrumentados (dança do zumbido das abelhas, labirintos T das formigas, trilhos cooperativos de transporte) e ferramentas modernas de rastreamento em vídeo e gravação neural, a entomologia oferece ao active inference pontos de acesso neural e de comportamento coletivo raramente disponíveis juntos em um taxônomo.
Estado da literatura
A aplicação mais direta é “Active Inferants: Um Framework de Inferência Ativa para o Comportamento de Colônias de Formigas” (Friedman, Tschantz, Ramstead, Friston e Constant, 2021, revisada por pares na Frontiers in Behavioral Neuroscience), que modela a busca de formigas em um labirinto T alternado como um processo de decisão de Markov discreto com seleção de política baseada na energia livre esperada, usando uma única feromona para reproduzir a formação de trilhas e correspondência de probabilidade. Este trabalho se baseia na série do organismo super-bayesiano (Journal of the Royal Society Interface), que modelou colônias de formigas e abelhas por meio da amostragem de Monte Carlo Markov Chain e memórias externas de feromônios, e em “Inferência Federada e Compartilhamento de Crenças” (Friston, Parr, Fields e colegas), que vincula explicitamente o compartilhamento de crenças multiagente a uma filiação à entomologia e nematologia. Obras complementares de nível de enxame (“Um Modelo de Inferência Ativa da Inteligência Coletiva”, “Dinâmica de Fase Coletiva em um Oscilador de Inferência Ativa do Enxame”) permanecem em grande parte teóricas e não específicas para insetos, enquanto a evidência de codificação preditiva dos registros optomotores da Drosophila, modulação de ganho óptico-lobo de mosca e respostas de estímulos desviantes dependentes do sono fundamenta o lado neural da imagem.
Projetos e ferramentas-chave
Active InferAnts é um pacote Python desenvolvido pelo Active Inference Institute, projetado para simular a coleta de colônias de formigas sob modelos generativos configuráveis e esquemas de seleção de políticas inspirados diretamente no artigo “Active Inferants”; está disponível no GitHub com uma versão PyPI em planejamento. O embasamento empírico vem de recursos como "Experimental Entomology in the Age of Video" (protocolos de rastreamento de vídeo e anotação de comportamento) e o conjunto de dados BAU-Insectv2 para reconhecimento e análise de comportamento de insetos. Do ponto de vista da robótica aplicada, “Robot navigation as hierarchical active inference” e um artigo da Nature sobre navegação robótica inspirada no aprendizado de abelhas demonstram controle baseado em modelos generativos e inspirado em insetos, apoiado pela própria Active Inference in Robotics Learning Path do Instituto e módulos de base de conhecimento sobre estigmergia de colônias de formigas e Apidologia (forrageamento e polinização de abelhas).
Problemas em aberto
Testes empíricos rigorosos ainda são escassos: a evidência neural atual mostra modulação preditiva e cópias efferentes, mas ainda não testa diretamente a minimização de energia livre variacional, e o campo deve responder a críticas como "o mito do cérebro bayesiano" produzindo previsões específicas de mecanismo e falsificáveis em vez de adequações metafóricas. Modelos multi-escalas que vinculam estados moleculares/fisiológicos a fenótipos em nível de colônia estão amplamente não desenvolvidos, assim como modelos generativos quantitativos dos códigos de comunicação de insetos (danças do ferrão, códigos de feromônios) como mecanismos de compartilhamento de crenças. A literatura também carece de tarefas de referência padronizadas e ferramentas compartilhadas comparáveis àquelas da visão computacional ou aprendizado por reforço—paradigmas existentes como o T-maze, a tarefa de geocaching e as tarefas de navegação das abelhas melíferas ainda não foram consolidadas em ambientes de avaliação comuns.
Eixo de Referência
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. 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. Daniel Ari Friedman, Alec Tschantz, Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant (2021). Active Inferants: An Active Inference Framework for Ant Colony Behavior. Frontiers in Behavioral Neuroscience. DOI: 10.3389/fnbeh.2021.647732. 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.