Por que o domínio se encaixa
A inferência ativa considera qualquer sistema que mantém sua integridade como minimizando a energia variacional livre em relação a um modelo gerador de seu ambiente, e a comunicação linguística se mapeia diretamente nisso: os falantes selecionam enunciados esperados para mudar as crenças de um ouvinte, enquanto os ouvintes processam a fala para inferir intenções e significados ocultos, ambos os processos enquadrados como minimização da energia livre. A partição quádrupla do formalismo de estados internos, externos, sensoriais e ativos via "Markov blankets" separa as crenças de um agente da situação comunicativa, com a fala audível como estados sensoriais e a articulação como estados ativos. A hierarquia inerente à linguagem — fonemas em sílabas, palavras em frases, frases em discurso — também se alinha com os modelos geradores aninhados da inferência ativa, onde níveis superiores codificam causas abstratas lentas (intenções, tópicos) e níveis inferiores codificam detalhes sensoriais rápidos (realização acústica).
Estado da literatura
A contribuição fundamental é o trabalho de 2020 sobre modelos generativos, comunicação linguística e inferência ativa (Friston e colegas), que simula diálogo entre agentes sintéticos que inferem os estados semânticos ocultos uns dos outros e selecionam enunciados para minimizar a energia livre esperada, produzindo convenções lexicais compartilhadas emergentes. Uma conta hermenêutica companheira (Paulus e Friston) enquadra a comunicação como interpretação mútua, onde a ação satisfaz previsões sobre sua própria fala futura e seu efeito no ouvinte. A literatura então se ramifica no controle motor da fala e uma conta de inferência ativa do gaguejo (disfluência como falha em minimizar a energia livre suavemente ao longo dos níveis motor e linguístico), um preprint argumentando que a própria sintaxe da linguagem natural está em conformidade com o princípio da energia livre, um ensaio refazendo a fala interna como um tradutor entre estados sensoriais desordenados e rótulos verbais compactos, e uma chamada da Frontiers in Psychology para trazer a inferência ativa para a neuropragmática. Tudo isso é permeado por uma tensão não resolvida com as teorias de codificação preditiva e as teorias do cérebro bayesiano: uma crítica de 2023 argumenta que os sistemas neurais podem priorizar a descoberta de recursos em vez da previsão exaustiva, e uma revisão crítica separada desafia se o cérebro implementa realmente a computação bayesiana literal.
Projetos e ferramentas-chave
As implementações concretas ainda são, em grande parte, protótipos de pesquisa e não ferramentas públicas nomeadas: agentes linguísticos sintéticos são construídos como modelos gráficos probabilísticos ou de espaço de estados com inferência por passagem de mensagens ou descida de gradiente (tipicamente MATLAB ou Python), e os modelos de controle do motor da fala são concebidos como redes bayesianas dinâmicas sobre estados articulatórios. O modelagem causal dinâmico (DCM), já usado na comunidade de inferência ativa para modelar a conectividade cerebral, é proposto para ser estendido aos experimentos neuropragmáticos junto com as pipelines padrão de neuroimagem (SPM, FSL). Do ponto de vista da IA, três projetos distintos da era de 2025 integram a inferência ativa com LLMs: uma arquitetura de revisão usando um controlador de inferência ativa externa para gerenciar os prompts e interações de um LLM, um sistema de Medicina Digital Natural que seleciona prompts via energia livre esperada para melhorar a confiabilidade das respostas, e um preprint do arXiv sobre um sistema multi-LLM onde um controlador hierárquico atribui tarefas entre LLMs especializados para minimizar a energia livre em relação aos objetivos do usuário. A pesquisa está associada de forma vaga aos grupos afiliados a Friston (por exemplo, University College London) e o LISN Lab, que hospeda o ensaio sobre fala interna.
Problemas em aberto
A evidência empírica direta de que o processamento da linguagem humana realmente segue princípios de inferência ativa permanece limitada: muitas de suas previsões (buscar informações em incerteza, agir com preferências) são qualitativamente compartilhadas com aprendizado por reforço e outros frameworks, portanto, os testes precisam ter como alvo características distintas como a decomposição epistêmica-pragmática da energia livre esperada. A crítica do cérebro bayesiano adverte especificamente contra a leitura de sinais genéricos de erro de previsão em neuroimagem como prova de computação bayesiana completa nos circuitos de linguagem. A integração em múltiplas escalas é largamente não abordada na prática — a maioria dos modelos cobre uma faixa estreita (mapeamento palavra-significado ou controle motor da fala) em vez de abranger circuitos neurais através do discurso até a mudança linguística — e a tradução clínica (tartamudez, apraxia, afasia, disfunção da fala interna associada à psicose) tem apenas um exemplo inicial trabalhado (tartamudez) com o restante ainda hipotético. Para sistemas baseados em LLM, questões abertas incluem como formalizar modelos gerativos tratáveis do estado do usuário, como definir funcionais de energia livre esperada que capturem alinhamento e confiabilidade, e como avaliar agentes interativos, pois os benchmarks de NLP padrão não capturam o diálogo orientado por inferência ativa dinâmica.
Eixo de Referência
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. 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.