Por que o domínio se encaixa
A inferência ativa trata a percepção como inferência sobre causas ocultas de dados sensoriais, a ação como amostragem seletiva de observações que satisfazem expectativas prévias e o aprendizado como a adaptação lenta dos parâmetros de um modelo generativo — uma tríade que se mapeia diretamente nas preocupações neurocientíficas fundamentais. A organização hierárquica da córtex cerebral, com áreas superiores codificando causas mais lentas e abstratas e áreas inferiores codificando detalhes sensoriais rápidos, é um substrato natural para os modelos generativos hierárquicos que o framework requer. A inferência ativa também estende as contas de codificação preditiva da percepção ao modelar explicitamente ações e seleção de políticas como parte do mesmo ciclo inferencial, acoplando a percepção e o controle através de um único objetivo — minimização esperada de energia livre.
Estado da literatura
A literatura está ancorada por um conjunto relativamente concentrado de artigos fundamentais e de revisão — o artigo da Nature Reviews Neuroscience de Friston em 2010, trabalho que formaliza a energia livre variacional para percepção e ação, e revisões expositivas posteriores destinadas a tornar explícitas as suposições e o escopo do princípio aos neurocientistas. Aplicações baseadas em simulação se estendem de lá para modelos temporais profundos de comportamento epistêmico (por exemplo, leitura), movimento oculomotor, memória de trabalho e atenção, neuromodulação dopaminérgica e a emergência de hábitos a partir da otimização repetida de políticas. Formulações discretas, apresentadas como processos de decisão de Markov parcialmente observáveis, têm sido particularmente influentes para modelar tarefas cognitivas como busca visual e planejamento direcionado a objetivos. A maior parte deste trabalho tem origem em um grupo central centrado em Karl Friston na Universidade College London e no Wellcome Centre for Human Neuroimaging, com Thomas Parr sendo um colaborador chave na formalização discreta, e está cada vez mais se estendendo para a psiquiatria computacional e morfogênese.
Padrões e ferramentas de aplicação
A demonstração neurofisiologicamente mais clara é a oculomotoção: simulações usando filtragem bayesiana para implementar o planejamento como inferência geram movimentos oculares saccádicos e de perseguição suave cujas estruturas de passagem de mensagens se mapeiam na conectividade conhecida do tronco encefálico e cerebelo e se assemelham a gravações de unidades individuais dos núcleos relevantes. A dopamina tem sido modelada como codificando precisão (confiança) sobre políticas, com níveis tonicos de dopamina na simulação moldando exploração versus aproveitamento e vigor do movimento, e interrupções oferecidas como uma lente sobre a doença de Parkinson e a esquizofrenia. A implementação tem se baseado em grande parte no ecossistema SPM baseado em MATLAB e seu módulo de Expectativa Dinâmica (DEM) para modelos de estado contínuo, e bibliotecas Python para modelos de estado discreto de estilo POMDP usados em simulações de tarefas cognitivas — ferramentas que permanecem código de pesquisa e não software padronizado e amplamente distribuído.
Problemas em aberto
O relatório identifica a plausibilidade biológica como não resolvida: modelos de rede que aproximam a descida do gradiente na energia livre reproduzem oscilações e dinâmicas de atractor, mas os mecanismos fisiopatológicos no tecido neural real, e mapeamentos como as células piramidais superficiais codificando erros de previsão, permanecem hipotéticos e em grande parte não testados. A escalabilidade de modelos generativos além de pequenos espaços de estados para ambientes naturais e de alta dimensão é um segundo desafio computacional aberto. Um terceiro é a falsificabilidade empírica — críticos argumentam que o princípio da energia livre é amplo demais para ser refutado, e o relatório apela por experimentos que discriminem as previsões da inferência ativa (exploração epistêmica, neuromodulação ponderada pela precisão) de alternativas de aprendizado por reforço e codificação preditiva. A tradução clínica em psiquiatria computacional também é descrita como promissora, mas em estágio inicial, restando principalmente em trabalhos teóricos e de simulação, em vez de grandes conjuntos de dados de pacientes validados.
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.