Энтомология предлагает необычайно богатую и экспериментально доступную среду для тестирования активного вывода и принципа свободной энергии, от вычислений в отдельных нейронах у насекомых до коллективного интеллекта на уровне колонии и робототехники, вдохновленной насекомыми. Социальные насекомые проявляют сложные восприятие, навигацию и социальное поведение, которые развиваются под сильным наблюдательным контролем, с большим объемом данных, полученных от отслеживания поведения, электрофизиологии и молекулярной биологии. На этой странице синтезируется существующая литература, связывающая активный вывод с муравьиными колониями, поиском пищи пчелами и нейробиологией насекомых, различая рецензируемые эмпирические исследования от симуляций и теории.
Почему домен подходит
Насекомые демонстрируют всё больше свидетельств сходимости предсказательного кодирования и моделей "вперед": эффекерентно-копирующие механизмы модулируют оптические реакции на моторику у саранчи, а препринт от 2026 года дрозофилы сообщает об интернализированных осцилляторах и предсказательном кодировании как об эволюционно древних признаках мозга насекомых, сохранившихся более чем за 350 миллионов лет. Социальные насекомые также проявляют еусоциальное, распределённое познание — муравьи и пчёлы координируют действия с помощью феромонов и танцев способами, которые были смоделированы как "бернуллианские суперорганизмы", выполняющие распределённую выборку. В сочетании с десятилетиями доступных, хорошо оснащённых моделей поиска пищи и навигации (танец пчелы-медоноса, лабиринты муравьёв, кооперативные маршруты транспортировки) и современными инструментами видеоотслеживания и нейрозаписи, энтомология предоставляет активному инференции как нейронные, так и коллективные точки доступа, которые редко доступны вместе в одном таксономическом виде.
Обзор литературы
Наиболее прямое применение – «Активные Инференты: Рамка Активного Инференса для Поведения Улья» (Фридман, Тчанц, Рамстед, Фристэн и Констант, 2021 г., рецензируемая в Frontiers in Behavioral Neuroscience), которая моделирует поиск пищи муравьями в альтернативном Т-образном лабиринте как дискретного состояния марковкого принятия решений с выбором политики на основе ожидаемой свободной энергии, используя один феромон для воспроизведения формирования пути и соответствия вероятностям. Эта работа основана на серии «Байесовский Суперорганизм» (Journal of the Royal Society Interface), которая моделировала муравьиные и пчелиные колонии посредством марковского Монте-Карло и внешнего феромонного памяти, а также на «Инференс в Федеральном Режиме и Обмен Убеждениями» (Фристэн, Парр, Фильды и коллеги), которая явно связывает многоагентный обмен убеждениями с энтомологической и нематодной областью. Дополнительная работа на уровне роя (“Активная Инференсная Модель Коллективного Разума”, “Динамика Фазы Коллектива в Активной Инференсной Осцилляционной Системе”) остается в основном теоретической и не относится к насекомым, а доказательства предсказательного кодирования из записей оптомоторной активности дрозофилы, модуляции оптического лоба мухи и реакций на стимулы, отличные от нормы во время сна, подкрепляют нейронную сторону картины.
Ключевые проекты и инструменты
Активные Инференты — это Python-пакет, разработанный Институтом Активных Инференций, предназначенный для моделирования поиска пищи муравьями с использованием настраиваемых генеративных моделей и схем выбора политики, напрямую вдохновленных работой «Активные Инференты». Он доступен на GitHub с запланированным релизом в PyPI. Эмпирическая основа включает такие ресурсы, как «Экспериментальная энтомология в эпоху видео» (протоколы отслеживания видео и аннотирования поведения) и набор данных BAU-Insectv2 для распознавания насекомых и анализа их поведения. С точки зрения прикладной робототехники, «навигация роботов на основе иерархического активного инференции» и статья в Nature о навигации роботов, вдохновленной обучением пчел, демонстрируют управляемый с помощью генеративных моделей, основанный на насекомых контроль, поддерживаемый собственной образовательной траекторией Института «Активные Инференции» в области робототехники и модулями базы знаний об античной стигматизации и апидологии (поиске пищи и опылении пчелами).
Открытые проблемы
Строгие эмпирические тесты все еще редки: текущие нейронные данные показывают предиктивное модулирование и эфферентные копии, но не тестируют напрямую вариационное минимизации свободной энергии, и в этой области необходимо ответить на критику, такую как «миф о байесовском мозге», путем создания проверяемых, механизм-специфических прогнозов вместо метафорических соответствий. Разрабатываются многоуровневые модели, связывающие молекулярные/физиологические состояния с фенотипами колонии, а также количественные генеративные модели коммуникации насекомых (танцы «ваггеля», феромонные коды) в качестве механизмов обмена убеждениями. В литературе также не хватает стандартизированных задач оценки и общего инструментария, сравнимого с теми, что используются в компьютерном зрении или обучении с подкреплением — существующие парадигмы, такие как T-maze, задача геокэшинга и навигация пчел, еще не были консолидированы в общих средах оценки.
Опорный каркас
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.