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 — это «Активные инференты: структура Active Inference для поведения колоний муравьев» (Фридман, Чанц, Рамстед, Фристон и Констант, 2021, рецензировано в Frontiers in Behavioral Neuroscience), которая моделирует поиск пищи муравьями в чередующемся Т-образном лабиринте как дискретный марковский процесс принятия решений с выбором политики на основе ожидаемой свободной энергии, используя один феромон для воспроизведения формирования следа и сопоставления вероятностей. Эта работа основана на серии «Байесовский суперорганизм» (Journal of the Royal Society Interface), которая моделировала колонии муравьев и пчел с помощью выборки методом Монте-Карло по цепям Маркова и экстернализованных феромонных воспоминаний, а также на работе «Федеративный вывод и обмен убеждениями» (Фристон, Парр, Филдс и коллеги), которая явно связывает обмен убеждениями между несколькими агентами с аффилиацией в энтомологии и нематологии. Дополнительная работа на уровне роя («Модель коллективного интеллекта Active Inference», «Коллективная фазовая динамика в осцилляторе роя Active Inference») остается в значительной степени теоретической и неспецифичной для насекомых, в то время как данные предиктивного кодирования из оптомоторных записей дрозофилы, модуляции усиления оптической доли мухи и зависимых от сна реакций на отклоняющиеся стимулы обосновывают нейронную сторону картины.
Ключевые проекты и инструменты
Active InferAnts» — это пакет Python, разработанный Active Inference Institute для моделирования фуражировки муравьиных колоний с использованием настраиваемых генеративных моделей и схем выбора политики, непосредственно вдохновленных статьей «Active Inferants»; он доступен на GitHub, а выпуск PyPI планируется. Эмпирическое обоснование получено из таких ресурсов, как «Экспериментальная энтомология в эпоху видео» (протоколы видеоотслеживания и поведенческой аннотации) и набор данных BAU-Insectv2 для распознавания насекомых и анализа поведения. В области прикладной робототехники статьи «Навигация роботов как иерархический активный вывод» и статья в Nature о навигации роботов, вдохновленной полетом медоносных пчел, демонстрируют управление на основе генеративных моделей, вдохновленное насекомыми, при поддержке собственного Active Inference Института в области робототехники и модулей базы знаний по стигмергии муравьиных колоний и апидологии (фуражировка и опыление пчел).
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.