Активная инференция рассматривает мозг как систему, поддерживающую внутреннюю генеративную модель мира и минимизирующую вариационный принцип свободной энергии посредством восприятия, действия и обучения. Нейронаука была основной площадкой для проверки этого фреймворка с момента публикации статьи Карла Фристона «объединенная теория мозга» в 2010 году, с большим объемом теоретической, симуляционной и ранней клинической работы, изучающей, насколько далеко можно зайти эту идею. На этой странице рассматривается то, что показывает эта литература, моделирующие паттерны и инструменты, используемые исследователями, и открытые вопросы, которые отделяют активную инференцию от проверенной нейронаучной теории.
Почему домен подходит
Активная инференция рассматривает восприятие как вывод о скрытых причинах сенсорных данных, действие как избирательную выборку наблюдений, соответствующих предварительным ожиданиям, и обучение как медленную адаптацию параметров генеративной модели — триаду, которая напрямую соответствует основным нейробиологическим проблемам. Иерархическая кора головного мозга, с более высокими областями, кодирующими более медленные, более абстрактные причины, и более низкими областями, кодирующими быстрые сенсорные детали, является естественной средой для иерархических генеративных моделей, которые требует этот фреймворк. Активная инференция также расширяет объяснения предсказательного кодирования восприятия путем явно моделирования действий и выбора политики как части одной и той же выводной петли, связывая восприятие и контроль посредством едиственной цели — ожидаемого минимизации свободной энергии.
Обзор литературы
Литература опирается на относительно компактный набор основополагающих и обзорных работ — статью Фристена в Nature Reviews Neuroscience от 2010 года, посвященную формализации вариационного свободного энергетического потенциала для восприятия и действия, а также последующие разъяснительные обзоры, направленные на то, чтобы сделать предположения и область применения этого принципа более явными для нейробиологов. Прикладные модели на основе симуляций распространяются оттуда на глубокие временные модели эпистемического поведения (например, чтение), движения глаз, рабочую память и внимание, допаминерную нейромодуляцию и возникновение привычек из-за оптимизации политики повторения. Дискретные состояния, представленные в виде частично наблюдаемых марковских процессов принятия решений, оказали особое влияние на моделирование когнитивных задач, таких как поиск визуальной информации и целевое планирование. Большая часть этой работы исходит от основной группы, возглавляемой Карлом Фристеном при Университете Колумбия и Wellcome Centre for Human Neuroimaging, с Томасом Парром в качестве ключевого соавтора по дискретной формализации, и все больше расширяется в области вычислительной психиатрии и морфогенеза.
Приложения и инструменты
Самым убедительным нейрофизиологическим доказательством является движение глаз: симуляции с использованием байесовского фильтра для реализации планирования как инференции генерируют саккадические и плавные следящие движения глаз, структура передачи сообщений которой соответствует известным связям в стволе мозга и мозжечке, а также напоминает записи отдельных нейронов из соответствующих ядер. Дофамин моделировался как кодирование точности (уверенности) над политиками, с тоническими уровнями дофамина в симуляции формирующими исследование против эксплуатации и силу движения, а нарушения предлагались как инструмент для изучения болезни Паркинсона и шизофрении. Реализация во многом опиралась на экосистему SPM на основе MATLAB и ее модуль динамической максимизации ожидаемой величины (DEM) для моделей непрерывного состояния, а также на Python-библиотеки для дискретных моделей POMDP-стиля, используемых в симуляциях когнитивных задач — инструменты, которые остаются исследовательским кодом, а не стандартизированным и широко распространяемым программным обеспечением.
Открытые проблемы
Отчет выявляет биологическую нереализованность: модели сетей, приближающие градиентный спуск по свободной энергии, воспроизводят колебания и динамику аттракторов, но точные биофизические механизмы в реальном нейронной ткани, а также такие отображения, как суперфициальные пирамидальные клетки, кодирующие ошибки предсказаний, остаются гипотетическими и в основном не были проверены. Масштабирование генеративных моделей за пределы небольших пространств состояний до естественных, высокоразмерных сред является второй открытой вычислительной проблемой. Третья – эмпирическая фальсифицируемость — критики утверждают, что принцип свободной энергии слишком широк, чтобы быть опровергнутым, и в отчете предлагается проводить эксперименты, которые будут отличать предсказания активного инференции (эпистемическое исследование, взвешенная модуляцией нейромодуляция) от альтернатив обучения с подкреплением и предсказательного кодирования. Клиническая трансформация в вычислительной психиатрии также описывается как многообещающая, но на ранней стадии, в основном основанная на теоретической и симуляционной работе, а не на больших проверенных пациентах.
Опорный каркас
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.