主动推理和农业 | Active Inference Institute

在本页

部分

农业本质上关于感知、行动和不确定性下的适应，涵盖了植物生理学、田间管理、区域食物系统以及生物圈气候动态。这份报告概述了主动推理和自由能原则如何开始应用于这一范围的各个方面，从边缘AI害虫检测到对具有弹性的食物系统的可持续性理论，同时区分了同行评审证据与更推测性的工业声明。

为什么这个域名合适

农民和农业系统不断吸收土壤湿度、图像和天气等嘈杂数据，并通过灌溉、施肥和病虫害防治等方式进行操作，报告直接通过变分和预期自由能最小化来构建这种模式。预期自由能分为认知价值（例如，害虫侦察、传感器放置）和工具价值（例如，在预测的最佳时间收获），这自然地映射到农业探索与利用的权衡。农业的嵌套尺度，从每小时的灌溉决策到多年的土壤修复和数十年的气候适应，也适合主动推理的分层生成模型，报告将其扩展到将农场划分为内部、感官和活动状态的生物圈马尔可夫毯。

文献状态

报告发现该术语的参与范围广泛，从可持续性理论中的严格自由能原则工作（《Active Inference在Systems 2024年的‘Sustainability’文章和一个相关的资源管理预印本）到信息论在机器人技术和传感器网络中的应用。实际示例包括用于害虫检测的增强TinyCNN框架，其能量预算主要由推理循环支配；用于灌溉预测基准测试的ET0边缘预报研究；以及通过主动推理和动态高斯贝叶斯网络优化无线传感器网络电池的方法。报告明确指出，性能提升的实证、现实世界证据仍然稀少，并且大部分文献是概念性的、跨领域的或术语松散的。

关键项目和工具

Named open-source tooling includes pymdp for building and simulating active inference agents, and the Active Inference Institute's own GEO-INFER (a 44-module geospatial framework whose AlphaEarth subproject supports FAO food-security land-use monitoring) and BioFirm (ecological active inference and ecosystem services). The report also describes the decentralized FarmWorks farm-agent project and industrial claims from VERSES AI applying active-inference-style agents to agrifood supply-chain logistics, alongside deployed prototypes like EnhancedTinyCNN pest sensors and cranberry crop-risk monitoring using deep active inference.

未解之题

报告指出，生成模型对现场数据的规格化验证是核心技术缺口，因为大多数农业模型都是机械式的而非概率式的，并且证据主要来自模拟和小型原型。数据生态系统在专有平台上碎片化，引发了关于数据所有权以及如何选择和编码可持续性先验的问题。报告还强调了农民信任所需的可解释性、社会/伦理风险嵌入规范先验，以及在主动推理决策支持被认为在实践中得到证明之前需要进行随机化的临床级评估。

参考主干

卡尔·J. 弗里松 (2010). 自由能原理：一个统一的大脑理论？神经科学评论。DOI: 10.1038/nrn2787. 马克斯韦尔·D·拉梅斯特，卡尔·J·弗里松，阿塞尔·康斯坦，莱昂卡特·达科斯塔，卡斯珀·赫斯，本森·米利吉德，亚历克·尚茨 (2023). 以贝叶斯力学为中心：一种关于信念的物理。arXiv. 贾诺维佐·佩佐洛，弗朗西斯科·里戈罗，卡尔·J·弗里松 (2017). 主动推理，自我调节和行为控制的主动推理框架. 进化神经科学进展。DOI: 10.1016/j.pneurobio.2017.08.001. 汤姆森·费雷曼，亚历克·尚茨，马克斯韦尔·D·拉梅斯特，卡尔·J·弗里松，阿塞尔·康斯坦 (2021). 主动推理者：一个主动推理框架用于蚂蚁行为。行为神经科学前沿. DOI: 10.3389/fnbeh.2021.647732.

最佳下一步行动