此页面由机器翻译成中文。 查看英文原版。
计算模型者，软件工程师和选择或构建工具链以模拟、拟合或部署主动推理模型的研究院贡献者。
将自由能最小化从方程转化为可运行模型的软件基础——Python，Julia，MATLAB 和符号工具链
在本页
Active inference是只有实现它的代码才有多有用。在整个生态系统中，少数几个工具链承担了大部分的实际重量：用于离散状态模拟的Python包，一个用于大规模反应式消息传递的Julia框架，帮助起源该理论的一个几十年老的MATLAB统计平台，以及与机器人逻辑规划配对的符号推理系统进行自由能最小化。此页面概述了这些工具链、围绕它们的研究所关联的发展和学习活动，以及它们之间仍然存在的碎片化现象，使其无法形成一个单一连贯的软件栈。
变分和期望自由能最小化被数学定义，但主动推理的每一种应用——无论是机器人手臂、精神病模型还是政策模拟——最终都建立在生成模型实现、推断引擎和数值后端之上。不同的工具链在这里做出了不同承诺：离散部分可观测马尔可夫决策过程与连续状态动力学，批处理计算与反应式流式传输，手工指定的生成模型与学习模型，以及信念和目标表示为数值或符号的形式。因为研究院其他领域的页面都描述了主动推理应用于各个领域的情况，所以这一页则描述了它们下面共享的计算层——即模型者实际选择使用的工具链，从理论到一个可工作的模拟。
PyMDP 是一个用于在离散状态马尔可夫决策过程环境中的主动推理代理进行模拟的 Python 包，为建模者提供了一种 POMDP 式的生成模型、隐状态的变分推理以及基于期望自由能的策略选择，在广泛重用的基础实现中。BIASlab 在埃因霍温开发的 RxInfer.jl 采取了不同的路线：它在 Forney 贝叶斯图上执行反应消息传递，而不是直接与贝叶斯图或显式 POMDPs 工作，因此推理是事件驱动的而非固定时钟上的运行，据报道对于流数据和模型中参数数量庞大的情况有好处。由 Karl Friston 在 MRC Cyclotron 单元在 1980 年代后期创建的统计参数映射（Statistical Parametric Mapping），它预于主动推理本身——它的一般线性模型和高斯场理论机器与自由能形式化一起进化，至今仍在使用作为历史基石和工作分析工具。Jean-Francois Cloutier 的 karma_system 项目围绕着构建的符号认知机器人结合了主动推理和符号推理，使得生成模型、信念和目标可以表示为符号结构而非纯粹数值结构，同时仍然通过期望自由能最小化选择动作。
RxInfer.jl 学习小组是与 RxInfer.jl 开发者直接合作的 Institute 项目，包括在代码编辑器中可视化底层因子图的技术；该小组定期举行同步会议，并吸引了来自不同 Julia 和贝叶斯建模背景的贡献者参与实际项目。Symbolic Cognitive Robotics 是 Jean-Francois Cloutier 的工作，他是 Institute 的研究 fellow，在机器人规划和符号问题解决设置中展示了 karma_system 方法； Institute 的第二次应用主动推理研讨会也将机器人技术作为重点。PyMDP 虽然由 Institute 之外的团队维护，但在 Institute 自己的 ModelStream 学习活动中被提及，反映了它在更广泛社区中的共享参考实现角色，而不是单一实验室工具的角色。
这些工具链在生成模型格式、推理算法或数值后端方面没有共享，因此在一个构建的模型无法移植到另一个系统中而需要进行大量重写。目前还没有标准化的基准测试套件来比较它们在准确度、速度或扩展性行为方面的表现。离散/连续/符号的分离意味着从业者必须早期承诺一种范式——POMDP风格的离散状态、连续的消息传递，或者符号表示——并且缺乏将它们整合到一个模型中的工具。文档和打包成熟程度差异很大：一些工具有教程和结构化的学习小组，而另一些则仍然更接近研究代码而不是分布式软件。与主动推理在其他应用领域所做的类似，采用和性能优势的声明更多基于已证明的概念验证和活跃社区的发展，而非对现有替代方案进行系统、独立比较的系统性证据。
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. 克里斯托斯·L. 布莱克韦尔，尚洙·金，西蒙·麦奎斯特，阿尼尔·K·塞特 (2017). 自由能原理对于行动和感知：一个数学评论. 数学心理学杂志. DOI: 10.1016/j.jmp.2017.09.004. 托马斯·帕尔，乔瓦尼奥·佩佐卢， 卡尔·J·弗里松 (2022). 积极推理：自由能原理在心智、大脑和行为中的应用. MIT出版社. 拉克森特·达萨多，托马斯·帕尔，诺尔·萨吉杜，塞巴杰安·维塞尔基，韦斯特卡塔娜·内恰苏 (2020). 积极推理在离散状态空间上的积极推理：一个综合. 数学心理学杂志. DOI: 10.1016/j.jmp.2020.102447.
关键表面
Python中的离散POMDP模拟，Julia中的反应因素图消息传递，MATLAB中的统计神经成像，以及为机器人进行符号推理的所有实现都最小化自由能，但都没有共享一个共同的模型格式或推理引擎。
{SPM}始于20世纪80年代末作为脑成像分析的统计技术，远早于主动推理被正式化——它的一般线性模型和高斯场理论工作与其自身一同演变，并塑造了自由能原则。
RxInfer.jl 学习小组直接与框架的开发者合作进行开源贡献，而符号认知机器人则由研究所的研究员构建并展示，这意味着在这一领域，研究所不仅是应用者，还是工具链的贡献者。
相关资源
Audience: Developer
Public GitHub organization for Institute repositories and open-source work.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.
官方页面
Audience: Developer
Public RxInfer learning-group shortlink for implementation-oriented Active Inference work.
仓库
Audience: Learner
Active Inference and RxInfer.jl