此页面由机器翻译成中文。 查看英文原版。
研究人员、昆虫学家和研究所研究员，对将主动推理应用于昆虫神经科学、集体行为和群体机器人感兴趣。
蚂蚁 colony，蜜蜂觅食和昆虫神经系统如何测试自由能原则作为活的可操作领域。
在本页
昆虫学为测试主动推理和自由能原则提供了一个异常丰富且实验上可操作的领域，从昆虫大脑中的单神经元计算到群体层面的集体智能以及受昆虫启发的机器人技术。社会昆虫表现出复杂的感知、导航和社会行为，在强烈的观察控制下展开，拥有来自行为追踪、电生理学和分子生物学的密集数据集。此页面综合了将主动推理与蚂蚁群落、蜜蜂觅食以及昆虫神经生物学联系起来的新兴文献，区分了同行评审的实证研究与模拟和理论工作。
昆虫神经系统显示出预测编码和前模型的趋同证据：蝗虫的光定向反应受到运动指令机制的影响，2026年的一篇果蝇预印本报告了昆虫大脑中内禀振荡器和预测编码作为超过3亿5千万年的进化特征。社会性昆虫群落也表现出eusocial、分布式认知——蚂蚁和蜜蜂通过信息素和舞蹈的方式进行协调，这些方式被建模为“贝叶斯超级有机体”，执行分布式采样。结合几十年来可追踪且装备精良的觅食和导航范式（如蜜蜂的摆尾舞、蚂蚁的T型迷宫、合作运输路径）以及现代视频跟踪和神经记录工具，昆虫学为active inference提供了神经和集体行为的接入点，在一个分类群中很少同时拥有这两个接入点。
title：Active Inferants: An Active Inference Framework for Ant Colony Behavior（Friedman, Tschantz, Ramstead, Friston, 和 Constant，2021年审稿于Frontiers in Behavioral Neuroscience），该模型在交替T形迷宫中模拟蚂蚁觅食行为，将其视为一个离散状态的马尔可夫决策过程，并基于期望自由能选择策略。使用单一信息素来再现路径形成和概率匹配。这项工作建立在贝叶斯超级有机体系列（皇家学会界面杂志）之上，该系列通过马尔可夫链蒙特卡洛采样模拟蚂蚁和蜜蜂群体，并且与“联邦推理和信念共享”（Friston, Parr, Fields 和同事）的工作相联系，后者明确将多代理信念共享与昆虫学和线虫学相关联。互补的群落层面工作（《基于主动推理模型的集体智能》、《基于主动推理的群体振荡器同步相动力学》）大多仍处于理论阶段且不特定于昆虫。而来自果蝇光敏记录的预测编码证据、果蝇视叶区增益调节以及睡眠依赖的异常刺激反应则为神经层面提供了支持。
Active InferAnts 是一个由 Active Inference Institute 开发的 Python 包，用于在可配置生成模型和政策选择方案启发下模拟蚂蚁巢觅食；它可在 GitHub 上找到，并计划在 PyPI 中发布。实证基础来自资源如《视频时代实验昆虫学》（包含行为追踪和行为注释规程）以及 BAU-Insectv2 数据集，用于昆虫识别和行为分析。在应用机器人方面，‘基于层次主动推理的机器人导航’和一篇关于受蜜蜂学习飞行启发的机器人导航的《自然》文章展示了受昆虫启发、基于生成模型的控制，支持 Institute 的自身 Active Inference in Robotics 学习路径和知识库模块，包括蚂蚁社会性迷宫和Apis学（蜜蜂觅食与授粉）。
严格的实证测试尚稀缺：当前的神经证据显示预测性调节和意向复制，但尚未直接检验泛化自由能最小化。该领域必须通过生产可验证、机制特定的预测来回应“贝叶斯大脑之神话”的批评，而不是比喻式的吻合。分子/生理状态与种群水平表型之间的多尺度模型大多未开发，昆虫通讯（如摆尾舞蹈和信息素代码）作为信念共享机制的定量生成模型也尚未发展。文献中缺乏标准化基准任务和类似计算机视觉或强化学习中的标准工具——现有的范例如T迷宫、寻宝任务和蜜蜂导航任务尚未整合进通用评估环境。
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 (2015). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2015.09.001. Maxwell J. D. Ramstead, Dalton A. R. Sakthivadivel, Conor Heins, Magnus Koudahl, Beren Millidge, Lancelot Da Costa, Brennan Klein, Karl J. Friston (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.
关键表面
Active Inferants (Friedman et al., 2021, Frontiers in Behavioral Neuroscience) 模型了蚂蚁觅食行为为一个离散状态的主动推理过程，使用一种单一的信息素来重现路径形成和概率匹配。
《基于贝叶斯的超级有机体系列论文》将信息素路径视为外部化记忆，通过MCMC类似的方式进行分布式采样，直接引用为群体的显式主动推理模型的先驱。
该领域大部分——群蜂振荡模型，蜜蜂启发的机器人技术，昆虫通信作为联邦推理，都是模拟或概念性类比，直接在昆虫中设计自由能最小化神经测试仍然有待设计。
相关资源
Audience: Developer
Project repository for multiagent Active Inference modeling work.
Audience: Researcher
Continuously updated bibliography of Free Energy Principle and active inference papers, maintained in the open on GitHub.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.