Active Inference

Active Inference ist eine Erweiterung von Predictive Coding, entwickelt von Karl Friston. Während Predictive Coding erklärt, wie Wahrnehmung Vorhersagefehler minimiert, beschreibt Active Inference, wie auch Handlungen zur Minimierung von Überraschung eingesetzt werden.

Details

Grundidee

Das Gehirn minimiert “freie Energie” (Überraschung über sensorische Inputs) auf zwei Wegen:

  1. Wahrnehmung (perceptual inference): Interne Modelle anpassen, um besser zur Realität zu passen
  2. Handeln (active inference): Die Welt so verändern, dass sie den internen Vorhersagen entspricht

→ Handeln = “Vorhersagen wahr machen” statt reagieren

Formale Basis: Free Energy Principle (Friston, 2010)

  • Freie Energie ≈ obere Schranke der Überraschung (negative log Evidenz)
  • Minimierung freier Energie = Bayesianische Inferenz über Ursachen sensorischer Daten
  • Vereint Wahrnehmung, Lernen, Handeln in einem einzigen Prinzip

Vergleich: Predictive Coding vs. Active Inference

Predictive CodingActive Inference
FokusWahrnehmungWahrnehmung + Handeln
FehlerminimierungInterne Modelle updatenWelt ändern und Modelle updaten
Biologische EntsprechungSensorische KortizesGesamtes sensorimotor. System

Propriozeptive Vorhersagen

  • Motorkortes sendet keine Befehle, sondern Vorhersagen über zukünftige Körperpositionen
  • Rückenmarksreflexe minimieren den propriozeptiven Vorhersagefehler durch Muskelkontraktion
  • Parkinson: Rigidität durch fehlerhafte propriozeptive Vorhersagedämpfung?

Relevanz für KI

Kritik

  • Sehr allgemeines Prinzip → schwer falsifizierbar
  • Unklar, ob alle Verhaltensweisen tatsächlich Überraschungsminimierung sind

See also

Tags: neuroscience cognitivescience
Superlink: 050 🧠Neuroscience

Verbindungen

Created: 06/05/26