物理AIエージェントのためのアクティブ・インファレンス—工学的視点

Abstract

ロボットやその他の実体を持つシステムのようなPhysical AIエージェントは、資源制約が厳しく変動する環境の下で動作していても、開かれた現実世界の環境において、生物学的エージェントほどには依然として能力が高くありません。本論文は、フリー・エネルギー原理（Free Energy Principle）に基づくアクティブ推論（Active Inference: AIF）が、このギャップを埋めるための原理的な基盤を提供すると主張します。私たちは、この議論を第一原理から展開し、確率論からベイズ機械学習と変分推論を経て、アクティブ推論とリアクティブなメッセージパッシングへと至る一連の流れを追います。FEP（Freen Energy Principle）の観点からは、時間の経過とともに構造と機能の健全性を維持するシステムは、適切な仮定の下で、変分自由エネルギー（VFE）を最小化するものとして記述できます。そしてAIFは、単一の計算目標の中で、知覚・学習・計画・制御を統一することでこれを実装します。さらに、VFE最小化が、因子グラフ上でのリアクティブなメッセージパッシングによって自然に実現されることを示します。ここでは、推論は局所的で並列な計算から立ち上がります。この実現は、ハードな締め切り、非同期データ、変動する電力予算、環境の変化といった物理システムの制約に非常によく適合しています。リアクティブなメッセージパッシングはイベント駆動で、割り込み可能で、局所的に適応できるため、利用可能な資源が減っても性能はなだらかに低下し、モデル構造はオンラインで調整できます。加えて、適切な結合および粗視化（coarse-graining）の条件の下では、結合されたAIFエージェントはより高次のAIFエージェントとして記述でき、スケールをまたいで同じメッセージパッシング原理に基づく均質なアーキテクチャが得られることも示します。私たちの貢献は経験的なベンチマークではなく、工学コミュニティに対する明確な理論的およびアーキテクチャ的な提案です。