Active Inference e LLM: la prossima frontiera dell’AI

Karl Friston è uno dei neuroscienziati più citati al mondo, ma il suo nome resta quasi sconosciuto fuori dai laboratori. Eppure la sua teoria, il free energy principle e la sua versione applicativa, l’active inference, sta diventando un riferimento per chi prova a immaginare cosa verrà dopo i Large Language Model. Questo approfondimento collega per la prima volta in italiano quei principi agli LLM, con un taglio pratico: dove i modelli attuali falliscono come agenti e quali idee potrebbero renderli più autonomi e affidabili.

In questo articolo scoprirai:

• Cos'è l'active inference: il free energy principle spiegato semplice
• Come funzionano davvero gli LLM e perché non sono agenti predittivi
• Active inference vs LLM: le differenze chiave nell'inferenza
• Perché gli LLM faticano come agenti autonomi: il problema del world model
• Come l'active inference può migliorare lo sviluppo dell'AI

Cos’è l’active inference: il free energy principle spiegato semplice

Il free energy principle (FEP) formulato da Karl Friston (Nature Reviews Neuroscience, 2010) parte da un’osservazione apparentemente banale: qualsiasi sistema che persiste nel tempo, una cellula, un cervello, un organismo, tende a restare entro un insieme limitato di stati prevedibili. Per farlo, sostiene Friston, deve minimizzare la free energy, una grandezza che possiamo leggere come una misura della sorpresa: lo scarto tra ciò che il sistema si aspetta e ciò che effettivamente percepisce.

Active inference: percezione e azione per ridurre la sorpresa

L’active inference è il modo in cui questo principio diventa comportamento. Un agente riduce la propria incertezza in due modi complementari. Il primo è la percezione: aggiornare le proprie credenze sul mondo alla luce di nuovi dati, esattamente come un cervello bayesiano corregge le proprie previsioni. Il secondo è l’azione: intervenire sul mondo per renderlo più conforme alle aspettative, cercando attivamente le informazioni che mancano.

Expected free energy: valore pragmatico ed epistemico

La chiave è il concetto di expected free energy, che guida la scelta dell’azione futura bilanciando due componenti. Da un lato il valore pragmatico: raggiungere gli obiettivi desiderati. Dall’altro il valore epistemico: ridurre l’incertezza, cioè esplorare per capire meglio. Un agente ad active inference non si limita a inseguire una ricompensa: sceglie azioni che lo rendono progressivamente più sicuro del proprio modello del mondo.

Il testo di riferimento è Active Inference. The Free Energy Principle in Mind, Brain, and Behavior di Thomas Parr, Giovanni Pezzulo e Karl Friston (MIT Press, 2022), che formalizza questa cornice unendo neuroscienze e teoria della decisione. È un quadro nato per spiegare il cervello, ma che oggi viene riletto come possibile progetto per un’intelligenza artificiale diversa.

Come funzionano davvero gli LLM e perché non sono agenti predittivi

Per capire la distanza, conviene ricordare cosa fa davvero un modello linguistico. Come spieghiamo nella introduzione ai Large Language Model, un LLM è addestrato a un compito molto specifico: predire il token successivo in una sequenza, dato il contesto precedente. Da questa capacità apparentemente modesta emergono traduzione, sintesi, ragionamento passo-passo e generazione di codice.

È un risultato straordinario, ma resta inferenza passiva. Il modello non ha un obiettivo proprio, non agisce sul mondo per ridurre la propria incertezza e non aggiorna in modo permanente le proprie credenze durante l’uso: i pesi sono congelati dopo l’addestramento. Quando un LLM “ragiona”, lo fa generando testo plausibile, non interrogando un modello interno del mondo per pianificare. La nostra guida completa agli LLM insiste proprio su questo punto: la fluidità linguistica non implica comprensione causale.

Next-token prediction come inferenza approssimata

Curiosamente, la prospettiva dell’active inference non rinnega questo meccanismo. In Free Energy Principle and Active Inference in Neural Language Models (Raffa e Acciai, CEUR-WS Vol-3923) la next-token prediction viene reinterpretata come una forma di minimizzazione della free energy sugli stati linguistici: il modello riduce la “sorpresa” rispetto alle sequenze viste in addestramento. Friston e colleghi, nel lavoro Designing Ecosystems of Intelligence from First Principles (2022), arrivano a descrivere un LLM come un motore di inferenza approssimata.

La differenza decisiva è che questa minimizzazione avviene solo sul piano delle parole, non su quello dell’azione e della percezione del mondo reale. Un LLM riduce la sorpresa linguistica; non riduce la sorpresa sul mondo. Ed è qui che inizia a comportarsi più come un sofisticato completatore di testo che come un vero agente predittivo.

Active inference vs LLM: le differenze chiave nell’inferenza

La distinzione più profonda è paradigmatica. L’active inference minimizza la sorpresa; il reinforcement learning, il framework più usato per addestrare agenti, massimizza una ricompensa definita dall’esterno. Sono due viste del comportamento che spesso convergono ma partono da assunti opposti.

Il paper Reward Maximisation through Discrete Active Inference (Da Costa et al., arXiv 2009.08111) mostra che, sotto certe condizioni, massimizzare la ricompensa è un caso particolare della minimizzazione dell’expected free energy. La differenza pratica però conta: un agente RL ha bisogno che qualcuno specifichi una funzione di reward, e tende a sfruttare scorciatoie pur di ottenerla. Un agente ad active inference incorpora invece la curiosità nella propria funzione obiettivo, perché ridurre l’incertezza ha un valore epistemico intrinseco.

Applicato agli LLM, questo cambia il modo di pensare alle decisioni. Friston et al. (2022) suggeriscono che l’expected free energy potrebbe guidare la scelta dello strumento da invocare da parte di un agente basato su LLM: non chiamare un tool perché statisticamente probabile, ma perché ridurrà l’incertezza sul compito. È una riformulazione che dialoga bene con l’ecosistema dei tool e protocolli come MCP, dove un agente deve decidere quali fonti interrogare.

In sintesi: un LLM “sceglie” la continuazione più probabile; un agente bayesiano sceglie l’azione che lo rende più informato e più vicino ai propri obiettivi. La prima è una statistica sul linguaggio, la seconda è una teoria della decisione sotto incertezza.

Perché gli LLM faticano come agenti autonomi: il problema del world model

Quando si prova a trasformare un LLM in un agente che opera in autonomia per più passaggi, emergono i limiti noti: accumulo di errori, allucinazioni, incapacità di riconoscere quando non sa qualcosa. La radice comune, secondo molti ricercatori, è l’assenza di un vero world model: un modello interno e coerente di come funziona il mondo, che permetta di simulare conseguenze e pianificare. Approfondiamo il tema nell’articolo sui World Models.

Al World Economic Forum 2024 Yann LeCun e Karl Friston, pur partendo da scuole diverse, hanno concordato su una diagnosi comune: l’AI attuale manca delle componenti tipiche dei sistemi viventi, percezione strutturata, memoria persistente, ragionamento e capacità di generare azioni proprie. Friston ha proposto esplicitamente il free energy principle come alternativa o complemento al solo Deep Learning, non come suo rifiuto.

Il punto debole non è la potenza linguistica, ma la mancanza di riduzione attiva dell’incertezza. Un essere umano che non capisce una situazione fa domande, osserva, sperimenta. Un LLM tende invece a produrre comunque una risposta sicura, perché è stato addestrato a generare testo plausibile, non a quantificare e poi ridurre ciò che non conosce. Senza un world model e senza expected free energy, l’autonomia diventa fragile: il modello non sa quando fermarsi, quando dubitare, quando cercare nuove informazioni. Come ricordiamo parlando del parallelismo tra cervello e AI, è proprio questa gestione dell’incertezza a distinguere un organismo da un correlatore statistico.

Come l’active inference può migliorare lo sviluppo dell’AI

Cosa aggiunge concretamente l’active inference al toolbox di chi sviluppa AI? Tre contributi spiccano nella ricerca recente.

Il primo è l’interpretabilità. In Free Energy Projective Simulation (FEPS, Pazem et al., arXiv 2411.14991) gli autori mostrano agenti i cui stati interni restano leggibili e interpretabili, in netto contrasto con l’opacità dei grandi modelli neurali. Per chi deve rendere conto delle decisioni di un sistema, in sanità, in finanza, nella pubblica amministrazione, è una proprietà preziosa.

Il secondo è la gestione esplicita dell’incertezza. Poiché l’expected free energy distingue tra valore pragmatico ed epistemico, un agente ad active inference “sa” quando le mancano informazioni e può decidere di esplorare invece di inventare. È l’opposto del comportamento allucinatorio.

Il terzo è il model selection: la capacità di espandere automaticamente la struttura del proprio modello, aggiungere nuovi stati o nuovi fattori, quando i dati lo richiedono, sempre guidata dalla minimizzazione dell’expected free energy. È un meccanismo di apprendimento strutturale che i Transformer, con architettura fissa, non possiedono nativamente.

La trattazione tecnica più accessibile resta The Free Energy Principle for Perception and Action: A Deep Learning Perspective (Mazzaglia et al., arXiv 2207.06415), che traduce questi principi nel linguaggio del deep learning, costruendo un ponte concreto tra le due tradizioni invece di contrapporle.

Architetture ibride: integrare active inference e large language model

L’ipotesi più promettente non è sostituire gli LLM, ma combinarli. La ricerca la sintetizza in una formula efficace: agenti che “vedono come una deep net ma pensano come un organismo bayesiano”. L’idea è usare i grandi modelli per ciò in cui eccellono, percezione, linguaggio, rappresentazioni ricche, e affidare a un livello ad active inference la pianificazione, la gestione dell’incertezza e la selezione delle azioni.

In uno schema simile, l’LLM funziona come motore percettivo e generativo, mentre un modulo bayesiano mantiene un world model esplicito, calcola l’expected free energy e decide quali strumenti invocare o quali informazioni cercare. Il lavoro From Artificial Intelligence to Active Inference (Maier, arXiv 2505.10569), che immagina applicazioni fino agli scenari di rete 6G, va in questa direzione: sistemi distribuiti che usano il free energy principle come collante decisionale tra componenti specializzate.

Va detto con chiarezza, evitando l’hype: queste architetture sono prototipi di ricerca, non prodotti maturi. La maggior parte dei risultati riguarda ambienti controllati o problemi di scala ridotta, e l’integrazione con LLM di grandi dimensioni pone problemi computazionali ancora aperti. Non esiste oggi un “agente ad active inference” pronto per la produzione che superi gli approcci consolidati su compiti reali.

Resta però una direzione concettualmente solida. A differenza di molte proposte di moda, l’active inference porta una teoria matematica coerente della decisione sotto incertezza, e non semplicemente un nuovo trucco architetturale. È la ragione per cui ricercatori provenienti da neuroscienze e machine learning continuano a investirvi.

Cosa significa per chi costruisce e adotta agenti AI in azienda

Per un decision-maker, la lezione pratica non è “aspettare l’active inference”, ma capire perché gli agenti LLM attuali falliscono e progettare di conseguenza. Gli insuccessi nei deployment enterprise raramente dipendono dal modello in sé: come argomentiamo nell’analisi sul ROI dell’AI generativa, il problema è spesso la mancanza di un contesto strutturato e di una gestione dell’incertezza.

Tradotto in scelte concrete: oggi conviene compensare l’assenza di world model con strumenti esterni. Sistemi di RAG per ancorare le risposte a fonti verificabili, guardrail che obbligano l’agente a dichiarare l’incertezza, e cicli human-in-the-loop nei punti critici. Sono surrogati ingegneristici di ciò che l’active inference vorrebbe rendere nativo: sapere quando non si sa.

Sul piano strategico, vale la pena monitorare la ricerca su world model e architetture ibride senza inseguire ogni annuncio. Chi adotta agenti AI dovrebbe valutare i fornitori non solo sulla fluidità delle risposte, ma sulla capacità di quantificare la confidenza, citare fonti e fermarsi davanti all’ignoto. Sono proprio le proprietà che l’active inference mette al centro, e che oggi distinguono un assistente affidabile da un generatore di testo convincente. Il prossimo paradigma, se arriverà, premierà i sistemi che sanno dubitare.

Fonti:

• Karl Friston, The free-energy principle: a unified brain theory? — Nature Reviews Neuroscience (2010)
• Parr, Pezzulo, Friston, Active Inference: The Free Energy Principle in Mind, Brain, and Behavior — MIT Press (2022)
• Raffa, Acciai, Free Energy Principle and Active Inference in Neural Language Models — CEUR-WS Vol-3923
• Friston et al., Designing Ecosystems of Intelligence from First Principles — arXiv 2212.01354
• Da Costa et al., Reward Maximisation through Discrete Active Inference — arXiv 2009.08111
• Pazem et al., Free Energy Projective Simulation (FEPS) — arXiv 2411.14991
• Mazzaglia et al., The Free Energy Principle for Perception and Action: A Deep Learning Perspective — arXiv 2207.06415
• Maier, From Artificial Intelligence to Active Inference — arXiv 2505.10569