[논문 리뷰] Active Inference for Physical AI Agents -- An Engineering Perspective

Bert de Vries|arXiv (Cornell University)|2026. 03. 21.

Embodied and Extended Cognition인용 수 0

한 줄 요약

논문은 자유에너지 원리에 기초한 활성 추론(AIF)이 물리적 AI 에이전트의 지각, 학습, 계획 및 제어를 위한 통합적이고 자원에 적응하는 프레임워크를 제공하며, 팩터 그래프에서의 반응적 메시지 패싱으로 구현된다.

ABSTRACT

Physical AI agents, such as robots and other embodied systems operating under tight and fluctuating resource constraints, remain far less capable than biological agents in open-ended real-world environments. This paper argues that Active Inference (AIF), grounded in the Free Energy Principle, offers a principled foundation for closing that gap. We develop this argument from first principles, following a chain from probability theory through Bayesian machine learning and variational inference to active inference and reactive message passing. From the FEP perspective, systems that maintain their structural and functional integrity over time can, under suitable assumptions, be described as minimizing variational free energy (VFE), and AIF operationalizes this by unifying perception, learning, planning, and control within a single computational objective. We show that VFE minimization is naturally realized by reactive message passing on factor graphs, where inference emerges from local, parallel computations. This realization is well matched to the constraints of physical operation, including hard deadlines, asynchronous data, fluctuating power budgets, and changing environments. Because reactive message passing is event-driven, interruptible, and locally adaptable, performance degrades gracefully under reduced resources while model structure can adjust online. We further show that, under suitable coupling and coarse-graining conditions, coupled AIF agents can be described as higher-level AIF agents, yielding a homogeneous architecture based on the same message-passing primitive across scales. Our contribution is not empirical benchmarking, but a clear theoretical and architectural case for the engineering community.

연구 동기 및 목표

• 물리적 AI 에이전트의 지각, 학습, 계획 및 제어를 결합하는 통일되고 원칙적인 프레임워크를 동기부여한다.
• 변분 자유에너지(VFE) 최소화가 반응적 메시지 패싱으로 계산적으로 구현될 수 있음을 보여준다.
• 자원과 변화하는 환경에 따라 확장 가능한 이벤트 주도형 아키텍처를 제안한다.
• 중첩된 AIF 에이전트가 자원 제약 하에서 응집적으로 작동하고 온라인으로 적응하는 것을 시연한다.

제안 방법

• 확률 이론에서 베이지안 머신러닝과 변분 추론으로의 경로를 도출해 활성 추론에 이르게 한다.
• VFE 최소화가 Forney 스타일 팩터 그래프에서의 반응적 메시지 패싱으로 실현될 수 있음을 설명한다.
• 제한된 변분 추론(CBFE/VI)이 분산 추론 및 제어 프레이크워크를 산출하는 방법을 상세히 설명한다.
• 지속적 반응적 메시지 패싱(RxInfer)을 통한 자원 변동 하에서도의 견고함을 가능하게 하는 기술을 기술한다.

실험 결과

연구 질문

• RQ1 활동적 추론이 물리적 AI 에이전트의 지각, 학습, 계획 및 제어를 위한 통일된 목표를 제공할 수 있는가?
• RQ2 VFE 최소화를 반응적 메시지 패싱을 통해 팩터 그래프상에서 실용적으로 구현할 수 있는가?
• RQ3 변동하는 제약 하에 체현 에이전트에게 이벤트 주도적이고 자원 적응적인 아키텍처의 이점은 무엇인가?
• RQ4 같은 메시지 패싱 원시를 이용해 여러 AIF 에이전트를 상위 수준의 계산적으로 동질적인 시스템으로 결합할 수 있는가?
• RQ5 중첩된 AIF 에이전트가 탐색적이고 강건한 행동을 생성하는 역할은 무엇인가?

주요 결과

• VFE 최소화가 반응적 메시지 패싱으로 실현되어 분산된 병렬 추론을 가능하게 한다.
• 통일된 목표가 지각, 학습, 계획 및 제어를 하나의 계산 프레임워크 안에 통합한다.
• 반응적 메시지 패싱은 하드 데드라인, 비동기 데이터, 가변 전력 예산, 변화하는 환경에 잘 어울린다.
• 결합된 AIF 에이전트는 같은 메시지 패싱 원시를 스케일 간에 적용하여 상위 수준의 AIF 에이전트를 형성할 수 있다.
• 중첩된 AIF 에이전트는 자연스럽게 탐색적 행동과 자원 변동 하에서의 강건한 성능을 야기한다.