Wat is Free Energy Principle?

Wat is het Free Energy Principle?

Het Free Energy Principle is een theorie uit de neurobiologie die uitlegt hoe levende systemen — van bacteriën tot menselijke hersenen — in leven blijven. De kerngedachte: elk levend wezen probeert voortdurend verrassing te minimaliseren. Niet in de leuke, verjaardagstaart-betekenis, maar in de wetenschappelijke zin: het verschil tussen wat je verwacht en wat er echt gebeurt.

De theorie komt van neurowetenschapper Karl Friston en stelt dat je brein eigenlijk een voorspellingsmachine is. Het maakt constant verwachtingen over wat je gaat zien, horen, voelen — en als de werkelijkheid afwijkt van die verwachting, kost dat 'energie'. Hoe minder verrassing, hoe stabieler je systeem.

Hoe werkt dat in de praktijk?

Stel je voor: je loopt door je huis in het donker. Je brein voorspelt waar de muur zit, waar de deurpost is. Als je plots iets voelt wat daar niet hoort, schrik je — dat is een grote 'voorspellingsfout'. Je brein moet snel bijsturen: nieuw model maken, nieuwe verwachting opbouwen.

Het Free Energy Principle zegt dat je brein op twee manieren kan reageren:

• Je model aanpassen: "Oh, er staat blijkbaar een doos in de gang, dat wist ik niet."

• Je waarneming beïnvloeden: je beweegt, je kijkt anders, je zoekt bevestiging voor je verwachting.

Dit mechanisme geldt volgens Friston niet alleen voor hersenen, maar voor elk levend systeem: een cel die chemische signalen verwacht, een plant die licht zoekt, een dier dat voedselbronnen voorspelt.

Waarom is dit relevant voor AI?

Het Free Energy Principle heeft invloed gehad op moderne AI-architectuur. De gedachte dat leren = voorspellen en handelen = verrassing verminderen zie je terug in:

• Predictive coding: AI-modellen die niet alleen reageren, maar actief voorspellen wat de volgende invoer zal zijn

• Active inference: AI-systemen die actie ondernemen om hun verwachtingen te verifiëren (zoals robots die om objecten heen bewegen om ze beter te 'begrijpen')

• Self-supervised learning: modellen die leren door te voorspellen wat er ontbreekt in data, zonder expliciete labels

Het is een tegenhanger van de klassieke AI-benadering waarin een systeem enkel reageert op input. In plaats daarvan wordt AI hier gezien als iets dat de wereld actief probeert te modelleren en te begrijpen door voorspellingen te toetsen.

Waar kom je het tegen?

Het Free Energy Principle is vooral invloedrijk in wetenschappelijk AI-onderzoek, met name in:

• Neuromorfische systemen — chips die werken zoals biologische hersenen

• Robotica — robots die leren door interactie en voorspelling, niet alleen door geprogrammeerde regels

• Generatieve modellen — AI die leert door te voorspellen wat er 'zou moeten' komen in tekst, beeld of geluid

Je merkt het niet direct als consument, maar het denkraam beïnvloedt hoe onderzoekers nadenken over intelligentie: niet als data-in-actie-uit, maar als een systeem dat de wereld actief probeert te begrijpen.

Wat kun je ermee?

Als je AI bouwt of begeleidt, helpt het Free Energy Principle je om anders te denken over fouten en leren. Een fout is geen 'bug' — het is informatie. Grote voorspellingsfouten (verrassing) dwingen een systeem om bij te leren. Kleine fouten verfijnen het model.

Voor niet-techneuten: het geeft een krachtig inzicht in hoe moderne AI 'denkt'. Net zoals jouw brein niet passief wacht op informatie maar actief verwachtingen heeft, zo werken steeds meer AI-systemen ook. Dat maakt ze flexibeler, maar ook gevoeliger voor verkeerde aannames — net als bij mensen.