本研究提出了一种基于自由能原理和灵活累积风险暴露指标的框架，用于测量智能体及多智能体系统中的风险。与其他理论相比，该框架仅需利益相关者指定偏好，提供透明的风险治理。研究表明，引入把关者能显著提升系统安全性，尤其在低渗透率情况下。

本研究基于自由能原理，提出了一种目标导向的行动规划模型，结合静态感知和动态运动，优化状态估计。通过强化学习，探索自主发现新目标的过程，并在多种环境中验证其有效性。同时，研究探讨了知识表示和状态学习的新理论框架，强调目标灵活性与策略复杂性的平衡，为智能体在低资源环境下的学习提供新视角。

本文探讨了自由能原理与主动推理在机器学习中的应用，特别是在强化学习和示范学习中的结合。研究提出了预期自由能的数学基础，分析了探索与利用的平衡，并介绍了基于主动推理的深度强化学习理论及其在复杂任务中的应用，提供了新的算法和视角。

本文回顾了实证式翻译过程研究的演变，提出自由能原理和主动推理作为新框架，以模拟翻译过程。研究表明，深度语言模型与人脑在语言处理上存在相似性，揭示了二者的联系。通过高时序分辨率的神经活动数据，展示了深度语言模型如何反映人类语言处理的动态性，为未来的翻译研究提供了新视角。

本文探讨了根据自由能原理（FEP）理解自然语言语法的想法，通过降低内部表征的复杂性来匹配感官输入，减少意外性。作者使用柯尔莫哥洛夫复杂性和图灵-乔姆斯基压缩评估语法复杂性，并提出了TCC原则，鼓励生成高效压缩的语法结构。通过Lempel-Ziv算法评估语法结构的复杂性，文章将自然语言的语法结构与FEP联系起来，提出了最小化认知和计算复杂度的原则。