Este artículo se centra en la aplicación de modelos bayesianos de la ciencia cognitiva a la inteligencia artificial. Específicamente, basándonos en la teoría de codificación predictiva, proponemos un modelo que explica el aprendizaje y el comportamiento mediante inferencia probabilística jerárquica sobre las causas de la información sensorial. Considerando el realismo biológico, utilizamos predicciones ponderadas por precisión y errores de predicción basados en cálculos locales simples. Para superar las limitaciones de las bibliotecas de redes neuronales existentes, presentamos pyhgf , un paquete de Python basado en JAX y Rust. pyhgf encapsula los componentes de la red como variables transparentes, modulares y mutables durante el paso de mensajes, lo que permite la implementación de cálculos de complejidad arbitraria. Además, la adaptación de la estructura de la red permite procesos de inferencia que utilizan principios de autoorganización, aprendizaje estructural, metaaprendizaje e inferencia causal.
