Wichtiger Auszug--- Ein Spielzeugmodell: Monadbildung über PageRank Hier ist ein konkretes Spielzeugmodell, das erfasst, was ich denke, was tatsächlich vor sich geht. Nennen wir dieses Spielzeugmodell: PageRank Monadologie*. Beginnen wir mit einem gerichteten Graphen. Jeder Knoten ist ein primitives Quale, ein grundlegendes Element der Erfahrung. Kanten repräsentieren kausale/aufmerksame Verbindungen: Wenn es eine Kante von A nach B gibt, dann "beeinflusst" A B in einem phänomenologisch relevanten Sinne. In jedem Zeitschritt passieren drei Dinge: Schritt 1: Segmentierung. Der Graph wird in diskrete Gruppen partitioniert. Jede Gruppe wird als "stark zusammenhängende Komponente" definiert, was bedeutet, dass, wenn Sie an einem beliebigen Knoten in der Gruppe beginnen und den gerichteten Kanten folgen, Sie schließlich dorthin zurückkehren, wo Sie angefangen haben. Sie werden in der Gruppe gefangen. Das sind die Monaden. Schritt 2: Ganzheitliches Update. Innerhalb jeder Gruppe führen Sie sofort PageRank aus. Jeder Knoten erhält ein neues Gewicht basierend auf der Struktur der gesamten Gruppe. Dies ist kein lokales Update wie bei zellulären Automaten mit festen Größen und festen Fenstern. Vielmehr spiegelt der neue Zustand jedes Knotens die gesamte Konfiguration seiner Monade gleichzeitig wider. Denken Sie daran als den "Moment der Erfahrung" für diese Monade: eine ganzheitliche Harmonisierung, die alles innerhalb der Grenze berücksichtigt. Schritt 3: Neuverkabelung. Basierend auf den neuen Gewichten und der bestehenden Struktur wird der Graph neu verkabelt. Neue Kanten bilden sich und die Topologie ändert sich. Dies schafft neue stark zusammenhängende Komponenten, und der Zyklus wiederholt sich. Was gibt uns das? Variable Eimergrößen, zum einen. Die stark zusammenhängenden Komponenten können beliebige Größen haben, von einzelnen Knoten bis hin zu riesigen Clustern. Nichts im Modell fixiert dies im Voraus; es entsteht aus der Topologie. Und eine ganzheitliche Aktualisierungsregel: Innerhalb jeder Monade berücksichtigt der PageRank-Algorithmus die gesamte interne Struktur gleichzeitig. Die "Erfahrung" der Monade wird nicht aus lokalen Interaktionen aufgebaut - zumindest nicht naiv - weil sie als Funktion des Ganzen berechnet wird. Das ist offensichtlich schematisch. Ich behaupte nicht, dass das Gehirn PageRank buchstäblich ausführt. Aber es erfasst die strukturellen Merkmale, die ich für wichtig halte: Grenzen, die das System in Ganze unterteilen, und Aktualisierungsregeln, die auf diesen Ganzen als Einheiten operieren, anstatt durch ihre Teile zu iterieren.