Extracto clave--- Un modelo de juguete: Formación de monadas a través de PageRank Aquí hay un modelo de juguete concreto que captura lo que creo que realmente está sucediendo. Llamemos a este modelo de juguete: Monadología de PageRank*. Comienza con un grafo dirigido. Cada nodo es un quale primitivo, un elemento básico de la experiencia. Los bordes representan conexiones causales/atencionales: si hay un borde de A a B, entonces A "influye" en B en algún sentido fenomenológicamente relevante. En cada instante de tiempo, suceden tres cosas: Paso 1: Segmentación. El grafo se partitiona en agrupaciones discretas. Cada grupo se define como un "componente fuertemente conectado", lo que significa que si comienzas en cualquier nodo del grupo y sigues los bordes dirigidos, eventualmente regresas a donde comenzaste. Te quedas atrapado en el grupo. Estas son las monadas. Paso 2: Actualización holística. Dentro de cada grupo, ejecutas instantáneamente PageRank. Cada nodo recibe un nuevo peso basado en la estructura de todo el grupo. Esta no es una actualización local como en autómatas celulares de ventanas de tamaño fijo. Más bien, el nuevo estado de cada nodo refleja toda la configuración de su monada simultáneamente. Piénsalo como el "momento de experiencia" para esa monada: una armonización holística que toma en cuenta todo dentro del límite. Paso 3: Reconfiguración. Basado en los nuevos pesos y la estructura preexistente, el grafo se reconfigura. Se forman nuevos bordes y la topología cambia. Esto crea nuevos componentes fuertemente conectados, y el ciclo se repite. ¿Qué nos da esto? Tamaños de cubo variables, por un lado. Los componentes fuertemente conectados pueden ser de cualquier tamaño, desde nodos individuales hasta grandes clústeres. Nada en el modelo fija esto de antemano; emerge de la topología. Y una regla de actualización holística: dentro de cada monada, el algoritmo de PageRank considera toda la estructura interna simultáneamente. La "experiencia" de la monada no se construye a partir de interacciones locales -al menos no ingenuamente- porque se calcula como una función del todo. Esto es esquemático, obviamente. No estoy afirmando que el cerebro ejecute literalmente PageRank. Pero captura las características estructurales que creo que importan: límites que dividen el sistema en totalidades, y reglas de actualización que operan sobre esas totalidades como unidades en lugar de iterar a través de sus partes.