Estratto chiave--- Un Modello Semplificato: Formazione di Monad tramite PageRank Ecco un modello semplificato concreto che cattura ciò che penso stia realmente accadendo. Chiamiamo questo modello semplificato: Monadologia di PageRank*. Iniziamo con un grafo diretto. Ogni nodo è un quale primitivo, un elemento basilare dell'esperienza. Gli archi rappresentano connessioni causali/attenzionali: se c'è un arco da A a B, allora A "influenza" B in un certo senso fenomenologicamente rilevante. Ad ogni passo temporale, accadono tre cose: Passo 1: Segmentazione. Il grafo viene suddiviso in raggruppamenti discreti. Ogni gruppo è definito come un "componente fortemente connesso", il che significa che se inizi da qualsiasi nodo nel gruppo e segui gli archi diretti, alla fine torni al punto di partenza. Rimani intrappolato nel gruppo. Questi sono i monadi. Passo 2: Aggiornamento Olistico. All'interno di ogni gruppo, esegui immediatamente PageRank. Ogni nodo riceve un nuovo peso basato sulla struttura dell'intero gruppo. Questo non è un aggiornamento locale come nei cellular automata a finestre fisse. Piuttosto, il nuovo stato di ogni nodo riflette l'intera configurazione della sua monade simultaneamente. Pensalo come il "momento dell'esperienza" per quella monade: un'armonizzazione olistica che tiene conto di tutto ciò che si trova all'interno del confine. Passo 3: Ricollegamento. Basato sui nuovi pesi e sulla struttura preesistente, il grafo si ricollega. Si formano nuovi archi e la topologia cambia. Questo crea nuovi componenti fortemente connessi, e il ciclo si ripete. Cosa ci dà questo? Dimensioni variabili dei bucket, per cominciare. I componenti fortemente connessi possono essere di qualsiasi dimensione, da nodi singoli a enormi cluster. Nulla nel modello fissa questo in anticipo; emerge dalla topologia. E una regola di aggiornamento olistica: all'interno di ogni monade, l'algoritmo PageRank considera l'intera struttura interna simultaneamente. L'"esperienza" della monade non è costruita da interazioni locali - almeno non in modo naïve - perché è calcolata come una funzione dell'intero. Questo è schematico, ovviamente. Non sto affermando che il cervello esegua letteralmente PageRank. Ma cattura le caratteristiche strutturali che penso siano importanti: confini che suddividono il sistema in interi, e regole di aggiornamento che operano su quegli interi come unità piuttosto che iterare attraverso le loro parti.

È appena uscito un nuovo post nella mia serie sulla coscienza! :D Ecco l'intuizione centrale visualizzata: Ogni regione colorata è un "monade" - un componente fortemente connesso dove l'informazione rimane intrappolata a ciclare internamente. I confini non sono etichettati da un osservatore esterno. Emergono dalla topologia stessa. Ogni ciclo: partizionare in SCC, eseguire PageRank fino alla convergenza all'interno di ogni monade (un aggiornamento olistico in cui il peso di ogni nodo riflette l'intera struttura interna simultaneamente), quindi ricollegare in base a quei pesi. Questo è ciò che penso stia realmente accadendo con il legame fenomenale. A differenza dei tradizionali automi cellulari in cui hai celle fisse con regole locali fisse, qui abbiamo interi di dimensioni variabili con confini intrinseci e comportamento olistico. Un "momento di esperienza" non è assemblato da micro-esperienze (cfr. "polvere mentale"). Il suo ruolo è quello di eseguire un calcolo olistico simile a PageRank su ciascuna regione topologicamente delimitata. Questo è ovviamente un modello semplificato. Ma cattura le caratteristiche strutturali che contano per il legame fenomenale: confini che scolpiscono la realtà in interi, e regole di aggiornamento che operano su quegli interi come unità piuttosto che iterare attraverso le loro parti. Se la realtà funziona in questo modo (e la fisica suggerisce che lo fa, in modi importanti), l'evoluzione avrebbe forti motivi per utilizzare questi interi a fini computazionali. Ecco perché tu, proprio ora.