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.