Kluczowy fragment--- Model zabawkowy: Formacja monad za pomocą PageRank Oto konkretny model zabawkowy, który uchwyca to, co moim zdaniem naprawdę się dzieje. Nazwijmy ten model zabawkowy: Monadologia PageRank*. Zacznij od skierowanego grafu. Każdy węzeł to prymitywna quale, podstawowy element doświadczenia. Krawędzie reprezentują połączenia przyczynowe/uwagowe: jeśli istnieje krawędź od A do B, to A „wpływa” na B w pewnym fenomenologicznie istotnym sensie. W każdym kroku czasowym dzieje się trzy rzeczy: Krok 1: Segmentacja. Graf jest dzielony na dyskretne grupy. Każda grupa jest definiowana jako „silnie połączony komponent”, co oznacza, że jeśli zaczniesz od dowolnego węzła w grupie i podążysz za skierowanymi krawędziami, ostatecznie wrócisz do miejsca, w którym zacząłeś. Utkniesz w grupie. To są monady. Krok 2: Holistyczna aktualizacja. W każdej grupie natychmiast uruchamiasz PageRank. Każdy węzeł otrzymuje nową wagę na podstawie struktury całej grupy. To nie jest lokalna aktualizacja, jak w komórkowych automatach o stałych rozmiarach i oknach. Raczej nowy stan każdego węzła odzwierciedla całą konfigurację jego monady jednocześnie. Pomyśl o tym jako o „momencie doświadczenia” dla tej monady: holistyczna harmonizacja, która uwzględnia wszystko wewnątrz granicy. Krok 3: Przełączanie. Na podstawie nowych wag i istniejącej struktury grafu, graf jest przełączany. Powstają nowe krawędzie, a topologia się zmienia. To tworzy nowe silnie połączone komponenty, a cykl się powtarza. Co nam to daje? Zmienną wielkość kubełków, na przykład. Silnie połączone komponenty mogą mieć dowolny rozmiar, od pojedynczych węzłów po ogromne klastry. Nic w modelu nie ustala tego z góry; wyłania się to z topologii. I zasada holistycznej aktualizacji: w każdej monadzie algorytm PageRank uwzględnia całą wewnętrzną strukturę jednocześnie. „Doświadczenie” monady nie jest budowane z lokalnych interakcji - przynajmniej nie naiwnie - ponieważ jest obliczane jako funkcja całości.