Trecho importante--- Um Modelo de Brinquedo: Formação de Mônadas via PageRank Aqui está um modelo de brinquedo concreto que captura o que eu acho que está realmente acontecendo. Vamos chamar esse modelo de brinquedo de: PageRank Monadology*. Comece com um grafo direcionado. Cada nó é uma quale primitiva, um elemento básico da experiência. Arestas representam conexões causais/atencionais: se há uma aresta de A para B, então A "influencia" B em algum sentido fenomenologicamente relevante. Em cada passo temporal, três coisas acontecem: Passo 1: Segmentação. O grafo é dividido em agrupamentos discretos. Cada grupo é definido como um "componente fortemente conectado", ou seja, se você começar em qualquer nó do grupo e seguir as arestas direcionadas, eventualmente retorna ao ponto de partida. Você fica preso no grupo. Essas são as mônadas. Passo 2: Atualização Holística. Dentro de cada grupo, você executa instantaneamente o PageRank. Cada nó recebe um novo peso baseado na estrutura de todo o grupo. Isso não é uma atualização local como nos autômatos móveis fixos do Windows com tamanho fixo. Em vez disso, o novo estado de cada nó reflete simultaneamente toda a configuração de sua mônada. Pense nisso como o "momento da experiência" para aquela mônada: uma harmonização holística que leva em conta tudo dentro do limite. Passo 3: Refazer a fiação. Com base nos novos pesos e na estrutura pré-existente, o gráfico é reconfigurado. Novas arestas se formam e a topologia muda. Isso cria novos componentes fortemente conectados, e o ciclo se repete. O que isso nos dá? Tamanhos variáveis de baldes, por exemplo. Os componentes fortemente conectados podem ter qualquer tamanho, desde nós únicos até grandes clusters. Nada no modelo corrige isso antecipadamente; ela emerge da topologia. E uma regra holística de atualização: dentro de cada mônada, o algoritmo PageRank considera toda a estrutura interna simultaneamente. A "experiência" da mônada não é construída a partir de interações locais – pelo menos não de forma ingênua – porque é calculada como uma função do todo. Isso é esquemática, obviamente. Não estou dizendo que o cérebro literalmente comanda o PageRank. Mas ele captura as características estruturais que acho que importam: limites que dividem o sistema em todos, e atualizam regras que operam nesses todos, como unidades, em vez de iterar através de suas partes.