Excerto chave--- Um Modelo de Brinquedo: Formação de Monad via PageRank Aqui está um modelo de brinquedo concreto que captura o que eu acho que está realmente acontecendo. Vamos chamar este modelo de brinquedo: Monadologia PageRank*. Comece com um grafo direcionado. Cada nó é um quale primitivo, um elemento básico da experiência. As arestas representam conexões causais/atencionais: se há uma aresta de A para B, então A "influencia" B de alguma forma fenomenologicamente relevante. A cada passo de tempo, três coisas acontecem: Passo 1: Segmentação. O grafo é particionado em agrupamentos discretos. Cada grupo é definido como um "componente fortemente conectado", o que significa que se você começar em qualquer nó do grupo e seguir as arestas direcionadas, você eventualmente retorna ao ponto de partida. Você fica preso no grupo. Estes são os monads. Passo 2: Atualização Holística. Dentro de cada grupo, você executa instantaneamente o PageRank. Cada nó recebe um novo peso com base na estrutura de todo o grupo. Esta não é uma atualização local como em autômatos celulares de janelas de tamanho fixo. Em vez disso, o novo estado de cada nó reflete toda a configuração de seu monad simultaneamente. Pense nisso como o "momento da experiência" para aquele monad: uma harmonização holística que leva em conta tudo dentro da fronteira. Passo 3: Reconfiguração. Com base nos novos pesos e na estrutura pré-existente, o grafo se reconfigura. 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 de balde variáveis, por um lado. Os componentes fortemente conectados podem ter qualquer tamanho, desde nós únicos até enormes clusters. Nada no modelo fixa isso antecipadamente; isso emerge da topologia. E uma regra de atualização holística: dentro de cada monad, o algoritmo PageRank considera toda a estrutura interna simultaneamente. A "experiência" do monad não é construída a partir de interações locais - pelo menos não de forma ingênua - porque é computada como uma função do todo. Isso é esquemático, obviamente. Não estou afirmando que o cérebro executa literalmente o PageRank. Mas captura as características estruturais que eu acho que importam: limites que dividem o sistema em totalidades, e regras de atualização que operam nessas totalidades como unidades em vez de iterar através de suas partes.