Trích dẫn chính--- Mô Hình Đồ Chơi: Hình Thành Monad thông qua PageRank Đây là một mô hình đồ chơi cụ thể mà tôi nghĩ là đang diễn ra. Hãy gọi mô hình đồ chơi này là: Monadology PageRank*. Bắt đầu với một đồ thị có hướng. Mỗi nút là một phẩm chất nguyên thủy, một yếu tố cơ bản của trải nghiệm. Các cạnh đại diện cho các kết nối nguyên nhân/sự chú ý: nếu có một cạnh từ A đến B, thì A "ảnh hưởng" đến B theo một nghĩa nào đó có liên quan đến hiện tượng. Tại mỗi thời điểm, ba điều xảy ra: Bước 1: Phân đoạn. Đồ thị được phân chia thành các nhóm riêng biệt. Mỗi nhóm được định nghĩa là một "thành phần kết nối mạnh", có nghĩa là nếu bạn bắt đầu từ bất kỳ nút nào trong nhóm và theo các cạnh có hướng, bạn cuối cùng sẽ quay trở lại nơi bạn bắt đầu. Bạn bị mắc kẹt trong nhóm. Đây là các monad. Bước 2: Cập nhật toàn diện. Trong mỗi nhóm, bạn ngay lập tức chạy PageRank. Mỗi nút nhận được một trọng số mới dựa trên cấu trúc của toàn bộ nhóm. Đây không phải là một cập nhật cục bộ như trong tự động hóa tế bào có kích thước cố định-cửa sổ cố định. Thay vào đó, trạng thái mới của mỗi nút phản ánh toàn bộ cấu hình của monad của nó đồng thời. Hãy nghĩ về nó như là "khoảnh khắc trải nghiệm" cho monad đó: một sự hài hòa toàn diện mà tính đến mọi thứ bên trong ranh giới. Bước 3: Tái kết nối. Dựa trên các trọng số mới và cấu trúc đã tồn tại, đồ thị được tái kết nối. Các cạnh mới hình thành và hình thái thay đổi. Điều này tạo ra các thành phần kết nối mạnh mới, và chu trình lặp lại. Điều này mang lại cho chúng ta điều gì? Kích thước thùng biến đổi, cho một điều. Các thành phần kết nối mạnh có thể có bất kỳ kích thước nào, từ các nút đơn lẻ đến các cụm lớn. Không có gì trong mô hình này cố định điều này trước; nó xuất hiện từ hình thái. Và một quy tắc cập nhật toàn diện: trong mỗi monad, thuật toán PageRank xem xét toàn bộ cấu trúc nội bộ đồng thời. "Trải nghiệm" của monad không được xây dựng từ các tương tác cục bộ - ít nhất là không một cách ngây thơ - vì nó được tính toán như một hàm của toàn bộ. Điều này là sơ đồ, rõ ràng. Tôi không khẳng định rằng não bộ thực sự chạy PageRank. Nhưng nó nắm bắt các đặc điểm cấu trúc mà tôi nghĩ là quan trọng: các ranh giới cắt hệ thống thành các toàn thể, và các quy tắc cập nhật hoạt động trên những toàn thể đó như các đơn vị thay vì lặp qua các phần của chúng.