关键摘录--- 一个玩具模型：通过PageRank形成单子 这是一个具体的玩具模型，捕捉了我认为实际上发生的事情。我们称这个玩具模型为：PageRank单子论*。 从一个有向图开始。每个节点是一个原始的质，体验的基本元素。边代表因果/注意连接：如果从A到B有一条边，那么A在某种现象相关的意义上“影响”B。 在每个时间步，发生三件事： 步骤1：分段。图被划分为离散的分组。每个组被定义为“强连通分量”，这意味着如果你从组中的任何节点开始并沿着有向边走，最终会回到你开始的地方。你被困在组内。这些就是单子。 步骤2：整体更新。在每个组内，你立即运行PageRank。每个节点根据整个组的结构获得一个新的权重。这不是像固定大小固定窗口的细胞自动机那样的局部更新。相反，每个节点的新状态同时反映了其单子的整个配置。把它想象成该单子的“体验时刻”：一种整体的协调，考虑到边界内的所有内容。 步骤3：重连。基于新的权重和先前的结构，图重新连接。新的边形成，拓扑发生变化。这创造了新的强连通分量，循环重复。 这给我们带来了什么？可变的桶大小，首先。强连通分量可以是任何大小，从单个节点到巨大的集群。模型中没有任何东西提前固定这一点；它从拓扑中出现。还有一个整体更新规则：在每个单子内，PageRank算法同时考虑整个内部结构。单子的“体验”不是通过局部交互构建的——至少不是天真的——因为它是作为整体的函数计算的。 这显然是示意性的。我并不是说大脑字面上运行PageRank。但它捕捉了我认为重要的结构特征：将系统划分为整体的边界，以及在这些整体上作为单元操作的更新规则，而不是通过其部分进行迭代。