纯粹的意识、熵以及感知的基础

《Neurocomputing》:Pure awareness, entropy, and the foundation of perception

【字体: 大 中 小 】 时间:2026年04月06日 来源:Neurocomputing 6.5

编辑推荐:

  意识计算模型与最小现象体验的生成机制研究,提出基于贝叶斯和主动推理的框架解释MPEs的神经基础。当精度分配向层级底端偏移时,系统熵增导致表征内容极简,但通过认知深度实现自我模型递归共享,形成意识存在的闭环。计算机仿真验证了精度分布与神经熵变的关系,为意识研究提供跨学科方法论。

  
乔纳斯·马戈(Jonas Mago)| 莎米尔·钱达里亚(Shamil Chandaria)| 马克·米勒(Mark Miller)| 鲁本·E·劳科宁(Ruben E Laukkonen)
加拿大蒙特利尔麦吉尔大学神经科学综合项目

摘要

“最小现象体验”(Minimal Phenomenal Experiences, MPEs)代表了被简化到最基本要素的意识状态,这为意识建模带来了独特的挑战和机遇。本文提出了一种基于贝叶斯和主动推理的新计算框架来模拟MPEs。我们认为,当精确度权重主要转移到层次化推理系统的较低层次时,就会产生MPEs,这种感知状态的特点是熵增加而表征(概念)内容减少。关键在于,通过“认知深度”(epistemic depth)——即有机体与其自身现实模型的反思性共享——可以维持对这种简化状态的认识。因此,尽管意识的内容极其简单,但对这种“空洞体验场”的反思性认知仍然存在。我们还进行了计算机模拟,以测试精确度分布与熵之间的关系,展示了该模型如何生成合成脑电图(EEG)数据来实证验证这一理论框架。通过计算神经现象学方法加深对纯粹意识的理解,我们为未来研究各种意识改变状态背后的机制奠定了基础,从而更全面地理解了意识体验的整个谱系。

引言

“最小现象体验”(MPEs)是最简化的意识状态,其中通常丰富的感官、认知和情感内容被剥离,只剩下纯粹的意识。梅茨inger [53] 将MPEs描述为一种纯粹的意识或纯粹的意识状态,通常出现在深度冥想或无梦睡眠中。这种状态的特点是缺乏复杂的心理内容,如思想、感官知觉、时间和自我参照意识。相反,它是一种将意识本身作为意识来体验的状态,几乎没有任何(即最小的)或完全没有内容。因此,MPE被认为是意识体验的最简单形式,缺乏典型的特征,如空间自我定位、时间性和作为主体的体验。事实上,梅茨inger进一步指出,这种纯粹的意识状态可以不依赖于第一人称视角,这挑战了意识本质上是主观的观点(参见 [4]、[10]、[55]、[66]、[75])。在MPE中,意识是最低程度的概念化,呈现出一种不同于典型自我意识体验的自我认知形式 ([53] 参见 [65])。
本文基于“美丽循环理论”[44],探讨了一阶处理层次结构中通过熵和精确度分配进行解构的关键机制,揭示了如何实现这种最小状态。这些新概念将在后续部分详细介绍。
值得考虑的是,这一过程如何融入更复杂的进程之中,这些进程共同促成了通过冥想产生MPEs。最初,(1)精确度权重主要转移到层次系统的较低层次(例如,通过关注感官处理),从而减少了来自抽象处理层(例如思想)的影响 [45]。接下来,(2)从所有意识内容中撤回精确度(即放松或解构),包括上一步的较低层次(例如,通过开放性存在或非二元冥想,参见Lutz)。重要的是,如果系统之前已经降低了抽象程度,那么撤回精确度的过程似乎会更容易进行。然后,(3)这种撤回的精确度创造了识别始终存在的意识的条件,因为此时体验场不再被精确的感知内容所占据。
劳科宁等人 [44] 提出了“认知深度”(epistemic depth)的概念,用来描述意识对自己有所意识的过程。认知深度指的是感知过程本身被感知的机制(通过“超模型化”[hyper-modeling] 形式实现)。剩余的感知内容越简单,这种自我反思的能力就越明显,因为计算资源不会被“消耗”在感知推理上(参见 [63])。他们认为,MPEs可以理解为精确度权重变化(例如由于冥想)导致无法形成连贯后验的状态,从而导致缺乏内容的感知状态 [45]。关键的是,这种内容的缺失是通过“认知深度”清晰“知晓”的,即系统世界模型的递归共享(在下一节中将详细说明)。
我们提出,这种低层次深度和高认知深度的状态——即一个反映自身的空洞感知(现实模型)是MPEs的机制。这一论点具有有趣的后果,例如(5)一旦发现了这种意识(比如注意到冰箱一直存在的背景噪音),即使存在丰富的内容,也有可能具有高认知深度。这开辟了几种可能性。首先,它可能在认知或情绪波动中支持一种现象学稳定性,因为系统保持了对自己建模过程的意识 [45]、[46]、[53]。其次,它可以提供元认知洞察的基础,使人们不仅意识到所经历的事物,还意识到这些事物是如何构建的。这种能力在沉思传统中被视为洞察冥想的标志 [48],在认知神经科学中被视为改善注意力和情绪调节的前兆 [72]。最后,这种递归的把握可能提供了一个独特的机会,从内部探索意识体验的生成基础——在第一人称洞察和感知的计算模型之间架起了一座桥梁。
本文的目的是提出一个计算模型,进一步阐明最初步骤,即抽象层次的降低。我们采用的方法基于新兴的计算神经现象学领域,该领域使用形式模型来共同描述意识状态的神经生理学和现象学 [16]、[47]、[61]、[62]。这项研究计划的目标是将计算过程的结构映射到生活经验和神经生物学的结构上。
本文提出的核心假设是,当精确度权重主要向推理层次的最低层次转移时,MPEs就会出现。在这种情况下,高水平的感官(自下而上)精确度与较低层次的先验(自上而下)精确度相结合,削弱了时间上深刻的抽象期望的约束作用。结果,感知推理变得更加流动且不稳定:感知内容不再由持久的高层次先验持续塑造,而是由时刻的感官输入主导后验信念的形成。这使得感知内容更容易快速变化,导致潜在神经动态中的信号多样性增加——这正是时间序列测量中熵升高的表现。
如果这种精确度不平衡进一步加剧——接近高水平先验几乎不产生影响的程度——系统将完全失去稳定连贯感知的能力。在没有自上而下预测的锚定功能的情况下,传入的感官数据缺乏整合和被识别为有意义内容所需的推理框架。这导致了一种感知模式,在这种模式下,没有任何数据点能够持续足够长的时间以形成持久的体验。在这种状态下,感知可能变得如此短暂和不受约束,以至于意识领域可能瞬间崩溃为一种无内容的意识状态。这提供了一个基于计算的解释,说明如何通过层次精确度的动态变化产生MPEs——其特征是最低的表征内容和最高的认知深度。
值得注意的是,现象学解构与神经熵增加之间的相关性不太可能是巧合。相反,它反映了自上而下约束的放松与更加多样、更不可预测的神经动态出现之间的更深层次结构关系。这种关联已在迷幻状态 [8]、[9]、[35]、深度冥想 [2]、[17] 以及其他内容最小化条件下的实证研究中得到记录。这种模式在多种方法和改变状态中的重复出现为当前模型提供了灵感,该模型从层次精确度和神经推理的熵结果的角度形式化了这种联系。
在本文中,我们使用“熵”(entropy)一词来指代神经或模拟时间序列的动态信号熵(例如,谱熵、排列熵、样本熵)。这不应与意识内容的现象学丰富性或结构复杂性混淆。在当前框架中,“最小现象体验”(MPE)涉及“减少的表征内容”,同时表现出增加的“动态熵”在潜在的推理过程中。前者指的是现象内容的简单性或最小化;后者指的是在放松的自上而下约束下神经动态的增加的变异性和宽带性。

部分摘录

理论背景

感知可以被视为一个贝叶斯过程,大脑不断将先验知识与传入的感官数据整合起来以理解世界 [42]。在这个框架中,感知不是对感官信息的直接或被动接收,而是一个主动的推理过程 [23]。贝叶斯感知模型解决了推断我们接收到的感官数据最可能的外部原因的挑战 [38]、[41]。
贝叶斯定理在“自由能原理”(Free Energy Principle)中得到了进一步的形式化

MPE模型

在本节中,我们介绍了贝叶斯定理、自由能原理(Free Energy Principle)和主动推理(Active Inference)背后的基本数学形式主义。然后,我们基于这种形式主义来解释跨多个推理层次的现象抽象,使用贝叶斯绑定(Bayesian binding)[44]。在最后一节中,我们将讨论贝叶斯绑定对MPEs出现的重要性。
我们首先介绍贝叶斯推理的基础概念,即一个代理试图推断隐藏的原因

理由

为了验证我们的核心假设——即在层次系统中向下转移推理精确度会增加信号熵——我们实现了一个最小化的计算机模拟预测编码金字塔。这种三层架构近似于跨层次时间尺度的嵌套推理,其中精确度加权的感官输入和时间上深刻的先验组合塑造了每一层的后验活动。这种合成设置允许直接和独立地操纵数据精确度

理论意义

在本文中,我们提出了一个计算模型,将层次推理层次中的精确度权重与纯粹意识的现象学联系起来。我们提供了一种新的解释,说明这些最小意识状态是如何产生的。具体来说,该模型表明,当通过将精确度转移到推理层次的较低层次来减少感知的层次深度时,就会产生MPEs,从而导致高熵状态,最终缺乏感知内容

结论

本文提出了一个计算模型,探讨了层次推理框架中的精确度权重与MPEs现象学之间的关系。通过整合主动推理和贝叶斯模型的原理,我们提出MPEs的特点是精确度显著重新分配到推理层次的较低层次(即低层次深度),同时认知深度增加。

伦理声明

本研究考虑了与人类参与者和使用复杂计算模型相关的伦理问题。部分工作依赖于对高级冥想者的实证研究,他们的福祉得到了保障,确保所有研究的参与都是自愿的,并且根据其他研究小组的研究出版物,没有要求调解者参与超出他们现有专业知识和舒适度的实践。
本文中使用的计算模型

CRediT作者贡献声明

乔纳斯·马戈(Jonas Mago):撰写——审阅与编辑,撰写——初稿,概念化。莎米尔·钱达里亚(Shamil Chandaria):撰写——审阅与编辑,概念化。马克·米勒(Mark Miller):撰写——审阅与编辑。鲁本·E·劳科宁(Ruben E Laukkonen):撰写——审阅与编辑,概念化。

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。
乔纳斯·马戈(Jonas Mago)是麦吉尔大学神经科学综合项目的博士候选人。他的研究重点是计算神经现象学、预测处理以及沉思状态的神经动态。他开发了正式的主动推理模型,以研究层次精确度、熵和意识体验之间的关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号