為IIT提供結構，為GWT提供內部邏輯，為預測處理提供區分動態的意識范疇UTD

從分化到認知：UTD 作為遞歸意識的模型

From Differentiation to Cognition:UTD as a Model of Recursive Awareness

摘要
我們提出了“分化普遍理論”（Universal Theory of Differentiation，簡稱UTD）作為建模認知的基礎框架。UTD 將認知行為形式化為一個類別層級 ?n 中的結構化分化。遞歸不動點 Dn+1(δ, δ) = In 表達了穩定性、識別和自指性。我們展示了知覺、記憶、注意力和自我意識如何在該層級結構中作為行為來表示，比較了 UTD 與主要意識理論的關系，并概述了其對人工智能和認知架構的啟示。

8 結論

我們展示了UTD如何與現有模型對齊并重新構建：為IIT [22] 提供結構，為GWT [1, 6] 提供內部邏輯，為預測處理 [8, 5] 提供區分動態。然后我們概述了對認知架構的影響：一個系統不是由符號操作或神經激活構建的，而是由結構化區分行為及其轉換構建的。

從這個角度看，意識的概念不是信息流之上的新興現象，而是分層邏輯空間內區分的遞歸穩定化。“自我”不是一種物質，而是一組連貫區分行為的配置 [28]。

未來的工作將擴展這個框架以實現應用：模擬能夠區分和穩定化其內部類別的代理，并探索這些系統是否能夠表現出傳統上與理解、創造力或自主性相關的行為。

UTD并沒有解釋意識。它重新定位了意識：不是作為一個謎團，而是作為一個結構。不是作為一個節點，而是作為遞歸區分的過程。不是作為一個事物——而是作為區分本身的一致性。

1 引言

現代認知模型——從全局工作空間理論（GWT）[1, 6]、整合信息理論（IIT）[22]，到預測處理[8, 5]和具身主義框架[26]——為意識經驗的架構和動態提供了有價值的見解。然而，這些模型通常共享一個隱含假設：認知的構成要素（信號、表征或過程）已經被給出，而區分它們的行為則被留作未形式化。

這種方法為建立一個關于認知分化的普遍理論開辟了道路，該理論不僅適用于人類的推理，也適用于人工系統、概念設計以及關于意識的哲學論述。

2 通用分化理論（UTD）概覽

通用分化理論（UTD）是一個基礎性框架，其中所有的結構都源于區分的行為。UTD 并不預設對象、過程或表征的存在，而是從這樣一個概念出發：存在即是被區分 。每一次分化行為都被形式化為一個遞歸范疇層級中的態射。

3 從感知到分化

我們首先將感知經驗解釋為一種結構化的區分行為。在 UTD [20] 中，結構的基本單位是一階分化 ：

3.1 計算區分行為

4 作為遞歸不動點的認知穩定性

認知不僅僅是對外部刺激的加工；它還涉及在時間上對內部一致模式的構建與維持。在 UTD 中，這種一致性正式對應于穩定性 的概念，其被定義為一個遞歸不動點條件：

拉回作為共激活

進一步的細化來自于對特征態射的拉回 （pullback）的考慮：

5 作為高階分化的自我意識

自我意識的出現對許多認知模型來說都是一個挑戰：一個系統如何不僅能加工刺激，還能反思自身的加工過程？在 UTD 框架 [20] 中，自我意識自然地作為高階分化 的結果而出現。

在這種情況下，系統通過遞歸審視識別 δ 在內部是一致的——它不僅執行一個行為，還能識別該行為本身是一個行為。這是自我意識的最低條件 [9]。

反思的階梯

單一的不動點不足以解釋內省認知的豐富性。相反，在 UTD 中，自我意識由一個遞增的不動點鏈 來建模：

這種能力體現了系統能夠區分自身的區分行為，追蹤它們在不同層級上的表現，并在此基礎上建立穩定的認知身份。

這與關于自我性的發生性與現象學模型相呼應 [28]，在這些模型中，最小自我 （作為前反思的具身存在）先于敘述性或元認知的自我。

遞歸自我分化的例子

在所有這些案例中，所浮現的不是一個抽象的“自我”，而是跨越不同區分層級的一種穩定性模式 。因此，UTD 避免了將自我實體化，而是將其視為在 ?? 層級結構中動態維持的一種構型。

6 與現有模型的比較

《通用分化理論》（UTD）[20] 為認知提供了一種結構性與遞歸性的基礎，與當代認知科學中一些主流模型形成對比，同時也對其形成了補充。在本節中，我們將探討 UTD 與三種主要理論框架的契合與差異：整合信息理論 （IIT）[22]、全局工作空間理論 （GWT）[1, 6] 和預測處理 （PP）[8, 5]。

整合信息理論 （IIT）

IIT 認為意識對應于系統內部整合信息量 Φ 的大小 [22]。雖然這一度量是通過因果結構進行數學形式化的，但它并未直接解釋區分是如何產生并維持的。

UTD 通過關注分化的遞歸結構 來填補這一空白，而非僅僅關注“整合”本身。正是這種分化結構使得整合具有意義。

從這個意義上講，PP 與 UTD 是互補的：PP 模擬了預期的動態過程，而 UTD 提供了一個結構性框架，其中這些預期被編碼為遞歸分化的具體行為。

小結

UTD 通過其遞歸結構和不動點穩定性，為認知提供了一個統一的、形式化的基礎，能夠與 IIT、GWT 和 PP 等主流模型建立聯系，同時也在多個方面對其進行了補充與拓展。

摘要

當 IIT 進行度量、GWT 進行組織、PP 進行預測時，UTD 則進行結構化 。UTD 聚焦于認知行為的內部邏輯——通過范疇、態射和不動點——從而對感知、記憶、注意和自我指涉提供了一種統一的解釋。UTD 并不與現有模型競爭，而是為它們的機制提供了一個形式上一致的本體論基礎。

7 對認知架構的啟示

在 UTD [20] 中，認知的遞歸與范疇化表述為一類新型認知架構的構建開辟了道路。不同于傳統圍繞模塊、緩存器或神經圖譜構建的模型，UTD 架構的核心是結構化分化行為 及其之間的態射關系 。

分化層級的層級結構

這種遞歸分層取代了傳統上“低級”與“高級”認知之間的割裂。所有層級在結構上都由 Dn 統一，并共享相同的穩定性邏輯與態射保持機制。

作為函子的認知操作

諸如注意、推理或回憶等認知操作，可以被建模為 ?? 的子范疇之間的函子映射 。例如，一個聚焦注意過程可以表示為一個子函子 F:C→Δn，其中 C是一組選定的穩定分化行為。推理則可以被建模為一種保持態射的變換過程，它在不同領域之間建立共穩定性。

由于 ?? 中的所有對象本身都是結構化的認知行為，因此這些操作始終是內在的 ：不存在數據與控制之間的分離——只有遞歸結構。

作為結構性穩定性的記憶

UTD 并不將記憶建模為數值的存儲，而是將其視為不動點在不同層級間的持續存在 ：

這種不動點可以通過去穩定性機制被動態更新、重新評估或遺忘。這使得我們可以將工作記憶 建模為暫時穩定化的分化行為 ，而將長時記憶 建模為持續存在的范疇不動點 [19]。

神經生物學相關性

為了將 UTD 與生物認知聯系起來，我們將其范疇結構映射到神經機制上，將層級結構 ??、分化行為 D? 以及穩定性條件與大腦過程聯系起來。大腦的層級組織和遞歸動態為 UTD 的框架提供了自然的物質基礎。

人工智能應用

UTD的遞歸和范疇框架為設計模仿感知、記憶和自我意識等認知過程的AI系統提供了一種新方法[20]。與傳統的AI架構（如卷積神經網絡（CNNs）[15]或變壓器[27]）不同，這些架構依賴于固定層或注意力機制，基于UTD的AI將在結構化區分行為上運行，動態構建區分的層次結構。

這種方法與傳統的CNNs形成對比，后者通過固定卷積提取特征[15]，以及依賴于注意力來加權輸入標記的變壓器[27]。UTD的優勢在于其能夠自適應地構建區分，而無需預定義的架構，可能使AI系統更加靈活和通用。

UTD基礎識別的偽代碼

走向人工區分器

8 結論

我們展示了UTD如何與現有模型對齊并重新構建：為IIT [22] 提供結構，為GWT [1, 6] 提供內部邏輯，為預測處理 [8, 5] 提供區分動態。然后我們概述了對認知架構的影響：一個系統不是由符號操作或神經激活構建的，而是由結構化區分行為及其轉換構建的。

從這個角度看，意識的概念不是信息流之上的新興現象，而是分層邏輯空間內區分的遞歸穩定化。“自我”不是一種物質，而是一組連貫區分行為的配置 [28]。

未來的工作將擴展這個框架以實現應用：模擬能夠區分和穩定化其內部類別的代理，并探索這些系統是否能夠表現出傳統上與理解、創造力或自主性相關的行為。

UTD并沒有解釋意識。它重新定位了意識：不是作為一個謎團，而是作為一個結構。不是作為一個節點，而是作為遞歸區分的過程。不是作為一個事物——而是作為區分本身的一致性。

https://philpapers.org/rec/SPIFDT-2