UTD:建模认知的基础框架

从分化到认知：UTD 作为递归意识的模型

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

摘要 我们提出了“分化普遍理论”（Universal Theory of Differentiation，简称UTD）作为建模认知的基础框架。UTD 将认知行为形式化为一个类别层级 ∆n 中的结构化分化。递归不动点 Dn+1(δ, δ) = In 表达了稳定性、识别和自指性。我们展示了知觉、记忆、注意力和自我意识如何在该层级结构中作为行为来表示，比较了 UTD 与主要意识理论的关系，并概述了其对人工智能和认知架构的启示。

8 结论

我们展示了UTD如何与现有模型对齐并重新构建：为IIT [22] 提供结构，为GWT [1, 6] 提供内部逻辑，为预测处理 [8, 5] 提供区分动态。然后我们概述了对认知架构的影响：一个系统不是由符号操作或神经激活构建的，而是由结构化区分行为及其转换构建的。

从这个角度看，意识的概念不是信息流之上的新兴现象，而是分层逻辑空间内区分的递归稳定化。“自我”不是一种物质，而是一组连贯区分行为的配置 [28]。

未来的工作将扩展这个框架以实现应用：模拟能够区分和稳定化其内部类别的代理，并探索这些系统是否能够表现出传统上与理解、创造力或自主性相关的行为。

UTD并没有解释意识。它重新定位了意识：不是作为一个谜团，而是作为一个结构。不是作为一个节点，而是作为递归区分的过程。不是作为一个事物——而是作为区分本身的一致性。

1 引言

现代认知模型——从全局工作空间理论（GWT）[1, 6]、整合信息理论（IIT）[22]，到预测处理[8, 5]和具身主义框架[26]——为意识经验的架构和动态提供了有价值的见解。然而，这些模型通常共享一个隐含假设：认知的构成要素（信号、表征或过程）已经被给出，而区分它们的行为则被留作未形式化。

这种方法为建立一个关于认知分化的普遍理论开辟了道路，该理论不仅适用于人类的推理，也适用于人工系统、概念设计以及关于意识的哲学论述。

2 通用分化理论（UTD）概览

通用分化理论（UTD）是一个基础性框架，其中所有的结构都源于区分的行为。UTD 并不预设对象、过程或表征的存在，而是从这样一个概念出发：存在即是被区分 。每一次分化行为都被形式化为一个递归范畴层级中的态射。

3 从感知到分化

我们首先将感知经验解释为一种结构化的区分行为。在 UTD [20] 中，结构的基本单位是一阶分化 ：

3.1 计算区分行为

4 作为递归不动点的认知稳定性

认知不仅仅是对外部刺激的加工；它还涉及在时间上对内部一致模式的构建与维持。在 UTD 中，这种一致性正式对应于稳定性 的概念，其被定义为一个递归不动点条件：

拉回作为共激活

进一步的细化来自于对特征态射的拉回 （pullback）的考虑：

5 作为高阶分化的自我意识

自我意识的出现对许多认知模型来说都是一个挑战：一个系统如何不仅能加工刺激，还能反思自身的加工过程？在 UTD 框架 [20] 中，自我意识自然地作为高阶分化 的结果而出现。

在这种情况下，系统通过递归审视识别 δ 在内部是一致的——它不仅执行一个行为，还能识别该行为本身是一个行为。这是自我意识的最低条件 [9]。

反思的阶梯

单一的不动点不足以解释内省认知的丰富性。相反，在 UTD 中，自我意识由一个递增的不动点链 来建模：

这种能力体现了系统能够区分自身的区分行为，追踪它们在不同层级上的表现，并在此基础上建立稳定的认知身份。

这与关于自我性的发生性与现象学模型相呼应 [28]，在这些模型中，最小自我 （作为前反思的具身存在）先于叙述性或元认知的自我。

递归自我分化的例子

在所有这些案例中，所浮现的不是一个抽象的“自我”，而是跨越不同区分层级的一种稳定性模式 。因此，UTD 避免了将自我实体化，而是将其视为在 ∆ₙ 层级结构中动态维持的一种构型。

6 与现有模型的比较

《通用分化理论》（UTD）[20] 为认知提供了一种结构性与递归性的基础，与当代认知科学中一些主流模型形成对比，同时也对其形成了补充。在本节中，我们将探讨 UTD 与三种主要理论框架的契合与差异：整合信息理论 （IIT）[22]、全局工作空间理论 （GWT）[1, 6] 和预测处理 （PP）[8, 5]。

整合信息理论 （IIT）

IIT 认为意识对应于系统内部整合信息量 Φ 的大小 [22]。虽然这一度量是通过因果结构进行数学形式化的，但它并未直接解释区分是如何产生并维持的。

UTD 通过关注分化的递归结构 来填补这一空白，而非仅仅关注“整合”本身。正是这种分化结构使得整合具有意义。

从这个意义上讲，PP 与 UTD 是互补的：PP 模拟了预期的动态过程，而 UTD 提供了一个结构性框架，其中这些预期被编码为递归分化的具体行为。

小结

UTD 通过其递归结构和不动点稳定性，为认知提供了一个统一的、形式化的基础，能够与 IIT、GWT 和 PP 等主流模型建立联系，同时也在多个方面对其进行了补充与拓展。

摘要

当 IIT 进行度量、GWT 进行组织、PP 进行预测时，UTD 则进行结构化 。UTD 聚焦于认知行为的内部逻辑——通过范畴、态射和不动点——从而对感知、记忆、注意和自我指涉提供了一种统一的解释。UTD 并不与现有模型竞争，而是为它们的机制提供了一个形式上一致的本体论基础。

7 对认知架构的启示

在 UTD [20] 中，认知的递归与范畴化表述为一类新型认知架构的构建开辟了道路。不同于传统围绕模块、缓存器或神经图谱构建的模型，UTD 架构的核心是结构化分化行为 及其之间的态射关系 。

分化层级的层级结构

这种递归分层取代了传统上“低级”与“高级”认知之间的割裂。所有层级在结构上都由 Dn统一，并共享相同的稳定性逻辑与态射保持机制。

作为函子的认知操作

诸如注意、推理或回忆等认知操作，可以被建模为 ∆ₙ 的子范畴之间的函子映射 。例如，一个聚焦注意过程可以表示为一个子函子 F:C→Δn，其中 C是一组选定的稳定分化行为。推理则可以被建模为一种保持态射的变换过程，它在不同领域之间建立共稳定性。

由于 ∆ₙ 中的所有对象本身都是结构化的认知行为，因此这些操作始终是内在的 ：不存在数据与控制之间的分离——只有递归结构。

作为结构性稳定性的记忆

UTD 并不将记忆建模为数值的存储，而是将其视为不动点在不同层级间的持续存在 ：

这种不动点可以通过去稳定性机制被动态更新、重新评估或遗忘。这使得我们可以将工作记忆 建模为暂时稳定化的分化行为 ，而将长时记忆 建模为持续存在的范畴不动点 [19]。

神经生物学相关性

为了将 UTD 与生物认知联系起来，我们将其范畴结构映射到神经机制上，将层级结构 ∆ₙ、分化行为 Dₙ 以及稳定性条件与大脑过程联系起来。大脑的层级组织和递归动态为 UTD 的框架提供了自然的物质基础。

人工智能应用

UTD的递归和范畴框架为设计模仿感知、记忆和自我意识等认知过程的AI系统提供了一种新方法[20]。与传统的AI架构（如卷积神经网络（CNNs）[15]或变压器[27]）不同，这些架构依赖于固定层或注意力机制，基于UTD的AI将在结构化区分行为上运行，动态构建区分的层次结构。

这种方法与传统的CNNs形成对比，后者通过固定卷积提取特征[15]，以及依赖于注意力来加权输入标记的变压器[27]。UTD的优势在于其能够自适应地构建区分，而无需预定义的架构，可能使AI系统更加灵活和通用。

UTD基础识别的伪代码

走向人工区分器

8 结论

我们展示了UTD如何与现有模型对齐并重新构建：为IIT [22] 提供结构，为GWT [1, 6] 提供内部逻辑，为预测处理 [8, 5] 提供区分动态。然后我们概述了对认知架构的影响：一个系统不是由符号操作或神经激活构建的，而是由结构化区分行为及其转换构建的。

从这个角度看，意识的概念不是信息流之上的新兴现象，而是分层逻辑空间内区分的递归稳定化。“自我”不是一种物质，而是一组连贯区分行为的配置 [28]。

未来的工作将扩展这个框架以实现应用：模拟能够区分和稳定化其内部类别的代理，并探索这些系统是否能够表现出传统上与理解、创造力或自主性相关的行为。

UTD并没有解释意识。它重新定位了意识：不是作为一个谜团，而是作为一个结构。不是作为一个节点，而是作为递归区分的过程。不是作为一个事物——而是作为区分本身的一致性。

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