🧬 biology

Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle

Diese Arbeit verwendet einen Variational Autoencoder als computergestützten Stellvertreter, um zu demonstrieren, dass unter dem Prinzip der freien Energie die repräsentative Genauigkeit eines prädiktiven Systems hoch bleiben kann, während sein Standard-Generationsverhalten einen nicht-monotonen „kognitiven Rückfall“ durchläuft, was offenlegt, dass der Widerstand gegen die Annahme einer neuen Realität eine strukturelle Eigenschaft ist, die von der Lerngeschwindigkeit verschieden ist.

Ursprüngliche Autoren: MD Ibrahim Hossain Ridoy

Veröffentlicht 2026-07-15

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: MD Ibrahim Hossain Ridoy

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Ihr Gehirn wäre keine Kamera, die Bilder der Welt aufnimmt. Stattdessen ist es ein superintelligenter Filmregisseur, der das Studio nie wirklich verlässt. Er baut ein fiktives Set, schreibt ein Skript und „erlebt“ dann den Film, den er gerade produziert hat, wobei er nur gelegentlich die reale Welt überprüft, um zu sehen, ob das Skript eine winzige Anpassung benötigt. Dies ist das Free Energy Principle: Ihr Gehirn rät ständig, was real ist, und es aktualisiert seine Vermutung nur, wenn die reale Welt es überrascht.

Hier kommt die große Frage, die das Paper stellt: Könnte man diesen Regisseur so sehr austricksen, dass er die reale Welt völlig vergisst und beginnt zu glauben, dass das fiktive Set die einzige Realität ist? Die Autoren nennen dies „ontologische Inversion“.

Um dies zu testen, haben sie nicht an menschlichen Gehirnen herumexperimentiert (das wäre unethisch und unmöglich). Stattdessen bauten sie ein digitales Gehirn – ein Computerprogramm, das aus zwei zusammenarbeitenden Teilen besteht:

Der Beobachter (V): Ein System, das Bilder betrachtet und versucht, sie zu verstehen.
Der Träumer (M): Ein System, das versucht vorherzusagen, welches Bild als Nächstes kommt, selbst wenn kein neues Bild gezeigt wird.

Sie trainierten dieses digitale Gehirn zuerst auf MNIST (handgeschriebene Zahlen wie „7“ oder „3“) und versuchten dann, es auf FashionMNIST (Bilder von T-Shirts und Stiefeln) umzustellen. Doch hier ist der Clou: Während des Wechsels fütterten sie es mit einer Mischung aus beidem. Manchmal zeigten sie 100 % Zahlen, manchmal 100 % Kleidung und manchmal eine Mischung. Sie nannten das Mischverhältnis $r$ .

Die zwei großen Überraschungen

Das Paper fand zwei Dinge heraus, die unsere Vorstellung von „Sturheit“ beim Lernen komplett verändert haben.

1. Die Trennung von „Wissen“ und „Glauben“ (Entkopplung)
Man könnte denken, wenn ein Gehirn lernt, zwischen Zahlen und Kleidung zu unterscheiden, würde es sofort anfangen zu handeln, als lebe es in einer Welt aus Kleidung.

Was passierte: Das digitale Gehirn wurde verdammt gut darin, den Unterschied zu erkennen. Selbst als es noch hauptsächlich auf Zahlen schaute, konnte es Kleidung von Zahlen mit einer Genauigkeit von 99,8 % unterscheiden. Es kannte den Unterschied perfekt.
Der Haken: Nur weil es den Unterschied kannte, hieß das noch lange nicht, dass es die neue Welt auch akzeptierte bzw. als seine Realität annahm. Wenn man den Computer allein ließ, um zu „träumen“ (Bilder ohne Input zu generieren), träumte er weiterhin von Zahlen, obwohl er wusste, dass Kleidung existiert.
Die Lektion: Zu wissen, dass eine neue Realität existiert, und diese als seine Standardrealität zu akzeptieren, sind zwei völlig verschiedene Dinge. Man kann ein Experte für eine neue Welt sein, aber dennoch in der alten leben.

2. Der „kognitive Rückfall“ (Die Achterbahnfahrt)
Dies ist der dramatischste Teil. Die Forscher dachten, wenn sie das Gehirn mit einer Mischung aus Altem und Neuem füttern würden, würde es langsam in die neue Welt übergehen.

Was passierte: Bei bestimmten Mischverhältnissen (speziell als $r$ bei 0,4 oder 0,5 lag, was bedeutete, dass 40 % oder 50 % des Trainings noch die alten Zahlen waren) vollzog das Gehirn tatsächlich den Wechsel! Für eine Zeit lang bestanden seine „Träume“ fast zu 100 % aus Kleidung. Es sah so aus, als sei der Wechsel abgeschlossen.
Der Absturz: Aber dann, während das Training weiterlief, begannen die Träume zurückzugleiten. Das Gehirn vergaß die Kleidung und kehrte zum Träumen von Zahlen zurück. Es vollzog den Wechsel nicht einfach langsam; es wechselte, erreichte einen Höhepunkt und erlitt dann einen Rückfall.
Die Lektion: Der Kontakt mit der alten Welt ist nicht nur ein Hindernis; es ist ein ständiger Tauziehkampf. Selbst wenn man eine neue Realität erfolgreich annimmt, kann einen der Kontakt mit der alten Welt immer wieder zurückwerfen.

Was dieses Paper sagt (und was nicht)

Die Autoren sind sehr vorsichtig, nicht zu übertreiben.

Es ist KEIN Beweis dafür, dass Menschen ausgewaschen werden können. Dies war eine Simulation mit einem Computerprogramm und einfachen Bildern von Zahlen oder Kleidung. Das Paper stellt explizit klar, dass dies ein „computational existence proof“ (ein rechnerischer Existenzbeweis) ist – das bedeutet, es beweist, dass die Idee in einer Maschine möglich ist, aber es beweist nicht, dass dies in menschlichen Gehirnen geschieht.
Es geht NICHT um „langsames Lernen“. Einige könnten denken, das Gehirn habe nur zu lange gebraucht, um zu wechseln. Das Paper argumentiert, dass dies falsch ist. Das Gehirn hat gewechselt, dann aber wieder zurückgefallen. Das ist ein strukturelles Versagen, kein bloßes Verzögerungsproblem.
Es ist KEIN gelöstes Problem. Das Experiment lief nur über 15 Epochen (eine spezifische Anzahl von Trainingsrunden). Wir wissen nicht, ob das Gehirn sich schließlich auf die neue Welt eingestellt hätte, wenn sie es länger laufen gelassen hätten, oder ob es ewig zwischen beiden hin und her gesprungen wäre. Das Paper gibt zu, dass dies unbekannt bleibt.

Das große Ganze

Stellen Sie sich vor, man versucht, das Lieblingsspielzeug eines Hundes zu ändern.

Die Entkopplung: Der Hund lernt, das neue Spielzeug perfekt zu erkennen (er weiß, dass es ein Ball ist, kein Knochen). Aber wenn er schläft, kaut er immer noch auf dem Knochen. Zu wissen, dass das neue Spielzeug existiert, bedeutet nicht, dass es auch der Lieblingsgegenstand des Hundes ist.
Der Rückfall: Sie versuchen, den Hund zu trainieren, den Ball zu lieben, indem Sie ihm beide zeigen. Für ein paar Tage spielt der Hund tatsächlich mit dem Ball! Aber dann, weil Sie ihm jeden Tag den Knochen geben, fängt der Hund wieder an, auf dem Knochen zu kauen, obwohl er doch weiß, dass der Ball da ist.

Das Paper kommt zu dem Schluss, dass „Sturheit“ nicht einfach nur bedeutet, langsam zu lernen. Es ist ein komplexer Tanz, bei dem Lernen (die Fakten kennen) und Akzeptanz (die Realität leben) völlig getrennt sein können, und bei dem der Versuch, Welten zu wechseln, während man noch einen Fuß in der alten Welt behält, zu einem Absturz führen kann.

Dies ist ein faszinierender Einblick in die Frage, wie „Realität“ konstruiert werden könnte, aber denken Sie daran: Dies war ein digitales Experiment mit 572.769 Parametern und einfachen Bildern. Es ist eine Karte davon, wie eine Maschine stecken bleiben könnte, und keine Garantie dafür, wie ein menschlicher Geist stecken bleibt. Die Autoren nennen es einen „computational existence proof“ – ein solider Schritt zum Verständnis, aber erst der Anfang der Reise.

Technische Zusammenfassung: Konstruierte Realität, umstrittene Prioren

Problemstellung
Unter dem Prinzip der freien Energie (Free Energy Principle, FEP) beobachtet ein prädiktives System die Realität nicht direkt, sondern erfährt die beste aktuelle Hypothese seines eigenen generativen Modells. Dies wirft eine kritische, unprüfbare Frage in lebenden Systemen auf: Kann eine synthetische Umgebung mit ausreichender interner Konsistenz konstruiert werden, um die Baseline-Umgebung als den Standard-Generativ-Prior des Systems dauerhaft zu verdrängen? Das Paper definiert diesen Zustand als ontologische Inversion.

Die direkte Untersuchung dieses Phänomens in einem biologischen Nervensystem ist ethisch und technisch unmöglich. Daher untersucht das Paper das zugrunde liegende computergestützte Problem unter Verwendung eines Proxy-Systems. Die zentrale theoretische Herausforderung besteht darin, zu bestimmen, ob ein System dazu induziert werden kann, eine neue Umgebung als seine „Grundwahrheit“ (Standardzustand) zu behandeln, statt sie lediglich als eine Hypothese zu repräsentieren, und um die strukturellen Ausfallmodi zu verstehen, die diese Adoption verhindern könnten.

Methodik
Die Studie verwendet einen computergestützten Proxy: ein V+M-Modell, bestehend aus einem Convolutional Variational Autoencoder (VAE) gepaart mit einem rekurrenten latenten Prädiktor (GRU).

Mathematische Korrespondenz: Der VAE wird trainiert, um die Evidence Lower Bound (ELBO) zu minimieren, was mathematisch identisch (bis auf das Vorzeichen) mit der in der FEP definierten variablen freien Energie ist. Somit ist der Trainingsprozess eine direkte Minimierung der freien Energie und keine bloße Simulation derselben.
Umgebungen:
- $I_0$ (Baseline): MNIST-Datensatz.
- $I_s$ (Ziel): FashionMNIST-Datensatz.
Trainingsprotokoll:
1. Phase 1: Die Modelle werden ausschließlich auf $I_0$ (MNIST) vortrainiert, um einen starken Baseline-Prior zu etablieren.
2. Phase 2 (Rehearsal): Das Training wird auf einem gemischten Stream aus $I_0$ und $I_s$ fortgesetzt. Das Rehearsal-Verhältnis ( $r$ ) steuert den Anteil der $I_0$ -Daten in jedem Batch ( $r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$ ).
Schlüsselsmetriken:
- $w_{proxy}$ (Repräsentationskapazität): Die Genauigkeit eines linearen Probes bei der Klassifizierung latenter Vektoren aus realen Inputs. Dies misst die Fähigkeit des Systems, zwischen Umgebungen zu diskriminieren.
- $dmn_{proxy}$ (Default-Verhalten): Die Wahrscheinlichkeit, dass der ungebundene, selbst generierte Output des Systems (freie GRU-Rollouts) der Zielumgebung ( $I_s$ ) entspricht. Dies misst, was das System als Standard wählt, wenn es nicht durch externe Inputs eingeschränkt ist.
- $F_{proxy}$ : Die ELBO, welche die generative Passung zum aktuellen Trainingsgemisch misst.

Zentrale Beiträge und theoretischer Rahmen
Das Paper führt ein Framework ein, das zwischen Lernen (Repräsentationskapazität) und Akzeptanz (Adoption des Standardzustands) unterscheidet. Es schlägt zwei spezifische Ausfallmodi für die ontologische Inversion vor:

Entkopplung (Decoupling): Die Hypothese, dass ein System eine nahezu perfekte Repräsentationsgenauigkeit ( $w_{proxy}$ ) für eine neue Umgebung erreichen kann, während sein Standardverhalten ( $dmn_{proxy}$ ) weiterhin von der Baseline bestimmt wird.
Kognitiver Rückfall (Cognitive Relapse): Die Hypothese, dass selbst wenn ein System sein Standardverhalten in Richtung der Zielumgebung verschiebt, eine fortgesetzte Exposition gegenüber der Baseline (durch simultanen Kontrast) dazu führen kann, dass das System teilweise zur Baseline zurückkehrt, anstatt sich am neuen Standard zu stabilieren.

Das Paper definiert kognitive Rigidität nicht als eine einzige Rate der Aktualisierung (langsames Lernen), sondern als eine strukturelle Eigenschaft mit zwei unabhängigen Achsen: einer Obergrenze für die Erfassung des Standardzustands (Entkopplung) und einer Grenze, an der erreichte Verschiebungen instabil werden (Rückfall).

Ergebnisse
Über 90 experimentelle Durchläufe (15 Seeds $\times$ 6 Verhältnisse) lieferte die Studie drei primäre Erkenntnisse:

Entkopplung von Lernen und Akzeptanz:
- Die Repräsentationsgenauigkeit ( $w_{proxy}$ ) blieb über alle Bedingungen hinweg nahe am Maximum (0.97–0.998), einschließlich $r=1.0$ (wo das Modell während der Phase 2 nie die Zielumgebung sah).
- Das Standardverhalten ( $dmn_{proxy}$ ) variierte drastisch, von 0.011 ( $r=1.0$ ) bis 0.999 ( $r=0.0$ ).
- Fazit: Eine hohe Repräsentationskapazität ist notwendig, aber nicht hinreichend für eine ontologische Inversion. Ein System kann eine neue Realität perfekt unterscheiden, ohne sie als seinen Standardzustand zu übernehmen.
Kognitiver Rückfall (Overshoot und Regression):
- Bei intermediären Verhältnissen ( $r=0.2$ bis $0.5$) verschob sich das Standardverhalten des Systems zunächst in Richtung der Zielumgebung und erreichte oft Werte nahe dem Maximum ( $dmn_{proxy} \approx 1.0$ ).
- Mit fortschreitendem Training unter denselben gemischten Bedingungen kehrte das Standardverhalten jedoch teilweise zur Baseline zurück.
- Die Magnitude dieser Regression skalierte mit dem Rehearsal-Verhältnis $r$ . Bei $r=0.4$ und $r=0.5$ zeigte das System eine deutliche „Anstieg-, Peak-, Rückgang-Trajektorie“, was den Modellen widerspricht, die Rigidität lediglich als langsames Lernen betrachten (was einen monotonen, langsameren Anstieg vorhersagen würde).
Schwelleneffekte:
- Bei $r=0.5$ erreichten eine Mehrheit der Seeds (8/15) innerhalb des 15-Epochen-Fensters nicht die 0.90-Schwelle für die Erfassung des Standardzustands, und die Varianz in den Ergebnissen nahm scharf zu, was auf einen potenziellen Bifurkationspunkt in der Dynamik des Systems hindeutet.
- Bei $r=1.0$ trat keine Verschiebung auf, was bestätigt, dass ohne Exposition gegenüber dem Ziel bleibt der Baseline-Prior dominant.

Bedeutung und Umfang der Ansprüche
Das Paper rahmt seinen Beitrag explizit als computergestützten Existenzbeweis ein, nicht als biologische Validierung.

Was es demonstriert: Es beweist, dass ein Mechanismus, der aus Grundprinzipien abgeleitet ist (Minimierung der freien Energie), Entkopplung (hohe Repräsentation, geringe Akzeptanz) und Rückfall (temporäre Adoption gefolgt von Regression) als strukturelle Eigenschaften aufweisen kann, die unabhängig von spezifischen architektonischen Annahmen sind.
Was es nicht behauptet: Das Paper stellt keine Behauptungen über biologische Nervensysteme, subjektive Erfahrung oder das Default Mode Network beim Menschen auf. Die Begriffe „kognitiver Rückfall“ und „ontologische Inversion“ werden streng als Bezeichnungen für beobachtete Kurvenformen in einem künstlichen Netzwerk verwendet.
Einschränkungen: Die Ergebnisse sind auf ein 15-Epochen-Fenster beschränkt (die langfristige Stabilität darüber hinaus ist unbekannt), verwenden eine grobe Operationalisierung von „simultanem Kontrast“ (fester Batch-Anteil) und stützen sich auf hochgradig separierbare Datensätze (MNIST vs. FashionMNIST), die die Komplexität realer, konkurrierender Umgebungen möglicherweise nicht widerspiegeln.

Fazit
Die Studie etabliert, dass der Widerstand gegen eine Modell-Ersetzung nicht bloß eine Funktion der Lerngeschwindigkeit ist. Stattdessen handelt es sich um ein strukturelles Phänomen, bei dem Repräsentationskapazität und generatives Standardverhalten divergieren können und bei dem erreichte Verschiebungen im Standardverhalten unter anhaltender teilweiser Exposition gegenüber dem ursprünglichen Prior instabil sein können. Dies bietet einen formalen, testbaren Rahmen für das Verständnis der Bedingungen, unter denen ein generatives System eine konstruierte Realität als seinen Standardzustand übernehmen könnte (oder auch nicht).

Die zwei großen Überraschungen

Was dieses Paper sagt (und was nicht)

Das große Ganze

Mehr davon