A Caveat Regarding the Unfolding Argument: Implications of Plasticity

Diese Arbeit widerlegt durch mathematische Beweise die Behauptung des „Unfolding-Arguments", dass rekurrente neuronale Netze funktional äquivalent zu feedforward-Netzen sind, indem sie zeigt, dass schnelle Plastizität diese Äquivalenz aufhebt und somit die empirische Untersuchung des Beitrags von Plastizität und Rekurrenz zum Bewusstsein wieder ermöglicht.

Das Wesentliche

Das große Missverständnis: Der "Entfaltungs-Argument"-Streit

Stellen Sie sich vor, Wissenschaftler streiten darüber, was Bewusstsein eigentlich ist. Eine Gruppe von Theorien (wie die "Integrierte Informationstheorie") sagt: "Bewusstsein entsteht, weil unser Gehirn wie ein riesiges, sich selbst beeinflussendes Netz funktioniert. Neuronen feuern, andere reagieren darauf, und das Signal läuft im Kreis." Man nennt das ein rekurrentes Netzwerk (RNN).

Dagegen haben andere Wissenschaftler (Doerig und Kollegen) ein sehr starkes Argument vorgebracht, das sie den "Entfaltungs-Argument" nennen.

Die Metapher des "Entfalten":
Stellen Sie sich einen Film vor, der in einer Schleife läuft (ein rekurrentes System). Die Kritiker sagen: "Wir können diesen Film einfach abrollen und als eine lange, gerade Liste von Einzelbildern darstellen (ein feedforward-Netzwerk oder FNN). Wenn das Ergebnis am Ende genau dasselbe ist – also der Film gleich aussieht –, dann ist es egal, ob er in einer Schleife lief oder als Liste abgearbeitet wurde. Das Bewusstsein kann also nicht davon abhängen, wie das Signal läuft, sondern nur davon, was am Ende herauskommt."

Ihr Fazit war: Wenn man Bewusstsein an die "Schleife" im Gehirn bindet, ist die Theorie wissenschaftlich wertlos, weil man das Gehirn theoretisch durch eine statische Liste ersetzen könnte, die genau dasselbe tut.

Die neue Entdeckung: Das Gehirn ist kein statischer Film

Die Autoren dieses neuen Papiers (O'Reilly-Shah, Selvitella und Schurger) sagen nun: "Moment mal! Ihr habt einen riesigen Fehler gemacht, weil ihr das Gehirn als statisch behandelt habt."

Hier kommt das Plastizitäts-Argument ins Spiel.

Die Metapher vom lernenden Schüler vs. dem starren Buch:
Stellen Sie sich zwei Schüler vor, die eine Prüfung machen:

1. Schüler A (Das statische Buch/FNN): Er hat ein festes Buch gelernt. Egal, welche Fragen gestellt werden, er blättert immer auf derselben Seite. Wenn Sie ihm heute eine Frage stellen, gibt er die Antwort aus dem Buch. Wenn Sie ihm morgen die gleiche Frage stellen, gibt er genau dieselbe Antwort. Er verändert sich nicht.
2. Schüler B (Das plastische Gehirn/RNN): Er lernt wirklich. Wenn Sie ihm heute eine Frage stellen und er antwortet, lernt er daraus. Seine Synapsen (die Verbindungen in seinem Kopf) verändern sich leicht. Wenn Sie ihm morgen die gleiche Frage stellen, ist seine Antwort vielleicht anders, weil er dazugelernt hat. Er hat sich verändert.

Der Clou:
Die Kritiker sagten: "Wir können Schüler A (das Buch) so bauen, dass er heute genau so antwortet wie Schüler B."
Die Autoren dieses Papers sagen: "Das mag für heute stimmen. Aber morgen? Wenn Schüler B durch die Erfahrung von heute verändert wurde, kann das starre Buch diese Veränderung nicht nachahmen. Das Buch bleibt starr, während der Schüler wächst."

Warum das wichtig ist: Der "Plastizitäts-Notfall"

Das Papier beweist mathematisch, dass ein Gehirn, das lernt und sich verändert (Plastizität), nicht durch eine statische Liste ersetzt werden kann.

Hier sind drei einfache Analogien, um zu verstehen, warum:

1. Die Spur im Schnee:

   • Ein statisches System (FNN) ist wie ein Roboter, der immer den gleichen Weg läuft. Wenn Sie ihn einmal antippen (eine Störung), wackelt er kurz, läuft aber sofort wieder auf dem alten Pfad weiter.
   • Ein plastisches System (RNN) ist wie ein Wanderer im Schnee. Wenn Sie ihn antippen, rutscht er vielleicht aus, aber er hinterlässt eine neue Spur. Der nächste Schritt wird anders sein, weil der Boden (seine inneren Verbindungen) jetzt anders aussieht. Die Störung bleibt im System "hängen". Ein statischer Roboter kann das nicht nachmachen.

2. Der unendliche Roman:

   • Ein statisches System ist wie ein fertiges Buch. Sie können es kopieren.
   • Ein plastisches System ist wie ein Autor, der das Buch während des Schreibens umschreibt. Jeder Satz verändert den Kontext für den nächsten Satz. Sie können das Buch nicht einfach "entfalten" und als statische Liste speichern, weil sich die Regeln des Buches im Laufe der Zeit ändern.

3. Das Gedächtnis:

   • Ein statisches System hat ein begrenztes Gedächtnis (wie ein kleiner Notizblock). Wenn der Block voll ist, vergisst es den Anfang.
   • Ein plastisches System kann Informationen über Jahre hinweg speichern und verknüpfen. Es wächst mit jeder Erfahrung.

Was bedeutet das für die Bewusstseinsforschung?

Das Papier sagt nicht: "Plastizität ist das Geheimnis des Bewusstseins."
Es sagt aber: "Die Tür ist wieder offen!"

Die Kritiker hatten gesagt: "Theorien, die Rekursion (Schleifen) wichtig finden, sind wissenschaftlich tot, weil man sie durch statische Listen ersetzen kann."
Die Autoren sagen: "Nein, das gilt nur für starre Systeme. Wenn das Gehirn lernt und sich anpasst (Plastizität), dann kann man es nicht durch eine statische Liste ersetzen. Das macht die Theorie wieder überprüfbar!"

Die einfache Botschaft:
Wenn Bewusstsein davon abhängt, dass unser Gehirn sich in Echtzeit verändert, lernt und anpasst, dann ist es kein einfaches "Input-Output-Maschinchen". Es ist ein lebendiger Organismus, der sich mit jeder Erfahrung neu formt. Und genau diese Fähigkeit, sich zu verändern, macht es unmöglich, das Gehirn durch eine statische, unflexible Maschine zu ersetzen.

Das bedeutet, dass Wissenschaftler wieder Hoffnung haben, Theorien über Bewusstsein zu testen, die auf Dynamik und Lernen basieren. Sie müssen nicht mehr befürchten, dass ihre Theorien durch das "Entfaltungs-Argument" widerlegt werden, solange sie die Plastizität (die Veränderlichkeit) des Gehirns miteinbeziehen.

Zusammenfassend:
Das Gehirn ist kein feststehender Film, den man abspulen kann. Es ist ein sich ständig schreibendes Buch. Und man kann ein sich ständig schreibendes Buch nicht durch eine statische Liste ersetzen, ohne den Kern der Geschichte zu verlieren.

Technische Zusammenfassung

Titel: Ein Vorbehalt zum Entfaltungsargument: Implikationen der Plastizität

Autoren: Vikas N. O'Reilly-Shah, Alessandro Maria Selvitella, Aaron Schurger

---

1. Das Problem: Das Entfaltungsargument (Unfolding Argument)

Das Papier adressiert eine fundamentale Herausforderung für physisalistische Theorien des Bewusstseins, insbesondere solche, die Rekurrenz (wiederkehrende neuronale Verbindungen) als notwendig erachten, wie die Integrated Information Theory (IIT) oder die Recurrent Processing Theory (RPT).

Das Entfaltungsargument (Unfolding Argument - UA), entwickelt von Doerig et al. (2019, 2021), besagt, dass jede rekurrente neuronale Netzwerks (RNN) in ein funktionell äquivalentes feedforward neuronales Netzwerk (FNN) „entfaltet" werden kann. Da beide Systeme bei feststehenden Parametern identisches Input-Output-Verhalten zeigen, argumentieren die UA-Autoren, dass Theorien, die Bewusstsein an die kausale Struktur (Rekurrenz) binden, entweder falsch sind (wenn sie annehmen, das FNN sei bewusst) oder unwissenschaftlich (wenn sie behaupten, sie seien unterscheidbar, obwohl sie empirisch nicht unterscheidbar sind).

Das Kernproblem: Wenn Rekurrenz allein nicht von Feedforward-Strukturen unterscheidbar ist, verlieren Theorien, die Rekurrenz als essenziell für Bewusstsein ansehen, ihre empirische Überprüfbarkeit.

---

2. Methodik und theoretischer Rahmen

Die Autoren wenden eine rigorose mathematische Analyse an, um die Grenzen des Entfaltungsarguments zu definieren. Sie führen den Begriff der schnellen Plastizität (Rapid Plasticity) als kritische Randbedingung ein.

• Formalisierung: Die Autoren definieren RNNs und FNNs mathematisch als diskrete dynamische Systeme. Sie betrachten Plastizität als eine nicht-triviale Änderung der Netzwerkparameter (Gewichte) über die Zeit.
• Vergleichsmodell:
  • Ein plastisches RNN ($R_t$): Seine Input-Output-Funktion ändert sich dynamisch aufgrund von Lernregeln (z. B. Hebbian-Lernen, Spike-Timing-Dependent Plasticity).
  • Ein statisches FNN ($F$): Ein einmal „entfaltetes" Netzwerk mit festen Gewichten, das eine spezifische Momentaufnahme der Funktion zum Zeitpunkt $t_0$ darstellt.
• Analyseebenen: Die Argumentation stützt sich auf mehrere mathematische Disziplinen:
  • Dynamische Systemtheorie (Orbit-Generierung vs. feste Abbildungen).
  • Informationstheorie (Mutual Information und Gedächtniskapazität).
  • Störungstheorie (Perturbation Analysis).
  • Komplexitätstheorie und Ressourcenbeschränkungen.

---

3. Schlüsselbeiträge und Ergebnisse

Die Autoren zeigen durch formale Beweise auf, dass das Entfaltungsargument für Systeme mit Plastizität nicht gilt. Die Hauptergebnisse lassen sich wie folgt zusammenfassen:

A. Divergenz im Funktionsraum (Function Space Divergence)

• Herausforderung an Prämisse P2: Das UA geht davon aus, dass ein RNN und ein FNN die gleiche Funktion berechnen. Bei plastischen Systemen ändert sich jedoch die Funktion selbst ($\phi_t$) über die Zeit.
• Ergebnis: Ein statisches FNN kann nur eine einzige Funktion im Funktionsraum repräsentieren (ein Punkt). Ein plastisches RNN durchläuft jedoch eine Trajektorie im Funktionsraum (eine Orbit). Ab dem Zeitpunkt $t > t_0$ (nach der ersten Gewichtsänderung) ist das FNN nicht mehr funktional äquivalent zum RNN. Die funktionelle Äquivalenz bricht zusammen.

B. Informationstheoretische Überlegenheit

• Herausforderung an Prämisse P3: Das UA behauptet, identische Input-Output-Verhalten seien empirisch ununterscheidbar.
• Ergebnis: Ein plastisches RNN kann Informationen aus der gesamten Vergangenheit integrieren (unbegrenzte Gedächtniskapazität durch interne Zustände), während ein FNN auf ein festes Zeitfenster beschränkt ist. Die gegenseitige Information (Mutual Information) zwischen Input und Output wächst beim RNN mit der Beobachtungsdauer, bleibt beim FNN jedoch begrenzt. Dies macht sie informationstheoretisch unterscheidbar.

C. Perturbationsstabilität und Unterscheidbarkeit

• Kritischer Durchbruch: Dies ist der stärkste empirische Gegenbeweis.
  • Bei einem statischen FNN verschwindet die Wirkung einer Input-Störung nach dem Verlassen des Eingabefensters vollständig (endliche Impulsantwort).
  • Bei einem plastischen RNN verändert eine Störung die Gewichte dauerhaft. Diese Änderung beeinflusst die Verarbeitung aller zukünftigen Inputs.
• Implikation: Die Reaktion auf Störungen (Perturbation Response) ist im Input-Output-Verhalten selbst sichtbar, ohne das Innere des Systems beobachten zu müssen. Dies widerlegt die Behauptung, die Systeme seien empirisch ununterscheidbar, und umgeht die Kritik, dass man nur „innere" Unterschiede messen dürfe (Prämisse P4).

D. Ressourcenbeschränkungen und Komplexitätswachstum

• Ein plastisches RNN kann mit festen biologischen Ressourcen (Neuronen, Synapsen) eine unbegrenzte Familie von Funktionen approximieren.
• Um ein plastisches RNN über einen langen Zeitraum mit FNNs nachzubilden, müsste man eine unendliche Bibliothek verschiedener statischer FNNs bereitstellen (jeder für einen Zeitpunkt). Dies ist physikalisch und ressourcentechnisch unmöglich.

E. Turing-Vollständigkeit und Multiple Realisierbarkeit

• Die Autoren gehen auf die Verallgemeinerung des UA ein (dass jede Turing-komplette Struktur jede Funktion realisieren kann).
• Sie argumentieren, dass zwar die Berechenbarkeit einer Funktion auf verschiedenen Substraten möglich ist, die Prozessäquivalenz (insbesondere die Reaktion auf Störungen und die zeitliche Entwicklung der Funktion) jedoch nicht garantiert ist. Ein alternatives Substrat müsste exakt die plastische Dynamik nachbilden, um empirisch ununterscheidbar zu sein, was es faktisch zum gleichen dynamischen System macht, nicht zu einem statischen Ersatz.

---

4. Signifikanz und Implikationen

Wiederherstellung der empirischen Überprüfbarkeit

Das Papier löst das Dilemma von Kleiner und Hoel (2021), das besagte, dass Theorien des Bewusstseins entweder falsifizierbar oder untestbar seien.

• Plastische Systeme zeigen eine „gelinde Abhängigkeit" (Lenient Dependency): Das Verhalten schränkt die möglichen internen Strukturen ein, bestimmt sie aber nicht eindeutig.
• Dies ermöglicht es, Theorien, die Plastizität und Rekurrenz beinhalten, empirisch zu testen, ohne in den Trugschluss des Entfaltungsarguments zu geraten.

Bewertung spezifischer Bewusstseinstheorien

• IIT (Integrated Information Theory): Bleibt formal herausgefordert, da IIT oft statische kausale Strukturen betrachtet. Die Autoren schlagen jedoch vor, dass die Integration von Plastizität in IIT-Modelle die Spannung auflösen könnte.
• GNWT (Global Neuronal Workspace Theory): Wird gestärkt, wenn der „Workspace" als dynamisch und lernfähig (plastisch) verstanden wird, nicht als statische Struktur.
• RPT (Recurrent Processing Theory): Bleibt theoretisch angreifbar, es sei denn, Plastizität wird als entscheidendes Unterscheidungsmerkmal zwischen bewusster und unbewusster Verarbeitung integriert.
• State Space Theory (SST): Wird durch diese Arbeit formal gestützt, da diese Theorie explizit auf plastischen, rekurrenten Netzwerken und Delay-Coordinate-Embedding basiert.

Fazit

Die Autoren betonen, dass sie nicht beweisen, dass Plastizität oder Rekurrenz notwendig für Bewusstsein sind. Vielmehr zeigen sie, dass das Entfaltungsargument keine gültige Barriere mehr darstellt, um zu untersuchen, ob diese dynamischen Eigenschaften für Bewusstsein relevant sind. Es öffnet die Tür für eine neue Ära der empirischen Forschung, die sich auf die zeitliche Entwicklung, das Lernen und die Plastizität neuronaler Systeme konzentriert, anstatt nur auf statische Input-Output-Funktionen.

Zusammenfassend: Plastizität verwandelt das neuronale System von einem statischen Berechnungsgerät in einen sich ständig wandelnden Prozess im Funktionsraum, der sich nicht durch ein statisches Feedforward-Netzwerk ersetzen lässt, ohne seine wesentlichen dynamischen und empirischen Eigenschaften zu verlieren.