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

Resumen Técnico: Realidad Construida, Priores Contestados

Planteamiento del Problema
Bajo el Principio de la Energía Libre (FEP, por sus siglas en inglés), un sistema predictivo no observa la realidad directamente, sino que experimenta la mejor hipótesis actual de su propio modelo generativo. Esto plantea una pregunta crítica e indemostrable en los sistemas vivos: ¿Puede construirse un entorno sintético con suficiente consistencia interna para desplazar permanentemente al entorno base como el prior generativo por defecto del sistema? El artículo define este estado como inversión ontológica.

Probar esto directamente en un sistema nervioso biológico es ética y técnicamente imposible. Por lo tanto, el artículo investiga el problema computacional subyacente utilizando un sistema proxy. El desafío teórico central es determinar si se puede inducir a un sistema a tratar un nuevo entorno como su "verdad fundamental" (estado por defecto) en lugar de simplemente representarlo como una hipótesis, y comprender los modos de falla estructural que podrían impedir dicha adopción.

Metodología
El estudio emplea un proxy computacional: un modelo V+M que consiste en un Autoencoder Variacional Convolucional (VAE) emparejado con un Predictor Latente Recurrente (GRU).

• Correspondencia Matemática: El VAE se entrena para minimizar la cota inferior de la evidencia (ELBO), la cual es matemáticamente idéntica (salvo por el signo) a la energía libre variacional definida en el FEP. Por lo tanto, el proceso de entrenamiento es una minimización directa de la energía libre, no una simulación de ella.
• Entornos:
  • $I_0$ (Base): Conjunto de datos MNIST.
  • $I_s$ (Objetivo): Conjunto de datos FashionMNIST.
• Protocolo de Entrenamiento:
  1. Etapa 1: Los modelos se pre-entrenan exclusivamente en $I_0$ (MNIST) para establecer un prior base sólido.
  2. Etapa 2 (Ensayo): El entrenamiento continúa en un flujo mixto de $I_0$ e $I_s$. El ratio de ensayo ($r$) controla la fracción de datos de $I_0$ en cada lote ($r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$).
• Métricas Clave:
  • $w_{proxy}$ (Capacidad Representacional): La precisión de un probe lineal clasificando vectores latentes de entradas reales. Esto mide la capacidad del sistema para distinguir entre entornos.
  • $dmn_{proxy}$ (Comportamiento por Defecto): La probabilidad de que la salida no restringida y autogenerada del sistema (rollouts libres del GRU) se asemeje al entorno objetivo ($I_s$). Esto mide a qué recurre por defecto el sistema cuando no está constreñido por una entrada externa.
  • $F_{proxy}$: La ELBO, que mide el ajuste generativo con la mezcla de entrenamiento actual.

Contribuciones Clave y Marco Teórico
El artículo introduce un marco que distingue entre aprendizaje (capacidad representacional) y aceptación (adopción del estado por defecto). Propone dos modos de falla específicos para la inversión ontológica:

1. Desacoplamiento: La hipótesis de que un sistema puede lograr una precisión representacional casi perfecta ($w_{proxy}$) para un nuevo entorno mientras su comportamiento por defecto ($dmn_{proxy}$) sigue gobernado por el base.
2. Recaída Cognitiva: La hipótesis de que incluso si un sistema desplaza su comportamiento por defecto hacia el objetivo, la exposición continua al entorno base (mediante contraste concurrente) puede causar que el sistema revierta parcialmente hacia el base, en lugar de estabilizarse en el nuevo por defecto.

El artículo redefine la rigidez cognitiva no como una única tasa de actualización (aprendizaje lento), sino como una propiedad estructural con dos ejes independientes: un techo en la captura del estado por defecto (desacoplamiento) y un límite donde los cambios logrados se vuelven inestables (recaída).

Resultados
A través de 90 ejecuciones experimentales (15 semillas $\times$ 6 ratios), el estudio arrojó tres hallazgos principales:

1. Desacoplamiento del Aprendizaje y la Aceptación:

   • La precisión representacional ($w_{proxy}$) se mantuvo cerca del techo (0.97–0.998) en todas las condiciones, incluyendo $r=1.0$ (donde el modelo nunca vio el entorno objetivo durante la Etapa 2).
   • El comportamiento por defecto ($dmn_{proxy}$) varió drásticamente, desde 0.011 ($r=1.0$) hasta 0.999 ($r=0.0$).
   • Conclusión: Una alta capacidad representacional es necesaria pero no suficiente para la inversión ontológica. Un sistema puede distinguir perfectamente una nueva realidad sin adoptarla como su estado por defecto.

2. Recaída Cognitiva (Sobreimpulso y Regresión):

   • En ratios intermedios ($r=0.2$ a $0.5$), el comportamiento por defecto del sistema se desplazó inicialmente hacia el entorno objetivo, alcanzando a menudo valores cercanos al techo ($dmn_{proxy} \approx 1.0$).
   • Sin embargo, a medida que el entrenamiento continuaba bajo las mismas condiciones mixtas, el comportamiento por defecto regresó parcialmente hacia el base.
   • La magnitud de esta regresión escaló con el ratio de ensayo $r$. En $r=0.4$ y $r=0.5$, el sistema mostró una trayectoria distintiva de "ascenso, pico, declive", contradiciendo los modelos que ven la rigidez meramente como un aprendizaje lento (lo que predeciría un ascenso monótono y más lento).

3. Efectos de Umbral:

   • En $r=0.5$, la mayoría de las semillas (8/15) no lograron cruzar el umbral de 0.90 para la captura del defecto dentro de la ventana de 15 épocas, y la varianza en los resultados aumentó bruscamente, sugiriendo un posible punto de bifurcación en la dinámica del sistema.
   • En $r=1.0$, no se produjo ningún desplazamiento, confirmando que sin exposición al objetivo, el prior base permanece dominante.

Significado y Alcance de las Afirmaciones
El artículo enmarca explícitamente su contribución como una prueba de existencia computacional, no una validación biológica.

• Lo que demuestra: Demuestra que un mecanismo derivado de principios fundamentales (minimización de la Energía Libre) puede exhibir desacoplamiento (alta representación, bajo nivel de aceptación) y recaída (adopción temporal seguida de regresión) como propiedades estructurales, independientes de supuestos arquitectónicos específicos.
• Lo que no afirma: El artículo no hace afirmaciones sobre sistemas nerviosos biológicos, experiencia subjetiva o la Red de Modo Predeterminado en humanos. Los términos "recaída cognitiva" e "inversión ontológica" se utilizan estrictamente como etiquetas para las formas de las curvas observadas en una red artificial.
• Limitaciones: Los resultados se limitan a una ventana de 15 épocas (se desconoce la estabilidad a largo plazo más allá de esto), utilizan una operacionalización tosca de "contraste concurrente" (ratio de lote fijo) y dependen de conjuntos de datos altamente separables (MNIST vs. FashionMNIST) que pueden no reflejar la complejidad de los entornos competitivos del mundo real.

Conclusión
El estudio establece que la resistencia al reemplazo del modelo no es simplemente una función de la velocidad de aprendizaje. En cambio, es un fenómeno estructural donde la capacidad representacional y el comportamiento generativo por defecto pueden disociarse, y donde los cambios logrados en el comportamiento por defecto pueden ser inestables bajo la exposición parcial sostenida al prior original. Esto proporciona un marco formal y testeable para comprender las condiciones bajo las cuales un sistema generativo podría (o no) adoptar una realidad construida como su estado por defecto.