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

Sintesi Tecnica: Realtà Costruita, Prior Contesi

Problematica
Sotto il Principio dell'Energia Libera (FEP), un sistema predittivo non osserva direttamente la realtà, ma esperisce la migliore ipotesi attuale del proprio modello generativo. Ciò solleva una questione critica e non verificabile nei sistemi viventi: può un ambiente sintetico essere costruito con sufficiente coerenza interna da spostare permanentemente l'ambiente di base come prior generativo predefinito del sistema? Il paper definisce questo stato come inversione ontologica.

Testare direttamente questo fenomeno in un sistema nervoso biologico è tecnicamente ed eticamente impossibile. Pertanto, il paper investiga il problema computazionale sottostante utilizzando un sistema proxy. La sfida teorica centrale è determinare se un sistema possa essere indotto a trattare un nuovo ambiente come la sua "verità di base" (stato predefinito) piuttosto che rappresentarlo meramente come un'ipotesi, e comprendere i modelli di fallimento strutturale che potrebbero impedire tale adozione.

Metodologia
Lo studio impiega un proxy computazionale: un modello V+M composto da un Autoencoder Variazionale Convoluzionale (VAE) accoppiato con un Predittore Latente Ricorrente (GRU).

• Corrispondenza Matematica: Il VAE è addestrato per minimizzare l'Evidence Lower Bound (ELBO), che è matematicamente identico (a meno di segno) alla variazione dellosa dell'energia libera definita nel FEP. Pertanto, il processo di addestramento è una diretta minimizzazione dell'energia libera, non una sua simulazione.
• Ambienti:
  • $I_0$ (Baseline): Dataset MNIST.
  • $I_s$ (Target): Dataset FashionMNIST.
• Protocollo di Addestramento:
  1. Fase 1: I modelli sono pre-addestrati esclusivamente su $I_0$ (MNIST) per stabilire un forte prior di base.
  2. Fase 2 (Rehearsal): L'addestramento continua su un flusso misto di $I_0$ e $I_s$. Il rapporto di rehearsal ($r$) controlla la frazione di dati $I_0$ in ogni batch ($r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$).
• Metriche Chiave:
  • $w_{proxy}$ (Capacità Rappresentativa): L'accuratezza di un probe lineare che classifica i vettori latenti da input reali. Misura la capacità del sistema di distinguere tra gli ambienti.
  • $dmn_{proxy}$ (Comportamento di Default): La probabilità che l'output non vincolato e auto-generato del sistema (rollout del GRU a ciclo libero) assomigli all'ambiente target ($I_s$). Misura ciò a cui il sistema ritorna per default quando non è vincolato dall'input esterno.
  • $F_{proxy}$: L'ELBO, che misura l'adattamento generativo rispetto alla miscela di addestramento corrente.

Contributi Chiave e Framework Teorico
Il paper introduce un framework che distingue tra apprendimento (capacità rappresentativa) e accettazione (adozione dello stato predefinito). Propone due specifici modelli di fallimento per l'inversione ontologica:

1. Disaccoppiamento (Decoupling): L'ipotesi che un sistema possa raggiungere una precisione rappresentativa quasi perfetta ($w_{proxy}$) per un nuovo ambiente pur mantenendo il comportamento di default governato dal baseline ($dmn_{proxy}$).
2. Relapse Cognitiva (Cognitive Relapse): L'ipotesi che anche se un sistema sposta il proprio comportamento di default verso il target, l'esposizione continua al baseline (tramite contrasto concorrente) possa causare un parziale ritorno al baseline, invece di stabilizzarsi nel nuovo default.

Il paper ridefinisce la rigidità cognitiva non come un singolo tasso di aggiornamento (apprendimento lento), ma come una proprietà strutturale con due assi indipendenti: un tetto alla cattura dello stato di default (disaccoppiamento) e un confine dove gli spostamenti ottenuti diventano instabili (relapse).

Risultati
Attraverso 90 sessioni sperimentali (15 seed $\times$ 6 rapporti), lo studio ha prodotto tre scoperte primarie:

1. Disaccoppiamento tra Apprendimento e Accettazione:

   • L'accuratezza rappresentativa ($w_{proxy}$) è rimasta vicina al tetto (0.97–0.998) in tutte le condizioni, incluso $r=1.0$ (dove il modello non ha mai visto l'ambiente target durante la Fase 2).
   • Il comportamento di default ($dmn_{proxy}$) è variato drasticamente, da 0.011 ($r=1.0$) a 0.999 ($r=0.0$).
   • Conclusione: Un'alta capacità rappresentativa è necessaria ma non sufficiente per l'inversione ontologica. Un sistema può distinguere perfettamente una nuova realtà senza adottarla come proprio default.

2. Relapse Cognitiva (Overshoot e Regressione):

   • Ai rapporti intermedi ($r=0.2$ a $0.5$), il comportamento di default del sistema si è inizialmente spostato verso l'ambiente target, raggiungendo spesso valori prossimi al tetto ($dmn_{proxy} \approx 1.0$).
   • Tuttavia, con il proseguire dell'addestramento nelle medesime condizioni miste, il comportamento di default è parzialmente regredito verso il baseline.
   • L'entità di questa regressione scalava con il rapporto di rehearsal $r$. A $r=0.4$ e $r=0.5$, il sistema ha mostrato una distinta traiettoria "ascesa, picco, declino", contraddicendo i modelli che vedono la rigidità solo come apprendimento lento (che prevederebbe una crescita monotona e più lenta).

3. Effetti di Soglia:

   • A $r=0.5$, la maggioranza dei seed (8/15) non è riuscita a superare la soglia di 0.90 per la cattura del default entro la finestra di 15 epoche, e la varianza nei risultati è aumentata bruscamente, suggerendo un potenziale punto di biforcazione nella dinamica del sistema.
   • A $r=1.0$, non si è verificato alcuno spostamento, confermando che senza esposizione al target, il prior di base rimane dominante.

Significato e Ambito delle Rivendicazioni
Il paper inquadra esplicitamente il proprio contributo come una prova di esistenza computazionale, non come una validazione biologica.

• Ciò che dimostra: Dimostra che un meccanismo derivato da primi principi (minimizzazione dell'Energia Libera) può esibire disaccoppiamento (alta rappresentazione, basso accettazione) e relapse (adozione temporanea seguita da regressione) come proprietà strutturali, indipendentemente da specifiche assunzioni architettoniche.
• Ciò che non rivendica: Il paper non fa alcuna affermazione sui sistemi nervosi biologici, l'esperienza soggettiva o la Rete del Default Mode negli esseri umani. I termini "relapse cognitiva" e "inversione ontologica" sono usati strettamente come etichette per forme di curve osservate in una rete artificiale.
• Limitazioni: I risultati sono limitati a una finestra di 15 epoche (la stabilità a lungo termine oltre questo tempo è ignota), utilizzano un'operazionalizzazione grossolana del "contrasto concorrente" (rapporto di batch fisso) e si basano su dataset altamente separabili (MNIST vs. FashionMNIST) che potrebbero non riflettere la complessità di ambienti competitivi reali.

Conclusione
Lo studio stabilisce che la resistenza alla sostituzione del modello non è semplicemente una funzione della velocità di apprendimento. Si tratta, invece, di un fenomeno strutturale dove la capacità rappresentativa e il comportamento generativo di default possono dissociarsi, e dove gli spostamenti ottenuti nel comportamento di default possono essere instabili sotto una costante esposizione parziale al prior originale. Ciò fornisce un framework formale e testabile per comprendere le condizioni in cui un sistema generativo potrebbe (o non potrebbe) adottare una realtà costruita come proprio default.