Synchronizing Minds through Collective Predictive Coding: A Computational Model of Parent-Infant Homeostatic Co-Regulation

Resumo Técnico: Sincronização de Mentes através de Codificação Preditiva Coletiva

Enunciado do Problema
A sincronia inter-cerebral (SIC) observada em interações diádicas em tempo real, como trocas entre pais e bebês, sugere que agentes interagentes desenvolvem representações latentes alinhadas. No entanto, os relatos computacionais que explicam como tal alinhamento emerge entre agentes com apenas acesso sensorial local e conhecimento interno assimétrico permanecem subdesenvolvidos. Um desafio central é modelar como dois agentes, cada um possuindo estados internos privados e dados sensoriais limitados, podem coordenar-se para regular estados corporais enquanto simultaneamente alinham suas representações latentes, sem exigir acesso direto aos estados ocultos um do outro ou a manutenção de modelos profundamente recursivos do outro.

Metodologia
Os autores propõem um modelo computacional construtivo de co-regulação homeostática entre pais e bebês que integra dois quadros principais:

1. Inferência Interoceptiva Ativa (POMDP): A interação é modelada como um Processo de Decisão de Markov Parcialmente Observável (POMDP). Dois agentes, um pai (Agente A) e um bebê (Agente B), possuem conhecimento de modelo gerativo assimétrico:
   • O Pai possui uma matriz de transição de estados precisa ($B_A$) que codifica como as ações transformam estados viscerais, mas deve aprender a matriz de geração sensorial ($A_A$) que liga sua inferência do estado do bebê a pistas exteroceptivas observadas (por exemplo, tremores).
   • O Bebê possui uma matriz de geração sensorial precisa ($A_B$) para a percepção interoceptiva direta de seu próprio estado, mas deve aprender a matriz de transição de estados ($B_B$) que captura como as ações afetam seu corpo.
   • Ambos os agentes processam entradas sensoriais localmente disponíveis e aprendem suas respectivas matrizes desconhecidas online por meio de distribuições Dirichlet.
2. Codificação Preditiva Coletiva (CPC) via MHNG: Para mediar o acordo sobre ações regulatórias, os agentes utilizam o Jogo de Nomes Metropolis–Hastings (MHNG). Uma variável comunicativa compartilhada (símbolo $w$) é amostrada com base nas representações internas dos agentes ($z$). A aceitação de um símbolo proposto é determinada por uma probabilidade Metropolis–Hastings localmente computável, que depende apenas do modelo gerativo interno do ouvinte. Isso permite que os agentes restrinjam as crenças posteriores um do outro sem acesso direto aos estados ocultos do parceiro.

A simulação ocorre em um mundo de grade discreta $6 \times 6$ que representa o estado visceral do bebê (energia e temperatura corporal). Os agentes visam manter o estado em uma região de alta preferência a priori ($C$) por meio de ações cooperativas (Resfriar, Aquecer, Comer, Brincar, Dormir).

Configuração Experimental e Métricas
O estudo compara três condições:

• MHNG: Símbolos emergem através de comunicação bidirecional entre pais e bebês usando o protocolo MHNG.
• A-apenas: O bebê sempre aceita a proposta do pai; o pai sempre rejeita a do bebê.
• B-apenas: O pai sempre aceita a proposta do bebê; o bebê sempre rejeita a do pai.

As métricas-chave incluem:

• Adaptatividade ($C_{norm}$): O grau em que o estado visceral do bebê se alinha com a região de alta preferência a priori.
• Entropia Média ($\bar{H}$): A entropia das matrizes gerativas aprendidas ($A$ para o pai, $B$ para o bebê), indicando precisão preditiva.
• Similaridade de Representação Mental ($JSD_z$): A distância Jensen–Shannon entre as distribuições posteriores dos estados latentes do pai e do bebê ($q(z_A)$ e $q(z_B)$).

Resultados Principais

1. Desempenho Regulatório: A interação mediada por MHNG regulou o estado visceral do bebê de forma mais adaptativa do que as condições de controle unilateral (A-apenas e B-apenas). O estado visceral na condição MHNG permaneceu na região de alta preferência a priori desde a fase inicial da aprendizagem.
2. Alinhamento Rápido de Estados Latentes: A distância Jensen–Shannon ($JSD_z$) entre as posteriores dos agentes aproximou-se de zero após aproximadamente 20 iterações, indicando sincronização rápida das representações internas.
3. Desacoplamento de Alinhamento e Convergência de Modelos: A convergência das matrizes gerativas (indicada pela entropia decrescente $\bar{H}$) ocorreu muito mais tarde, saturando em torno de 500 iterações. Crucialmente, a sincronia representacional emergiu muito antes da convergência dos modelos de mundo aprendidos.
4. Mecanismo de Assimetria: O alinhamento rápido é atribuído à natureza complementar do conhecimento dos agentes: o bebê compreende seu estado visceral por meio de geração sensorial ascendente precisa ($A_B$), enquanto o pai compreende o estado por meio de transições de estados descendentes precisas ($B_A$).

Significado e Alegações
O artigo alega oferecer uma "conta construtiva mínima" de alinhamento de estados latentes que é compatível com a SIC relatada em estudos de hiperscanning. A contribuição principal é demonstrar que a sincronia representacional não pressupõe modelos de mundo totalmente compartilhados. Em vez disso, agentes com conhecimento assimétrico e acesso sensorial local podem alcançar alinhamento rápido de suas crenças latentes por meio de uma variável comunicativa compartilhada governada por probabilidades de aceitação localmente computáveis.

Os autores posicionam a hipótese de Codificação Preditiva Coletiva (CPC), operacionalizada através do MHNG, como uma base computacional candidata para o alinhamento inter-cerebral. Eles argumentam que este quadro explica como a interação social pode restringir crenças posteriores e facilitar a co-regulação sem exigir que os agentes acessem diretamente as observações um do outro ou mantenham modelos recursivos complexos do outro.

Limitações e Direções Futuras
Os autores reconhecem que o modelo atual utiliza um mundo de grade discreto simplificado, bidimensional, e assume que as preferências a priori ($C$) e as matrizes de interpretação ($E$) são compartilhadas e estáticas. Consequentemente, o modelo não aborda a dinâmica do próprio surgimento de símbolos. Trabalhos futuros são propostos para alinhar o modelo com organismos reais ou robôs usando representações contínuas e multidimensionais e para introduzir regras de aprendizagem para as matrizes $C$ e $E$ a fim de modelar o surgimento de significado social.