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

Resumo Técnico: Realidade Construída, Priores Contestados

Definição do Problema
Sob o Princípio da Energia Livre (FEP), um sistema preditivo não observa a realidade diretamente, mas experiencia a melhor hipótese atual de seu próprio modelo generativo. Isso levanta uma questão crítica e indemonstrável em sistemas vivos: pode um ambiente sintético ser construído com consistência interna suficiente para deslocar permanentemente o ambiente de base como o prior generativo padrão do sistema? O artigo define este estado como inversão ontológica.

Testar isso diretamente em um sistema nervoso biológico é eticamente e tecnicamente impossível. Portanto, o artigo investiga o problema computacional subjacente usando um sistema de procuração (proxy). O desafio teórico central é determinar se um sistema pode ser induzido a tratar um novo ambiente como sua "verdade fundamental" (estado padrão), em vez de meramente representá-lo como uma hipótese, e compreender os modos de falha estrutural que podem impedir essa adoção.

Metodologia
O estudo emprega um proxy computacional: um modelo V+M consistindo em um Autoencoder Variacional Convolucional (VAE) pareado com um Preditor Latente Recorrente (GRU).

• Correspondência Matemática: O VAE é treinado para minimizar o Limite Inferior de Evidência (ELBO), que é matematicamente idêntico (até o sinal) à energia livre variacional definida no FEP. Assim, o processo de treinamento é uma minimização direta da energia livre, não uma simulação dela.
• Ambientes:
  • $I_0$ (Base): Conjunto de dados MNIST.
  • $I_s$ (Alvo): Conjunto de dados FashionMNIST.
• Protocolo de Treinamento:
  1. Estágio 1: Os modelos são pré-treinados exclusivamente em $I_0$ (MNIST) para estabelecer um forte prior de base.
  2. Estágio 2 (Rehearsal/Ensaios): O treinamento continua em um fluxo misto de $I_0$ e $I_s$. A razão de ensaio ($r$) controla a fração de dados de $I_0$ em cada lote ($r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$).
• Métricas Principais:
  • $w_{proxy}$ (Capacidade Representacional): A precisão de um probe linear classificando vetores latentes de entradas reais. Isso mede a habilidade do sistema de distinguir entre ambientes.
  • $dmn_{proxy}$ (Comportamento Padrão): A probabilidade de que a saída não restringida e autogerada do sistema (rollouts livres do GRU) se assemelhe ao ambiente alvo ($I_s$). Isso mede o que o sistema assume como padrão quando não está sendo restringido por entrada externa.
  • $F_{proxy}$: O ELBO, medindo o ajuste generativo ao mix de treinamento atual.

Principais Contribuições e Estrutura Teórica
O artigo introduz um framework que distingue aprendizado (capacidade representacional) de aceitação (adoção do estado padrão). Propõe dois modos de falha específicos para a inversão ontológica:

1. Desacoplamento: A hipótese de que um sistema pode alcançar uma precisão representacional quase perfeita ($w_{proxy}$) para um novo ambiente enquanto seu comportamento padrão ($dmn_{proxy}$) permanece governado pela base.
2. Recaída Cognitiva: A hipótesa de que, mesmo que um sistema desloque seu comportamento padrão em direção ao alvo, a exposição contínua à base (via contraste concomitante) pode fazer com que o sistema reverta parcialmente para a base, em vez de se estabilizar no novo padrão.

O artigo redefine a rigidez cognitiva não como uma única taxa de atualização (aprendizado lento), mas como uma propriedade estrutural com dois eixos independentes: um teto para a captura do estado padrão (desacoplamento) e uma fronteira onde os desvios alcançados tornam-se instáveis (recaída).

Resultados
Através de 90 execuções experimentais (15 sementes $\times$ 6 razões), o estudo produziu três descobertas primárias:

1. Desacoplamento de Aprendizado e Aceitação:

   • A precisão representacional ($w_{proxy}$) permaneceu próxima ao teto (0.97–0.998) em todas as condições, incluindo $r=1.0$ (onde o modelo nunca viu o ambiente alvo durante o Estágio 2).
   • O comportamento padrão ($dmn_{proxy}$) variou drasticamente, indo de 0.011 ($r=1.0$) a 0.999 ($r=0.0$).
   • Conclusão: Alta capacidade representacional é necessária, mas não suficiente para a inversão ontológica. Um sistema pode distinguir perfeitamente uma nova realidade sem adotá-la como seu padrão.

2. Recaída Cognitiva (Ultrapassagem e Regressão):

   • Em razões intermediárias ($r=0.2$ a $0.5$), o comportamento padrão do sistema inicialmente deslocou-se em direção ao ambiente alvo, frequentemente atingindo valores próximos ao teto ($dmn_{proxy} \approx 1.0$).
   • No entanto, conforme o treinamento continuava sob as mesmas condições mistas, o comportamento padrão regrediu parcialmente em direção à base.
   • A magnitude dessa regressão escalou com a razão de ensaio $r$. Em $r=0.4$ e $r=0.5$, o sistema mostrou uma trajetória distinta de "ascensão, pico e declínio", contradizendo modelos que veem a rigidez apenas como aprendizado lento (o que preveria uma ascensão monotônica mais lenta).

3. Efeitos de Limiar:

   • Em $r=0.5$, a maioria das sementes (8/15) falhou em cruzar o limiar de 0.90 para captura do padrão dentro da janela de 15 épocas, e a variância nos resultados aumentou acentuadamente, sugerindo um potencial ponto de bifurcação na dinâmica do sistema.
   • Em $r=1.0$, nenhum deslocamento ocorreu, confirmando que, sem exposição ao alvo, o prior de base permanece dominante.

Significância e Escopo das Alegações
O artigo enquadra explicitamente sua contribuição como uma prova de existência computacional, não uma validação biológica.

• O que demonstra: Prova que um mecanismo derivado de primeiros princípios (minimização da Energia Livre) pode exibir desacoplamento (alta representação, baixa aceitação) e recaída (adoção temporária seguida de regressão) como propriedades estruturais, independentes de suposições arquiteturais específicas.
• O que não alega: O artigo não faz afirmações sobre sistemas nervosos biológicos, experiência subjetiva ou a Rede de Modo Padrão em humanos. Os termos "recaída cognitiva" e "inversão ontológica" são usados estritamente como rótulos para formas de curva observadas em uma rede artificial.
• Limitações: Os resultados estão confinados a uma janela de 15 épocas (a estabilidade de longo prazo além disso é desconhecida), utilizam uma operacionalização grosseira de "contraste concomitante" (razão de lote fixa) e dependem de conjuntos de dados altamente separáveis (MNIST vs. FashionMNIST) que podem não refletir a complexidade de ambientes competitivos do mundo real.

Conclusão
O estudo estabelece que a resistência à substituição de modelos não é meramente uma função da velocidade de aprendizado. Em vez disso, é um fenômeno estrutural onde a capacidade representacional e o comportamento generativo padrão podem se dissociar, e onde os desvios alcançados no comportamento padrão podem ser instáveis sob exposição parcial sustentada ao prior original. Isso fornece um framework formal e testável para entender as condições sob as quais um sistema generativo pode (ou não) adotar uma realidade construída como seu padrão.