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

技术摘要：构建的现实，被争夺的先验

问题陈述
在自由能原理（FEP）下，预测系统并非直接观察现实，而是体验其自身生成模型的最佳当前假设。这引发了一个在生命系统中难以测试的关键问题：是否可以构建一个具有足够内部一致性的合成环境，从而永久性地取代基准环境，成为系统的默认生成先验？论文将这种状态定义为本体论倒置（ontological inversion）。

在生物神经系统中直接测试这一问题在伦理和技术上都是不可能的。因此，本文通过一个代理系统来研究底层的计算问题。核心理论挑战在于：确定一个系统是否可以被诱导将其视为“地面真值”（默认状态）而非仅仅将其表示为一个假设，并理解可能阻碍这种采纳的结构性失效模式。

方法论
本研究采用了一个计算代理：一个由卷积变分自编码器（VAE）与循环潜变量预测器（GRU）组成的 V+M 模型。

• 数学对应关系： VAE 的训练旨在最小化证据下界（ELBO），这在数学上与 FEP 中定义的变分自由能是等价的（仅差一个符号）。因此，训练过程是直接的自由能最小化，而非对其进行模拟。
• 环境：
  • $I_0$（基准）： MNIST 数据集。
  • $I_s$（目标）： FashionMNIST 数据集。
• 训练协议：
  1. 阶段 1： 模型仅在 $I_0$（MNIST）上进行预训练，以建立强大的基准先验。
  2. 阶段 2（复习）： 在 $I_0$ 和 $I_s$ 的混合流上继续训练。复习比例 ($r$) 控制每批次中 $I_0$ 数据的比例（$r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$）。
• 关键指标：
  • $w_{proxy}$（表征能力）： 用于对来自真实输入的潜向量进行分类的线性探测器的准确率。这衡量了系统区分不同环境的能力。
  • $dmn_{proxy}$（默认行为）： 系统在不受外部输入约束时的（自由运行 GRU 展开）输出表现出类似于目标环境（$I_s$）特征的概率。这衡量了当系统不受外部约束时，其默认趋向于什么。
  • $F_{proxy}$： ELBO，衡量对当前训练混合物的生成拟合度。

核心贡献与理论框架
本文引入了一个区分学习（表征能力）与接受（默认状态采纳）的框架。它提出了两种特定的失效模式，用于解释本体论倒置：

1. 解耦（Decoupling）： 该假设认为，一个系统可以实现近乎完美的针对新环境的表征准确度（$w_{proxy}$），但其默认行为（$dmn_{proxy}$）仍受基准环境支配。
2. 认知回退（Cognitive Relapse）： 该假设认为，即使系统的默认行为已向目标环境偏移，持续暴露于基准环境（通过并发对比）可能会导致系统部分回归至基准环境，而非稳定在新的默认状态。

论文将**认知刚性（cognitive rigidity）**重新定义为一种结构属性，而非单一的更新速率（慢速学习），它具有两个独立的维度：默认状态捕获的上限（解耦）以及已实现的偏移变得不稳定的边界（回退）。

结果
通过 90 次实验运行（15 个种子 $\times$ 6 个比例），研究得出了三个主要发现：

1. 学习与接受的解耦：

   • 表征准确度（$w_{proxy}$）在所有条件下均保持在接近顶峰的水平（0.97–0.998），包括 $r=1.0$ 的情况（即在阶段 2 中模型从未接触过目标环境）。
   • 默认行为（$dmn_{proxy}$）差异巨大，范围从 0.011（$r=1.0$）到 0.999（$r=0.0$）。
   • 结论： 高表征能力是本体论倒置的必要但不充分条件。一个系统可以完美地区分新的现实，却无法将其作为其默认状态。

2. 认知回退（超调与回归）：

   • 在中间比例（$r=0.2$ 至 $0.5$）下，系统的默认行为最初会向目标环境偏移，通常达到接近顶峰的值（$dmn_{proxy} \approx 1.0$）。
   • 然而，随着在相同的混合条件下继续训练，默认行为会发生部分回归，向基准环境靠拢。
   • 回归的幅度随复习比例 $r$ 而变化。在 $r=0.4$ 和 $r=0.5$ 时，系统表现出明显的“上升、达峰、下降”轨迹，这与将刚性仅视为缓慢学习的模型（后者会预测单调且较慢的上升过程）相矛盾。

3. 阈值效应：

   • 在 $r=0.5$ 时，大多数种子（8/15）未能通过 15 个 epoch 的窗口实现超过 0.90 的默认捕获阈值，且结果的方差显著增加，表明系统中存在潜在的分叉点。
   • 在 $r=1.0$ 时，未发生任何偏移，证实了在没有目标暴露的情况下，基准先验保持主导地位。

意义与声明范围
本文明确将其贡献界定为计算存在性证明，而非生物学验证。

• 它证明了： 基于第一性原理（自由能最小化）的机制可以表现出解耦（高表征、低接受）和回退（临时采纳后回归）等结构性属性，且这些属性独立于特定的架构假设。
• 它并未声称： 本文不对人类的生物神经系统、主观体验或默认模式网络（DMN）做出任何声明。“认知回退”和“本体论倒置”等术语严格用于描述人工网络中观察到的曲线形态。
• 局限性： 结果局限于 15 个 epoch 的窗口内（长期稳定性尚不明确），使用了粗略的“并发对比”操作化方式（固定批次比例），并且依赖于高度可分的数据集（MNIST 与 FashionMNIST），这些数据集可能无法反映现实世界中竞争环境的复杂性。

结论
本研究表明，对模型替换的抵抗力不仅仅是学习速度的问题。相反，它是一种结构性现象，其中表征能力与默认生成行为可以发生分离，并且在持续的部分先验暴露下，已实现的默认行为偏移可能是不稳定的。这为理解生成系统在何种条件下可能会（或可能不会）将构建的现实采纳为其默认状态，提供了一个正式的、可测试的框架。