OPT 附录 E-11：率失真生命周期的计算模拟

Anders Jarevåg

2026年4月

附录 E-11：率失真生命周期的计算模拟

本附录记录了对有序补丁理论 (OPT) 编解码器生命周期的 in-silico 建模。由于其底层通用基底（所罗门诺夫通用半测度）在结构上是不可计算的，因此在 OPT 框架内，模拟被限制为仅对编解码器生命周期本身进行建模：边界门控参数 C_{\max}、主动推断动力学、三阶段维护周期 \mathcal{M}_\tau，以及熵压力下的叙事崩解。

目前已建立两种不同的模拟范式：类比式深度学习（toy_model.py）与严格的数学率失真建模（opt_simulator.py）。

1. 类比模拟：深度变分瓶颈

初始模拟范式（toy_model.py）通过一种字面意义上的结构类比，验证了编解码器断裂的核心前提。

基底：一个由离散整数实例化的一维周期晶格。相对于热力学噪声的基线，其中被注入了持久的结构特征，并作为可观测的“有序补丁”发挥作用。

架构：观察者被建模为建立在深度神经网络（TensorFlow）之上的变分信息瓶颈（VIB）。该网络观测一个空间历史向量 X_{t-k \dots t}，并执行前向梯度下降，将其压缩为一个能够预测前向时间分支集 X_{t+1 \dots t+h} 的瓶颈。

坍塌机制： C_{\max}（速率）与 D_{\min}（可接受失真）约束通过一个调制拉格朗日乘子 \beta 的 PID 控制器被动态施加。在巨大的基底熵之下（例如，高度易变的噪声压倒持久模式时），网络会在物理上以预测分辨率换取带宽。当所需的算法复杂度 R_{\text{req}} 即使在 \beta 调节达到最大时仍超过 C_{\max}，网络便在形式上触及算法奇点并发生坍塌，从而证实了有序补丁理论 (OPT) 的预测：注入高熵噪声并不会“扩展”意识，而是会摧毁预测连贯性。

2. 数学形式主义：严格的速率-失真建模

尽管神经 VIB 为编解码器断裂提供了可视化确认，机器学习架构的额外开销却遮蔽了支配观察者的纯粹信息论关系。第二种范式（opt_simulator.py）剥离了结构几何，仅使用该理论自身的标量来严格建模瓶颈动力学。

2.1 架构

该模拟器区分出三个结构层级，与有序补丁理论 (OPT) 的形式主义相对应：

组件 OPT 概念 实现方式
PhenomenalStateTensor K(P_\theta(t)) 稳态编解码器复杂度 C_{\text{state}}，受 C_{\text{ceil}}（可运行性上限）与 C_{\text{floor}}（最低可行编解码器）约束
StabilityFilter C_{\max} 孔径 仅允许预测误差 \varepsilon_t 通过瓶颈；当 \varepsilon_t > C_{\max} \cdot \Delta t 时发生断裂
ActiveInferenceCodec 生成模型 K_\theta 内生可预测性由编解码器深度导出；环境平稳性作为外生扰动
MaintenanceCycle \mathcal{M}_\tau 三阶段离线复杂度管理（剪枝、巩固、预测分支集采样）

关键设计原则在于：可预测性是内生的。编解码器预测环境的能力并非硬编码参数，而是通过幂律关系 \text{error} \propto C_{\text{state}}^{-0.6} 从 C_{\text{state}} 导出。这意味着，断裂级联与恢复轨迹是从系统自身动力学中涌现出来的，而不是由外部手动施加的。

2.2 预测误差通道

在预测率失真理论下，穿过 C_{\max} 孔径的是预测误差——也就是生成模型的预测被扣除之后所剩下的残差：

\varepsilon_t = S_{\text{raw}} \cdot (1 - \text{predictability})

其中，S_{\text{raw}} = 10^9 \cdot \Delta t 比特/每个更新窗口。在基线条件下（C_{\text{state}} \approx 10^{14}，平稳性 = 1.0），可得 \varepsilon_t \approx 0.16 比特/步——显著低于容量上界 C_{\max} \cdot \Delta t = 0.5 比特/步。

当环境平稳性下降时（例如，氯胺酮冲击，平稳性 \to 0.1），有效预测误差会被放大 1/\text{stationarity} 倍，从而使 \varepsilon_t 超过容量上界，并触发断裂。

2.3 三遍维护周期（\mathcal{M}_\tau）

维护周期实现了预印本第 §3.6 节所规定的三次离线遍历：

遍次 操作 速率 OPT 映射
I. 剪枝 依据 MDL 移除低价值参数 C_{\text{state}} 的 4% \Delta_{\text{MDL}} < 0 的擦除
II. 巩固 对近期获得的模式进行再压缩 C_{\text{state}} 的 3% MDL 失真预算压缩
III. 预测分支集 对抗性自我测试（REM 梦境代理） C_{\text{state}} 的 +1% 针对敌对未来的预测分支集采样

每次维护运行的净消耗：约为 C_{\text{state}} 的 \sim 6\%。维护以稳定性为门控条件——只有当编解码器未发生断裂时才会触发；这与有序补丁理论 (OPT) 的预测一致，即 \mathcal{M}_\tau 运行于低感官输入状态（典型情形即睡眠）。

学习积累速率经过校准，使得在两次维护之间的 100 个步骤中，误差积分增益近似等于 6% 的维护消耗，从而在基线处形成动态平衡。

2.4 断裂动力学

叙事崩解被建模为具有硬下限的温和乘性退化：

C_{\text{state}}(t+1) = \max\bigl(C_{\text{state}}(t) \cdot 0.9999,\; C_{\text{floor}}\bigr)

在持续 400 个断裂步（一次 20 秒冲击）之后，这会累积为 0.9999^{400} \approx 0.961——约 4% 的损失。该模型描述的是分级式现象学空白化（如麻醉滴定，协议 E-9），而非灾难性的全有或全无式崩溃。

2.5 模拟结果

该模拟器以 \Delta t = 50\text{ms} 的分辨率运行 2000 个周期（对应 100 秒的模拟观察者时间）。在 t=40\text{s} 到 t=60\text{s} 期间，施加一次熵冲击（平稳性 \to 0.1）。

阶段 持续时间 断裂 C_{\text{state}} 轨迹 行为
基线 t = 0 \to 40\text{s} 0 / 800 (0%) 9.41 \times 10^{13} \to 9.18 \times 10^{13} 动态锯齿式平衡；无断裂
冲击 t = 40 \to 60\text{s} 400 / 400 (100%) 9.18 \times 10^{13} \to 8.82 \times 10^{13} 持续断裂；约 \sim 4\% 的分级退化
恢复 t = 60 \to 100\text{s} 0 / 800 (0%) 8.30 \times 10^{13} \to 8.39 \times 10^{13} 断裂立即停止；编解码器缓慢重建

这三个阶段展示了 OPT 的核心预测：一个有界观察者能够维持稳定的内稳态，在熵冲击下发生平缓退化，并在环境平稳性恢复后重新复原——前提是该冲击不会将 C_{\text{state}} 压低到 C_{\text{floor}} 以下。

2.6 关键观察

  1. 基线锯齿形态：在各次维护运行之间，C_{\text{state}} 通过误差积分而累积（每个 100 步窗口约为 \sim +5\%），随后在 \mathcal{M}_\tau 触发时急剧下降（约为 \sim -6\%）。这种振荡是睡眠—清醒周期的计算特征——系统必须周期性地进行剪枝，以避免触及 C_{\text{ceil}}。

  2. 冲击起始是瞬时的：当平稳性降至 0.1 时，每个周期都会立刻断裂。这里不存在渐进过渡——预测误差会从 \sim 0.16 比特/步跃升至 \sim 1.6 比特/步，以三倍之多超过 0.5 比特的容量。

  3. 恢复具有不对称性：冲击后，C_{\text{state}} 在 40 秒内增长约 \sim +1\%，而在 20 秒的冲击期间则损失约 \sim -4\%。恢复慢于退化。这种不对称性是有序补丁理论 (OPT) 的结构性预测：重建一个生成模型比损坏一个生成模型更困难。

  4. 维护—断裂门控至关重要：如果维护在主动断裂期间运行（如模拟器早期版本中那样），系统就会进入正反馈回路，并坍缩至 C_{\text{floor}}。这一门控规则并非出于便利——它对于编解码器的可存续性在结构上是必要的。

3. 未来模拟路径

  1. 丘脑—皮层时钟（E-12）：将 \Delta t 更新硬编码为与 20–40\text{Hz} 的丘脑门控周期相匹配，从而生成可检验的毫秒级分辨率预测，并与皮层整合信息（\Phi）测量进行对照。

  2. 自由能 POMDP 集成：以离散的主动推断状态空间模型（例如 pymdp）替代抽象的可预测性标量，从而能够刻画将热力学恒温器与现象性 K_{\text{threshold}}（P-5）区分开的精确边界。

  3. 多观察者扩展：模拟多个共享基底区域并相互作用的编解码器，以检验附录 E-6 的群体绑定预测——即分布式代理体是否只有在被迫通过全局 C_{\max} 孔径时，才会实现现象性绑定。

  4. 经验校准：将模拟器的断裂—恢复轨迹拟合到神经影像时间序列数据（例如异丙酚或氯胺酮条件下的 Lempel-Ziv 复杂度），以判定 0.9999 衰减常数与 C_{\text{state}}^{-0.6} 可预测性曲线是否与观测到的现象动力学相符。