OPT 附錄 E-11：率失真生命週期的計算模擬
2026年4月
附錄 E-11：率失真生命週期的計算模擬
本附錄記錄了有序補丁理論 (OPT) 編解碼器生命週期的 in-silico 建模。由於其底層通用基底（所羅門諾夫通用半測度）在結構上不可計算，因此在 OPT 架構內的模擬，僅限於對編解碼器生命週期本身進行建模：邊界閘控參數 C_{\max}、主動推斷動力學、三階段維護週期 \mathcal{M}_\tau，以及熵壓力下的敘事崩解。
目前已建立兩種不同的模擬範式：類比式深度學習（toy_model.py）與嚴格的數學率失真建模（opt_simulator.py）。
1. 類比模擬：深度變分瓶頸
初始模擬範式（toy_model.py）透過一種直接的結構類比，驗證了編解碼器斷裂的核心前提。
基底：以離散整數實例化的一維週期晶格。持續性的結構特徵被注入到熱力學雜訊的基線之上，作為可觀察的「有序補丁」。
架構：觀察者被建模為建立在深度神經網路（TensorFlow）之上的變分資訊瓶頸（VIB）。該網路觀察空間歷史向量 X_{t-k \dots t}，並執行前向梯度下降，將其壓縮為一個瓶頸表徵，使其能夠預測前向時間分支集 X_{t+1 \dots t+h}。
崩潰機制： C_{\max}（速率）與 D_{\min}（可接受失真）約束，透過調節拉格朗日乘子 \beta 的 PID 控制器動態施加。在基底熵極高的情況下（例如，高度揮發的雜訊壓倒持續性模式），網路會在物理上以預測解析度交換頻寬。當所需的演算法複雜度 R_{\text{req}} 即使在 \beta 調節達到最大時仍超過 C_{\max}，網路便會在形式上撞上演算法奇點並崩潰，從而確認 OPT 的預測：注入高熵雜訊所摧毀的是預測一致性，而非「擴張」意識。
2. 數學形式主義：嚴格的率失真建模
雖然神經 VIB
提供了編解碼器斷裂的視覺性驗證，但機器學習架構的額外負擔掩蓋了支配觀察者的純資訊理論關係。第二種範式（opt_simulator.py）去除了結構幾何，改以理論自身的純量來嚴格建模瓶頸動力學。
2.1 架構
此模擬器區分出三個結構層次，對應於有序補丁理論 (OPT) 的形式架構：
| 組件 | OPT 概念 | 實作 |
|---|---|---|
PhenomenalStateTensor |
K(P_\theta(t)) | 常駐編解碼器複雜度 C_{\text{state}}，受 C_{\text{ceil}}（可運行性上限）與 C_{\text{floor}}（最低可行編解碼器）所界定 |
StabilityFilter |
C_{\max} 孔徑 | 僅允許預測誤差 \varepsilon_t 穿過瓶頸；當 \varepsilon_t > C_{\max} \cdot \Delta t 時即發生斷裂 |
ActiveInferenceCodec |
生成模型 K_\theta | 內生可預測性由編解碼器深度導出；環境平穩性則作為外生擾動 |
MaintenanceCycle |
\mathcal{M}_\tau | 三階段離線複雜度管理（剪枝、鞏固、預測分支集取樣） |
其核心設計原則在於：可預測性是內生的。編解碼器預測環境的能力，並非來自硬編碼參數，而是由 C_{\text{state}} 透過冪律關係 \text{error} \propto C_{\text{state}}^{-0.6} 所導出。這意味著，斷裂級聯與恢復軌跡是從系統自身的動力學中湧現，而非由外部手動施加。
2.2 預測誤差通道
在預測率失真理論之下，穿越 C_{\max} 孔徑的，是預測誤差——也就是生成模型的預測被扣除之後所剩下的殘差：
\varepsilon_t = S_{\text{raw}} \cdot (1 - \text{predictability})
其中，S_{\text{raw}} = 10^9 \cdot \Delta t 位元／每個更新視窗。在基線條件下（C_{\text{state}} \approx 10^{14}，平穩性 = 1.0），可得 \varepsilon_t \approx 0.16 位元／步——明顯低於容量上界 C_{\max} \cdot \Delta t = 0.5 位元／步。
當環境平穩性下降時（例如氯胺酮衝擊，平穩性 \to 0.1），有效預測誤差會被 1/\text{stationarity} 的因子放大，使 \varepsilon_t 超過容量上界，並觸發斷裂。
2.3 三階段維護週期（\mathcal{M}_\tau）
維護週期實作了預印本第 §3.6 節所指定的三個離線階段：
| 階段 | 操作 | 速率 | OPT 對應 |
|---|---|---|---|
| I. 剪枝 | 以 MDL 移除低價值參數 | C_{\text{state}} 的 4% | \Delta_{\text{MDL}} < 0 的抹除 |
| II. 鞏固 | 對近期獲得的模式重新壓縮 | C_{\text{state}} 的 3% | MDL 失真預算壓縮 |
| III. 預測分支集 | 對抗式自我測試（REM 夢境代理） | +1% 的 C_{\text{state}} | 針對敵意未來的預測分支集取樣 |
每次維護執行的淨耗損：C_{\text{state}} 的 \sim 6\%。維護是以穩定性為門檻——只有在編解碼器未發生斷裂時才會啟動；這與有序補丁理論 (OPT) 的預測一致，即 \mathcal{M}_\tau 會在低感知狀態下運行（典型情況即為：睡眠）。
學習累積速率經過校準，使其在兩次維護之間的 100 個步驟中所帶來的誤差整合增益，約略等於 6% 的維護耗損，從而在基線上形成動態平衡。
2.4 斷裂動力學
敘事崩解被建模為具有硬下限的溫和乘法式退化：
C_{\text{state}}(t+1) = \max\bigl(C_{\text{state}}(t) \cdot 0.9999,\; C_{\text{floor}}\bigr)
在 400 個持續斷裂步驟（一次 20 秒的衝擊）之後，這會累積為 0.9999^{400} \approx 0.961——約為 4% 的損失。這模擬的是分級式現象學空白化（如麻醉滴定，Protocol E-9），而非災難性的全有或全無崩潰。
2.5 模擬結果
模擬器以 \Delta t = 50\text{ms} 的解析度運行 2000 個週期（相當於 100 秒的模擬觀察者時間）。自 t=40\text{s} 至 t=60\text{s} 施加一次熵衝擊（平穩性 \to 0.1）。
| 階段 | 持續時間 | 斷裂 | C_{\text{state}} 軌跡 | 行為 |
|---|---|---|---|---|
| 基線 | t = 0 \to 40\text{s} | 0 / 800 (0%) | 9.41 \times 10^{13} \to 9.18 \times 10^{13} | 動態鋸齒狀均衡；零斷裂 |
| 衝擊 | t = 40 \to 60\text{s} | 400 / 400 (100%) | 9.18 \times 10^{13} \to 8.82 \times 10^{13} | 持續斷裂；約 \sim 4\% 的分級劣化 |
| 恢復 | t = 60 \to 100\text{s} | 0 / 800 (0%) | 8.30 \times 10^{13} \to 8.39 \times 10^{13} | 斷裂立即停止；編解碼器緩慢重建 |
這三個階段展示了有序補丁理論 (OPT) 的核心預測：一個受限的觀察者能夠維持穩定的恆常狀態，在熵衝擊下呈現平順劣化，並在環境平穩性恢復時復原——前提是該衝擊不會將 C_{\text{state}} 壓低至 C_{\text{floor}} 以下。
2.6 關鍵觀察
基線鋸齒波形：在各次維護執行之間，C_{\text{state}} 會透過誤差積分而累積（每 100 步視窗約 \sim +5\%），接著在 \mathcal{M}_\tau 啟動時急遽下降（約 \sim -6\%）。這種振盪是睡眠—清醒週期的計算特徵——系統必須週期性地進行剪枝，才能避免觸及 C_{\text{ceil}}。
衝擊起始是瞬時的：當平穩性降至 0.1 時，每個週期都會立刻破裂。不存在漸進式轉換——預測誤差會從約 \sim 0.16 bits/step 躍升至 \sim 1.6 bits/step，超出 0.5 bit 容量達三倍。
恢復具有不對稱性：在衝擊之後，C_{\text{state}} 於 40 秒內增長約 \sim +1\%，相比之下，20 秒衝擊期間的損失約為 \sim -4\%。恢復比劣化更慢。這種不對稱性是有序補丁理論 (OPT) 的一項結構性預測：重建一個生成模型，比破壞一個生成模型更困難。
維護—破裂閘門至關重要：若維護在主動破裂期間執行（如早期模擬器版本所示），系統便會進入正回饋迴路，並崩潰至 C_{\text{floor}}。這項閘門規則不是為了方便——它對編解碼器的可存續性而言，在結構上是必要的。
3. 未來模擬路徑
丘腦皮質時鐘（E-12）：將 \Delta t 更新硬編碼為符合 20–40\text{Hz} 的丘腦閘控週期，從而產生可檢驗的毫秒解析度預測，並與皮質整合資訊（\Phi）測量進行比對。
自由能 POMDP 整合：以離散的主動推斷狀態空間模型（例如
pymdp）取代抽象的可預測性純量，從而得以描繪出將熱力學恆溫器與現象性 K_{\text{threshold}}（P-5）區分開來的精確界限。多觀察者擴展：模擬多個具有共享基底區域的互動編解碼器，以檢驗附錄 E-6 的群體綁定預測——亦即，分散式代理體是否只有在被迫通過全域 C_{\max} 孔徑時，才會達成現象性綁定。
經驗校準：將模擬器的斷裂—恢復軌跡擬合至神經影像時間序列資料（例如異丙酚或氯胺酮條件下的 Lempel-Ziv 複雜度），以判定 0.9999 衰減常數與 C_{\text{state}}^{-0.6} 可預測性曲線是否符合觀察到的現象動力學。