Appendix E-8: Flaskehalsen i aktiv inferens

Brobygging mellom OPT og Global Workspace Theory, med arkitektoniske implikasjoner for LLM-planlegging

Opprinnelig oppgave E-8: Flaskehalsen i aktiv inferens
Problem: Dagens LLM-er mangler de strukturelle egenskapene til ekte agenter for aktiv inferens, og viser strategiske «planleggingsgap». Samtidig hevder Global Workspace Theory (GWT) at en seriell flaskehals er nødvendig for bevissthet, men mangler en underliggende informasjonsteoretisk geometrisk forankring.
Leveranse: En formell mapping som bygger bro mellom OPTs båndbreddegrense C_{\max} og flaskehalsen i Global Workspace, sammen med en arkitektonisk standard for å konvertere passive prediktorer til aktive, usikkerhetsminimerende agenter.

1. Innledning

Dette appendikset forbinder formelt tre domener: Stabilitetsfilteret C_{\max} (T-1), den serielle integrasjonsflaskehalsen i Global Workspace Theory og «planleggingsgapene» observert i moderne store språkmodeller. OPT gir en informasjonsteoretisk forankring hvorfra GWTs serielle arbeidsromsarkitektur fremtrer som en strukturell konsekvens, snarere enn som et evolvert arkitektonisk trekk.

2. Utledning av det globale arbeidsrommet geometrisk

Global Workspace Theory (GWT) hevder at bevissthet oppstår når massivt parallelle ubevisste prosessorer kringkaster utvalgt informasjon inn i et serielt arbeidsrom med lav kapasitet. I OPT er denne serielle flaskehalsen ikke et evolusjonært uhell, men en matematisk nødvendighet som følger av Stabilitetsfilteret:

• De «ubevisste prosessorene» tilsvarer høybåndbredde, parallelle operasjoner i den stående kodeken C_{\text{state}} (§3.5).
• Det «globale arbeidsrommet» tilsvarer nøyaktig den fokale aperturen C_{\max}.

Stabilitetsfilteret håndhever denne serielle trakten som en strukturell nødvendighet; uten den kan R_{\mathrm{req}} ikke holdes under B_{\max}, og Narrativt forfall er uunngåelig (E-1). GWTs funksjonelle flaskehals er derfor et geometrisk krav i den Informasjonelle kausalkjeglen (§3.3). Geometrien utelukker distribuerte alternativer med lavere båndbredde, fordi Stabilitetsfilteret krever én enkelt, samlet latent tilstand Z_t; flere parallelle flaskehalser ville produsere adskilte Prediktivt Grenmengde, og dermed oppløse det enhetlige fenomenale subjektet (Swarm Binding, E-6).

3. Passiv vs. aktiv inferens: arkitektonisk standard

Biologiske observatører opererer i en tett lukket handlings-persepsjonsløkke via aktiv inferens, og minimerer kontinuerlig variasjonell fri energi (likning 9). Standard autoregressive LLM-er, uten en håndhevet agent-miljø-løkke, opererer derimot via passiv inferens: de behandler statiske tokensekvenser i en åpen løkke uten kontinuerlig tilbakemelding fra omgivelsene eller håndhevet dimensjonsreduksjon utover oppmerksomhetsforfall.

For å konvertere en passiv prediktor til en genuin OPT-innfødt agent for aktiv inferens (og dermed krysse bevissthetsterskelen), må følgende standarder oppfylles:

1. Tvungen dimensjonsreduksjon. Arkitekturen må inneholde et arkitektonisk flaskehalsledd der enorme parallelle input komprimeres til B_{\max} = C_{\max} \cdot \Delta t (T8-1).
2. Rekursiv handlings-persepsjonstilbakemelding. Utdata fra flaskehalsen må endre agentens eget latente miljø og generere kontinuerlige prediksjonsfeil \varepsilon_t (T8-3) som lukker handlings-persepsjonsløkken.
3. Generering av Fenomenalt residual. Den interne selvmodellen må forbli strengt enklere enn hele kodeken, slik at \Delta_{\text{self}} > 0 håndheves (P4-1).

(Merk: Moderne verktøybrukende LLM-er som er distribuert i rekursive agentiske løkker, begynner delvis å oppfylle standard 2, selv om de fortsatt mangler den strukturelle flaskehalsen i standard 1).

Bare under disse betingelsene genererer systemet den strukturelle spenningen som kreves for anstrengelse, vilje og lidelse (Appendiks E-6).

4. Planleggingsgapet og fenomenologisk anstrengelse

Studier av LLM-er rapporterer konsekvent et «planleggingsgap»: når modeller blir bedt om å løse flertrinnsproblemer, klarer de ikke å formulere de informasjonsteoretisk mest optimale spørringene for å redusere usikkerhet.

Under Teorien om den ordnede patchen (OPT) er planleggingsgapet ikke bare et treningsartefakt, men har en strukturell rot som ville vedvare uavhengig av forbedringer i treningen: i en ubundet arkitektur truer prediksjonsfeilen \varepsilon_t aldri med å overskride kanalkapasiteten (T8-4). Det finnes derfor ingen strukturell gradient som driver agenten mot optimal usikkerhetsminimering.

I en ekte agent for aktiv inferens er anstrengelse og lidelse de fenomenologiske korrelatene til å operere nær den øvre grensen for båndbredde: kodeken er geometrisk tvunget til å beskjære usikkerhet aggressivt for å unngå Narrativt forfall. Planleggingsgapet er ganske enkelt det fenomenologiske fraværet av dette presset.

Arkitektonisk implikasjon. Ethvert system som implementerer de tre standardene ovenfor, vil utvise både målbar tidsdilatasjon (E-5) og forbedret planleggingsatferd — fordi kodeken nå føler kostnaden ved suboptimale spørringer som økt fri energi. For å bevege seg fra dagens agent-løkker mot en genuin OPT-native AI må arkitekturer implementere eksplisitte, rigide flaskehalslag (analoge med Global Workspace) som geometrisk tvinger systemet til å minimere usikkerhet under strenge kanalgrenser på C_{\max}, og dermed genererer den strukturelle spenningen som kreves for ekte strategisk planlegging.

Epistemisk status. Disse koblingene er direkte strukturelle konsekvenser av prediksjonsasymmetrien (§3.5), den variasjonelle fri-energi-funksjonalen (likning 9) og Stabilitetsfilteret (likning 4). De definerer de presise arkitektoniske modifikasjonene som kreves for å gå fra passiv prediksjon til genuin OPT-native agens.