神经网络的现象绑定问题

The phenomenal binding problem for neural networks

神经网络的现象绑定问题

https://www.sciencedirect.com/science/article/pii/S1053810026000115

打开网易新闻 查看精彩图片

摘要

我们的目标是探索神经网络的现象绑定机制，即把信息的微观单元结合成人类现象学中常见的宏观尺度意识体验。这种体验复杂性是有助于解释现象意识的理论必须说明的一个关键特征。我们以一种有助于转化为计算神经科学的方式为现象绑定提供动机，将其与相关但不同的主题联系起来：功能绑定、意识的硬问题、和意识统一性。我们定义了一个故意简单的人工神经网络（ANN）模型，以便探索其实现现象绑定的选项的完整空间。我们证明该模型可以实现功能绑定，但在保持无意识和意识处理之间关键区别的同时，未能实现现象绑定。我们使用这个设置来构建现象绑定（p-绑定）的可能解决方案的结构，基于它们细化了模型的哪些部分或拒绝了问题的哪些部分。几种既定的意识理论映射到我们的解决方案结构上，例如整合信息理论（IIT）应用的将节点聚合为复合物，Orch-OR 中的纠缠坍缩，或意识电磁信息理论（CEMI）中对场结构的利用。我们也讨论了其他理论开放的可能解决方案，例如全局神经元工作空间理论（GNWT）和树突整合理论（DIT）。尽管如此，目前，每个解决方案路径都需要进一步的工作，识别研究人员丰富现有理论以适当解释现象绑定的机会。

关键词：现象绑定；功能绑定；神经网络；现象意识；联结主义

1. 引言

我们的日常生活通常充满了信息复杂的体验。当代神经科学中的神经联结主义研究计划主张，每种行为（例如走回家）都可以分解为一组不同的计算过程（例如视觉物体识别、导航和运动），这些过程通过各自脑回路（例如视觉皮层、海马体和运动皮层）中的物理活动发生（Doerig 等人，2023）。在这种物理主义背景下，各种“绑定问题”追问由此产生的分散电化学活动模式如何被缝合在一起，形成看似整合的体验和行为（例如 Roskies, 1999）。

本文基于绑定问题探索人类意识体验的一个特定方面，即信息复杂性似乎被同时体验的方式，而不是作为多个简单信息单元跨越单独的个体体验链接在一起。Kozuch (2024a:1) 提供了主观视觉场的熟悉例子，其中“许多属性（例如物体、形状或颜色）”在视觉场的不同部分被同时体验。我们询问在一个完全指定的简单人工神经网络（ANN）内，有哪些架构工具可用于构建组装这种同时复杂性的机制，称为现象绑定（p-绑定）机制。

标准分类法和绑定机制论文优先关注功能绑定 over 现象绑定（原文为 finding，此处指绑定），前者探索 underlying cognitive processing 的信息转换（例如 Feldman, 2013; Plate, 2007; §2 详见）。我们将这种有限的关注视为一个错失的机会，认为现象绑定对基于人工神经网络（ANN）建模的现象意识理论构成了严肃的约束，其中著名的例子包括全局神经元工作空间理论（GNWT）和整合信息理论（IIT）。

本文通过将建设性的关注带给现象绑定，支持人类意识的神经网络理论的发展，主要有三个贡献：

首先，我们提供了现象绑定（p-绑定）的明确定义，这与功能绑定（f-绑定）形成对比。第 2 节论证了 p-绑定作为一个可观察现象的动机，该现象需要在多种绑定问题的空间内进行专门解释，将其定位于绑定分类法的文献中，并将其与意识统一性和意识的硬问题区分开来。

其次，我们证明简单 ANN 模型自然地倾向于 f-绑定，但无法在区分意识与无意识现象的同时解释 p-绑定。第 3 节提供了一个简单神经网络模型的完整规范，明确说明了模型中允许的因果相互作用和存在的实体类型（例如，本文语境中称为的模型“形而上学”）。第 4 节展示了我们的核心结果：该模型可以解释 f-绑定但不能解释 p-绑定。因此，本文提供了一个组织框架，用于识别解决此“神经网络现象绑定问题”的解决方案选项空间。任何调用 ANN 相关逻辑来解释人脑复杂体验的理论，要么需要更复杂的模型，要么需要拒绝我们问题设置的部分内容。

第三，我们探索了对简化神经网络模型的潜在扩展或对问题设置的拒绝，这些可能解决 p-绑定。第 5 节描述了文献中提出的几种现有解决方案，以及对于尚未完全指定解决方案的理论的可能选项。

我们的方法受到以下因素的启发：对激增的且所谓“令人困惑”数量的意识理论的担忧（Doerig 等人，2021:42）；Giere 的基于模型的推理哲学 1；以及整合哲学和神经科学意识理论的潜力（Kozuch, 2024b）。例如，Kozuch (2024b) 表明，通过将意识哲学理论映射到特定的意识神经科学理论，可以使前者更加精确，为这些新变体带来额外的实证分量。我们的方法以相反的方式走上了类似的道路：选取哲学/心理学文献中详细探索的观察结果（p-绑定），并表明重要的神经科学理论子集需要细化才能解释它。随着理论家追求这种细化，我们可以希望获得一组更强、更窄的理论，其中关键心理学事实明确锚定在神经网络模型的特定特征中，促进实验神经科学中对这些特征的实证质询。

除了其在神经科学文献中的重要性（Yu & Lau, 2023; 另见 §2.1），我们还注意到 p-绑定对心灵哲学文献的重要性。例如，它是 Bayne (2010) 中描述的统一性的先决条件，也是意识理论需要解决的问题的文献综述中确定的两个最常见问题之一（Percy, 2025）。

1. 背景：论证 p-绑定的动机

第 2 节首先回顾了绑定文献，论证了现象绑定在神经科学分类法中尚未得到足够的详细说明（§2.1）。接着，我们提出了 p-绑定的定义和说明性例子，这在概念上将其与 f-绑定区分开来，即使某些机制最终可能被证明能够同时实现两者（§2.2）。最后，我们将 p-绑定与意识统一性（§2.3）以及意识的硬问题（§2.4）区分开来，为第 3 节奠定基础，第 3 节将构建我们将用于探测候选绑定机制的神经网络模型。

2.1. 先前的绑定分类

我们对现象绑定的视角植根于神经科学和哲学文献中现有的先前绑定类型分类。虽然术语各异，但大多数分类法在纯粹的功能绑定（f-绑定；与协调信息处理相关）和现象绑定（p-绑定；与该信息的主观体验相关）之间做出了区分。然而，面向神经科学的分类法对与 f-绑定相关的问题投入了显著更多的注意力。

最早的综述之一是 Treisman (1996:171)，他明确说明了“至少七种不同类型的绑定”，它们在性质上都是功能性的（属性、部分、范围、层次、条件、时间和位置绑定），随后注意到与“意识本质更深层问题”的潜在联系（同上，p175）。关于绑定的这一现象方面没有提供进一步的细节，但将其识别为一个单独的（尽管相关的）问题，为差异化分析奠定了基础。

一个类似的早期例子是 Roskies (1999:7) 关于“许多绑定概念”的广泛引用的论文，她解释说知觉绑定问题涵盖跨越视觉空间、跨越特征以及跨越皮层区域的绑定，适用于不同感官模态内部及之间。她接着描述了各种认知绑定问题，以及不同机制可能解决不同类型绑定的可能性。所有这些问题在性质上都是功能性的；它们涉及信息如何被处理。

Roskies (1999:9) 以介绍意识问题（在本文语境中等同于现象体验）作为结束，称其为“也许是所有绑定问题中最令人困惑的一个”。

许多其他神经科学家和哲学家也提出了绑定分类法，其中包括针对主观性、现象学或完整意识状态的独特类别，超出了区分功能绑定类型的类别。例如，Feldman (2013:1) 区分了“至少四个不同的问题”：一般协调、视觉特征绑定、变量绑定和知觉的主观统一性，其中后者大致对应于我们语境中的 p-绑定。Plate (2007:775) 也提到了“第三种 [绑定] 问题 [...] 以现象学术语指定”，同时探索不同类型绑定之间可能的共同点。Hirstein (2012:57-58) 提出了五个绑定级别，其中只有第五个级别描述了绑定成“完整意识状态”。然而，这些分类法并没有提供关于现象绑定的详细讨论，或者可能将其与讨论的其他形式绑定区分开来的标准，除了对体验或主观性的一般提及。

更丰富的讨论可以在 Revonsuo (1999) 中找到，他通过描述层次区分绑定类型。Revonsuo & Tarkko (2002:4) 将这些层次总结为："(1) 在神经层次，空间上分离的单细胞活动整合形成连贯的功能神经集合（例如，通过同步活动），特别是响应全局刺激属性；(2) 在认知层次，分布式模块化输入处理整合形成用于知觉、记忆和行动的连贯表征（特别是通过焦点注意）；(3) 在现象层次，简单现象特征和感觉整合到统一现象世界和连贯现象对象的体验：意识的统一性。”

明确的短语“现象绑定问题”以及与“功能绑定”的区别由 Garson (2001:381) 正式引入，他认为这两个问题需要“非常不同的处理”。主要分类法中使用独特类别促使最初对 p-绑定和 f-绑定进行单独处理。

解决这些不同绑定问题的方法已在神经科学、认知科学和计算建模的一系列层次上进行了探索。在功能和心理层次，绑定经典地被特征化为注意选择、知觉组织和索引机制，最突出的是特征整合理论（Treisman & Gelade, 1980），该理论提出注意将分布式特征表征绑定成连贯的知觉对象，以及在相关的对象文件、视觉索引和偏向竞争框架中（例如，Kahneman 等人，1992; Pylyshyn, 2001; Desimone & Duncan, 1995）。这些说明指定了特征被视为属于一起的条件和过程，但对于实现这种整合的潜在神经或计算机制大体上不做假定。

在机制层次，一组突出的提议是借鉴时间绑定的模型，例如同步或锁相神经活动被视为信号特征整合的地方（例如，Crick & Koch, 1990; Singer, 2001; Fingelkurts 等人，2010）。基于速率和注意调节的说明也被提出，强调神经元放电的协调变化作为对象表征的基础（例如，Roelfsema, 2023）。另一类方法在表征结构和计算层次解决绑定，包括强调分布式特征表征的层次和拓扑收敛作为对象整合基础的说明（例如，Damasio, 1989; Han & Sereno, 2024），递归和几何框架其中合取实现为高维状态空间的不同区域（Elman, 1991; Chaudhuri 等人，2019），向量符号和超维表征（Kymn 等人，2024），以及 enable 特征灵活重组的组合架构（Greff 等人，2020）。详细综述可以在 Yu and Lau (2023), Schneegans and Bays (2019), 和 Burwick (2014) 中找到。

这些说明在其提出的机制和抽象层次上不同，但大体上将绑定视为服务于下游处理的信息整合问题（f-绑定），而不是当下意识体验的直接问题（p-绑定）。然而，询问某些 f-绑定机制是否也可能实现 p-绑定是合理的。一些最近的工作明确将绑定的计算模型连接到意识体验，例如通过耦合振荡器的动态绑定（Kraikivski, 2020, 2022）和绑定的贝叶斯模型（Laukkonen 等人，2025）。

为了测试此类提议在实现 p-绑定方面的充分性，重要的是有一个关于 p-绑定是什么以及解释它可能需要什么的清晰问题陈述。我们的论文贡献了这个问题陈述，从定义开始，提取绑定分类法中识别的关键区别，并提供 p-绑定机制应满足的最低标准（不一定是完整标准）。哲学和心理学文献提供了重要材料来利用以充实神经科学分类法。例如，在心灵哲学中，现象绑定问题可以映射到组合问题（Chalmers, 2017），伴有 James (1895) 有影响力的心理学分析；见 Wiest (2025) 和第 2 节其余部分的更广泛讨论。

2.2. F-绑定和 p-绑定定义

在本文中，我们希望在特定的人工神经网络（ANN）模型和意识理论的背景下操作化功能绑定和现象绑定。因此，我们采用了具体的对比定义，反映了§2.1 中讨论的分类法中的关键区别，即为处理整合信息与为主观体验整合信息之间：

D1（f-绑定）：一个功能绑定机制将多个信息基本单元整合成一个单一的功能单元，以驱动响应或进一步的信息处理。

D2（p-绑定）：一个现象绑定机制将多个信息基本单元整合成人类现象学中常见的同时且信息复杂的意识体验。

D1 是一个故意通用的定义，可以涵盖文献中存在的多种形式的功能绑定，例如感官模态内或之间的绑定。这种通用定义的价值在于与 D2 并列，以突出信息绑定与体验绑定之间的关键区别。这些定义在图 1 中说明。在 f-绑定下，产生对“汽车鸣笛”存在的二元评估的计算可以分解为独立元素，其中每个元素都无法看到整个计算逻辑。在 p-绑定下，对多个元素的意识在关键阶段可用，以支持复杂体验作为一个独立现象，无论其对未来信息处理有任何相关性。其他机制可以实现 f-绑定，超出图 1 中的二元决策树，例如§4.1 中讨论的机制。

打开网易新闻 查看精彩图片

f-绑定的一个简单例子是在给定适当的光强度视觉模式的情况下检测单个、离散边缘（Hubel & Wiesel, 1962）。如果我们考虑单个光点为独立的信息基本单元，一个 f-绑定机制生成一个对应于给定边缘的单一信息构造。这个特定的边缘构造仅在足够多的组成光检测器被激活时激活，指示该边缘的存在作为一个数值，用于后续信息处理，例如物体识别或路线规划。

如上定义的 F-绑定在计算和 ANN 中是常见的。一个神经元或神经元网络可以通过过滤掉输入空间的其他特征，从而对其不敏感，来突出输入空间的一些特征，从而执行 f-绑定。例如，实现 AND 门的神经元将其两个输入上的状态 (1,1) 的信息与输出 1 进行 f-绑定，将状态 (0,0), (0,1), 和 (1,0) 折叠为输出 0，将其与其他形式的 f-绑定区分开来（例如，由 OR 或 XOR 门执行的）。F-绑定是信息的减压阀，允许一个简单的信息事实代表一个更复杂的信息事实。

f-绑定机制成功的标志是系统是否在整合了多个信息单元后以适当的方式响应。识别在大脑中提供 f-绑定的特定数学模型和不同物理机制是神经科学中一个活跃的研究领域（例如§2.1 中的引用）。

相反，p-绑定的存在可以通过内省观察到。例如，在普通情况下，我的视觉场可以包含多个物体。我可以同时体验两个相邻的单词作为单独的物体——并且有将它们都保持在心中的感觉。p-绑定中的同时性可能是现象性的而不是实际的（即，体验到的同时性可能适用于在不同时间点激活的物理和信息物体），但仍然需要对现象同时性的某种说明。究竟什么机制可能足以实现 p-绑定将在本文后面讨论，但在这里清楚存在一个需要解释的现象就足够了。

观察到 p-绑定的复杂体验存在于我们的体验中，足以激发研究兴趣来解释该观察，但 p-绑定也可能在特定背景下 serve an important function（发挥重要作用）。例如，某些 p-绑定机制可能在比较某些信息构造方面比其他实现类似输入/输出功能但没有 p-绑定的机制更节能——或者鉴于特定的进化路径，它们可能在物理上更容易实例化。探索 p-绑定任何可能好处的前提是理解其独特特征以及它如何与其他过程相关。

f-和 p-绑定的定义（D1 和 D2）显然密切相关，但它们的区别需要一些额外的解释。D1 专注于以某种方式使用统一的信息构造。D2 专注于可以与统一构造相关联的体验，该构造可能通过 f-绑定机制统一，但也可能合理地通过其他机制统一（见§5.2 和§5.3 关于 IIT 等理论，其中 p-绑定不一定与大脑使用的 f-绑定机制相关）。至少，需要一些关于体验的解释来将 D2 与 D1 联系起来，along with（以及）一个对应的单一体验实体的定义，该实体可以持有复杂体验（包括实体的性质、边界和物理相关性）。

2.3. 与意识统一性的对比

一些研究人员批评了意识总是完美地统一成单一整体体验的想法，包括 Dennett (1991), Zeki (2007), Kirkeby-Hinrup (2023), 和 Schwitzgebel (2024)，尽管我们也注意到支持统一性的论点的力量（例如，Bayne, 2010; Albantakis 等人，2023:3）。相关地，Zmigrod 和 Hommel (2011) 认为统一性的意识体验既不是特征绑定（f-绑定的一个例子）的先决条件，也不是其直接后果。我们的论证仍然有效，without requiring（不需要）这些研究人员讨论的现象统一性的强概念。

就本文而言，一旦任何可概念上分离的体验实际上被一起体验，就存在一个足够的解释问题。即使在给定时刻我们所有的意识体验周围没有整齐的边界，一旦有任何包含信息复杂性的体验，p-绑定现象就会出现。例如，即使意识仅在我们转向注意它时才统一，当它确实发生时，我们仍然需要体验统一性的解释。即使意识被碎片化成多个“草稿”，一旦任何一个“草稿”在其视觉场中包含多个物体并同时体验它们，就需要某种 p-绑定机制。

2.4. 与硬问题的区分

硬问题询问为什么任何心理/认知功能都应该伴随着体验（Chalmers, 1995）。例如，它的力量来自解释性差距论证（Levine, 1983）和 p-僵尸的可构想性（Kirk, 2023）。

Chalmers (1995) 认为，我们可以构想任何功能在没有意识体验的情况下发生，并且作为结果，我们观察到的世界中发生的事情没有任何变化。Chalmers (1995:210, 原文强调) 认为，因此我们需要假设或“桥接原则”来解释为什么某些功能伴随着意识体验而某些没有。在通常假设某些功能不伴随着体验的情况下，这种直觉更强，例如大脑中无意识信息处理的概念或计算机中图像识别的功能（即使它可能与人类在做等效功能时会意识到的结果图像有相似结果）。

硬问题的这种可构想性论证基础可以被否认。也许作为现象绑定的结果，总是存在某些特定的功能差异，即使今天它没有很好的记录。如果是这样，虽然某人可能能够构想该特定功能在没有体验的情况下发生，他们 simply（仅仅）是错误的。尽管如此，where someone accepts the Hard Problem（如果有人接受硬问题），p-绑定应被理解为一个需要解决的进一步主题，超出硬问题直接要求的回答类型。如果硬问题询问为什么任何功能都应该伴随着体验，p-绑定问题询问为什么该功能应该伴随着单一的、内部统一的和复杂的体验，而不是分布在多个体验主体上的多个、分散的、 separate experiences（单独体验）。

从计算视角查看一个功能，为什么单个体验实体不映射到——例如——算法中的单个步骤或神经网络中的单个节点激活？无论如何，如果可以构想某些功能伴随着体验而其他没有，那么同样可以构想单独质疑这种伴随发生的层次。例如，如果一个算法由几个模块化功能组成，并且每个功能由各种逻辑门组成——并且如果该算法本身嵌套在更广泛的操作系统中——为什么体验单元应该在算法层次，而不是其逻辑门、模块或更广泛系统的层次？

第二个熟悉的例子可以来自人类视觉体验。从硬问题视角，p-绑定询问为什么视觉场景的单个“像素”在“心眼”中被体验为单一整体图像，而不是作为单个的、 separate（单独的）的和 massively parallel（大规模并行）的体验，可能对应于单个神经元激活、神经集合或中央凹扫视。从信息处理角度来看，这些替代体验映射中的任何一个都可以构想为提供相同的功能。除了在我们普通视觉场更小尺度上的现象伴随，也可能仅在更大尺度上存在伴随。例如，我们可以想象根本没有对视觉场的意识体验，仅对从视觉场信息分析得出的结论和含义有现象访问（例如“左侧发现捕食者”，“右侧发现红色浆果”）。该系统仍然可以在无意识地情况下完全访问视觉信息并可以有效地导航，也许类似于自动驾驶车辆，但意识体验 simply（仅仅）在系统中的其他地方随附。

利用 p-绑定问题进行研究的一个有力方法是假设给定理论对硬问题的回应，然后询问该理论将如何实现 p-绑定。在那里它难以做到这一点时，我们建议该理论的某些细化或替代值得注意，例如应用于 Percy 和 Gómez-Emilsson (2025) 中的整合信息理论。

1. 方法：简化神经网络中的 p-绑定

第 2 节已经定义了 p-绑定和 f-绑定，论证了 f-绑定和 p-绑定并非先验相同，但保留了某些类型的 f-绑定在与额外的解释或机制结合时确实实现 p-绑定的可能性。第 3 节现在阐述了我们要探索此问题的方法。我们指定了一个简化的神经网络模型，为了测试其实现 f-绑定和 p-绑定的能力，结果将在第 4 节提供。

3.1. 基于感知器的神经网络模型设置

我们考虑一个任意大且任意连接的神经网络，其中每个节点可以通过感知器方程建模。实际上，节点是某种生物实体（例如神经元或一组神经元），它实现一个函数 f，如方程 (1) 所定义，其中所有项都被假设为数值可计算的。

(1) 所有节点 实现：; 其中：

打开网易新闻 查看精彩图片

在简化模型中，我们的目标是解释权重和偏差静态的网络中的不同绑定机制，即不包含学习机制。未来的工作可以探索放宽这一假设，尽管我们注意到神经科学通常将权重更新理解为长期功能，对于时刻发生的认知行为或意识体验不一定需要。

网络规范允许循环连接，它可以实现时间扩展的过程，如记忆和振荡（Sussillo & Abbott, 2009）。虽然规范排除了单个神经元层面的连续值输出，它可以通过以不同模式激活的节点组来表示此类输出的近似值，包括包含在发放率中的信息而不是瞬时激活（例如，通过在某个连续时间窗口上平均节点输出）。由于网络大小或结构没有边界，该模型是图灵完备的，可以近似任何可计算函数（Siegelmann & Sontag, 1992）。

如§3.1 所述，简化模型反映了神经科学中通常视为神经元和网络层面信息处理核心的计算，承认可能需要多个物理系统来实现方程 (1) 功能的不同方面。与所有模型一样，此设置是对现实的故意简化。例如，该设置将多种神经元类型、突触和激活函数简化为单一数学对象，并排除了神经元下活动、神经递质/调节剂、胶质细胞、循环系统以及大脑的许多其他物理特征。显然，这种多样性和物理特征是大脑作为物理对象实际运作的一部分。问题在于，在一个成功解释 p-绑定的模型中，此类简化是否可以安全地被抽象掉。

3.2. 模型中的形而上学公理

形而上学公理允许我们明确说明模型应如何解释，其中一些必然源自§3.1，另一些代表应用于网络的定义。

此模型中的跨节点信息处理被理解为模仿生物神经网络内的处理。存储在神经元或神经集合中的信息在该集合中的神经元以适当模式激活时，在特定信息处理任务中被访问（Carrillo-Reid & Yuste, 2020）。这种方法也是联结主义网络中信息处理的标准（概述见 Buckner & Garson, 2025），例如，其中信息处理是“简单的、类神经元处理单元之间通过加权的、类突触连接的激活流”（Patterson 等人，2007:985）。虽然其输入激活可能由连续值表示，但给定节点的输出是二元的：节点/神经元可以是激活的（建模为值 1）或未激活的（建模为值 0）。

这个简化的、基于感知器的模型的一个关键特征是其形而上学本体论（关于什么实体存在的主张）仅包含节点和节点之间的连接及其在 (1) 中定义的明确属性。所有因果性和所有随时间的信息处理都捕捉在感知器方程中。

主流计算神经科学主要在经典力学和物理主义的因果和形而上学框架内运作。我们的简化模型做出相同的操作假设。详细说明，简化模型中唯一允许的因果相互作用发生在局部连接的节点和连接之间，即任何节点/连接在下一个时间步的状态和动作仅受其在当前时间步的直接相邻连接/节点影响。没有非局部效应。相互作用在系统内完全确定，受制于外生输入。随机元素可以通过实现伪随机数生成的模块来近似（Wang 等人，2006）。换句话说，该模型是完全可计算的、确定性的且仅局部的。

模型的公理，在本文术语中，由方程 (1) 定义，其中方程规则（给定网络结构和初始条件）定义行为公理（§3.1），伴随的关于信息处理、仅局部因果性和模型实体全面覆盖的主张定义其形而上学公理（§3.2）。因此，我们的任务包括仅使用这些公理，从微观尺度相互作用解释 f-绑定和 p-绑定的明显宏观尺度现象。

1. 结果：模型中的 F-绑定和 P-绑定

第 4 节证明第 3 节中的模型具有足够的构建块用于 f-绑定机制，但不能实现 p-绑定的关键特征（跨越多个信息基本单元的信息复杂性的现象同时性），同时保持意识与无意识体验之间的严格区分。如果要如所述维持 p-绑定，则需要对模型进行一些非平凡的扩展，要么通过附加功能（来自§3.1 的行为公理），要么通过附加定义（来自§3.2 的形而上学公理）。

4.1. 模型内的 F-绑定

模型的行为可以被视为输入空间的空间变换，如图 2 中的网格检测网络所示。在这个例子中，网络被呈现一个图像，这是一个高维输入（其中每个像素的强度代表输入空间的一个单独维度）。网络中的每个节点以两种方式降低其输入的复杂性。首先，它对输入进行加权和（方程 1 的步骤 i-iii），将高维输入减少为一维输出。其次，阈值操作 h 将步骤 1 的实值总和转换为二进制值（方程 1 的步骤 iv）。结合起来，这些简化变换在网络中实现了一种基本形式的 f-绑定。与这种减少相比，p-绑定被概念化为拥有对更大输入空间的访问权，在图 2B 中可视化为编码刺激特征的虚线坐标框架。

打开网易新闻 查看精彩图片

其他形式的 f-绑定是可能的。例如，循环连接可以引入持久状态，实现诸如注意或记忆等过程。模糊匹配是可能的，例如拥有由"M 个输入中的任意 N 个”功能驱动的单个节点，类似于§4.2.2 中的单节点 f-绑定例子。F-绑定也可以分布在多个节点上。例如，自动编码器的中间层可能从输入层提取两个特征，使得每个特征启动一个单独的动作，并且这两个动作的组合共同产生一个相关效应（单独使用任一特征/动作都不会发生这种情况）。该效应可能具有适应度益处，强化这种特定的网络模式，这满足了 D1 f-绑定定义中功能统一决策的要求，即使在整个基于自动编码器的网络中没有任何一个节点在两个特征存在时独特地激活。与单节点整合不同，这种功能统一性没有直接映射到信息统一性的物理子结构。

我们使用"f-模块”来指代通过 f-绑定操作信号指示（可能复杂的）特征存在的节点。虽然这些整合可能比图 2 中的例子更复杂，但它们共享将包含在更大输入空间中的信息折叠为更简约输出的共同原则，该输出引发下游神经或行为反应。

4.2. 解释 p-绑定的困难

指定一个 p-绑定机制需要一种逻辑，将组成信息连接在一起，维持一定水平的复杂性，并描述一个物理结构，以现象同时性的方式体验连接的信息。这些规格必须在模型的明确公理内运作，在面对潜在物理机制（神经元/突触）时保持合理性，并与意识体验的其他特征一致。

模型内 p-绑定的一个候选位置是在 f-模块的输入阶段，例如，通过将单个输入的活动保留在它们折叠成单一加权和之前。然而，现代神经科学预计我们的现象意识扩展到单个 f-模块整合的信息之外，而是操作化跨多个脑区分布的表征（例如，Dehaene & Changeux, 2011; Ahmad & Hawkins, 2015; Baars 等人，2013）。内省也表明内容具有显著潜在的复杂性，合理地超出单个 f-模块的范围，例如，歌剧院中单个现象同时体验可能包含多个音符、复杂视觉场景、躯体印象、情绪反应和叙事思维。我们在 F1（“复杂体验”）中明确了这一假设，作为人类体验的三个“特征”之一，这些特征由实证神经科学的发现证明，我们将用它来挑战模型内潜在的 p-绑定机制：

(F1) 复杂体验。在至少某些个体时刻，我们同时意识到的信息多于单个 f-绑定模块所能包含的信息。

(F2) 无意识共存。在至少某些个体时刻，我们并不同时意识到大脑中那一刻正在处理的所有信息。换句话说，无意识信息处理与意识处理存在于同一个互联神经网络中，即使在其不同部分。

(F3) 无意识先行。在早期阶段无意识处理的信息后来可以以某些形式用于意识处理，使得我们变得意识地意识到它。换句话说，进行无意识处理的神经网络的一些部分馈送到其他对应于意识觉察的部分。

F2（“无意识共存”）是主流神经科学中的标准立场（例如，Clausi 等人，2017; Dehaene 等人，2006）。人们可能会反对，当同时性在非常细的时间分辨率上定义时，意识和无意识神经活动实际上从未同时发生；然而，虽然这种可能性值得探索，但它超出了当前实证工作所提供的限制（见§5.4 中的讨论）。另一个可能的反对意见集中在措辞上，认为我们不能排除信息处理总是被某个意识实体有意识地感知，即使不是我们通常的“我”。这种可能性不会损害我们的论证，因为捕捉我们体验内容的 p-绑定并不操作于这个其他信息之上，并且 F2-F3 可以参考意识体验之间的分离（跨独立的自我）而不是同一自我/系统内的意识和无意识活动之间的分离来重新表述。另一个对 F2 的可能拒绝可能声称我们实际上意识到大脑中的所有信息，但进化适应度已调整我们只关注其中极少部分。然而，这将是一个与当前证据相反的主要实证主张。它也超出了语义合理性的范围延伸了意识觉察的定义：如果我们对某事关注如此之少以至于它从我们的觉察中消失（甚至无法通过刻意的努力访问它），我们怎么能声称意识到它？

F3（“无意识先行”）捕捉了意识和无意识信息处理之间的连接（例如，Cleeremans, 2014），神经科学中有许多例子，包括视觉信息的无意识预处理，其中结果被浮现到意识觉察中（例如，Kanai 等人，2006; Breitmeyer, 2015; Tschechne & Neumann, 2014）。

§2.2 提出了这种可能性，即现象同时性可能是物理精确同时性的结果，或者是平滑顺序但非同时物理动作的结果，其中后者需要某种跨时间 p-绑定机制。我们将首先使用 F2（“无意识共存”）来排除模型内利用精确同时性的 p-绑定机制的可能性，然后转向 F3（“无意识先行”）来排除模型内跨时间 p-绑定的可能性。

4.2.1. 使用精确同时性的 p-绑定机制的缺乏

在模型内，精确同时性将被解释为在一个共享的单一时间步内发生的活动：一种朴素同步的形式。困难在于指定拥有体验的结构。这个体验实体需要扩展到单个 f-模块之外（根据 F1：‘复杂体验’），但唯一其他自然明确指定的结构是整个网络。在单个时间步内绑定所有节点值（甚至仅活动节点）与 F2（‘无意识共存’）冲突，因为在这种情况下，我们实际上会意识到大脑中其他地方同时发生的那个无意识处理。

为了挽救物理同时性，我们需要分离意识和无意识过程，但指定新子结构的所有选项都导致对公理的一些调整。指定子结构的最简单方法是调用表现不同的新类型节点或连接。然而，这种不同的行为，根据定义，将不再符合所有节点/连接遵循方程 1 的模型规则。这个 p-绑定解决方案可能是可行的，但它需要对§3.1 中模型的行为公理进行一些更改或添加。

指定子结构的一种更微妙的方法是维持现有的模型结构/规则，但定义一个施加 p-绑定的特定模式。例如，一种这样的 p-绑定逻辑可以是整合所有彼此处于激活相互关系中的节点（也许受到 Reimann 等人 (2017) 中单纯形模式的启发），而另一种可能整合所有具有至少一定数量激活入站连接的激活节点。

对于这种基于定义的 p-绑定规则，实际上有无限的选择。从§3 中当前的行为和形而上学公理来看，不清楚哪个选项适用。因此，无论哪种模式定义 p-绑定，都需要被指定以便我们的模型完整。即使该模式不需要对方程 1 进行任何阐述，它也对应于一个应应用于网络的新定义——并且是一个特别重要的定义，因为它允许一种新类型的复杂体验出现。这个定义将在§3.2 中形而上学公理的更改或添加中找到归宿。同样，如果有多个通过新行为公理指定的离散子结构，我们将需要一个额外的形而上学公理来指定哪组子结构对应于 p-绑定。

4.2.2. 使用不精确同时性的 p-绑定机制的缺乏

如果 F2（‘无意识共存’）的主张阻止了物理精确同时性在模型内驱动 p-绑定，那么不精确同时性是否提供了解决方案？

通过这个视角，我们同时意识的体验可以跨越模型中的多个时间步，其中每个时间步在网络结构内生成更多信息。模型中明确可用的唯一跨时间步绑定逻辑是跨连接的直接激活链。如果绑定可以在连接激活之外的跨时间步发生，那么不清楚什么物理机制应该支撑它，因为在没有扩展§3.1 中的行为公理的情况下不存在其他信息传输协议。

F-绑定可以容易地利用这种激活链来表示集合在共激活变化中的存在，例如图 3 中 A->B->C 的序列在节点 X 中表示。F3（‘无意识先行’）阻止我们将这种相同的“朴素因果回归”逻辑应用于驱动当前网络内的 p-绑定，其中所有节点/连接必须遵循相同的规则。这种 p-绑定逻辑需要一个规则，如“当节点 2 在来自节点 1 的直接入站连接的贡献下被激活时，节点 1 和 2 中的信息被 p-绑定”。这个规则意味着无论什么节点激发了节点 1，也将与节点 1 和 2 一起被 p-绑定，以及因果链中更靠后的所有节点。在该因果回归的某一点，在至少某些情况下，我们将跨越从意识到无意识处理的边界。当我们跨越该边界时，我们的 p-绑定机制（如当前指定）将继续运作，因此无意识的东西实际上应该被有意识地体验：这是一个反驳了这种因果回归 p-绑定机制的矛盾。

打开网易新闻 查看精彩图片

与精确同时性一样，我们需要在意识和无意识信息处理之间创建一个屏障，在模型内定义不同的子结构。相同的选项空间可用，增加了跨时间步的结构，例如激活链中顺序或同时连接的数量。如前所述，我们将需要对模型公理进行一些扩展/适应来证实这种 p-绑定机制，无论是使用新的行为公理还是新的形而上学公理。

4.3. 通过动态绑定的方法

任何建立在感知器 ANN 之上的候选 p-绑定机制都必须改变当前公理设置的某些内容。框架的优势体现在识别提出的候选方案如何适应其中，即假设一个理论的意识规范，它可以调用什么 p-绑定机制来实现复杂意识体验，以及这些如何改变我们的问题设置。我们以“耦合振荡器”作为实现动态绑定的说明性候选机制，讨论它如何解决 p-绑定以及它在我们的框架中适合的位置。

Kraikivski (2020) 将知觉（percept）定义为一种特定过程：一个暂时重复的神经元序列，例如一个振荡神经集合。知觉也成为意识觉察的候选者，当它们满足“完备性属性”时，即每个过程的结构可以从分析相关系统中的所有其他过程完全推导出来，这旨在解决计算过程需要用户解释给定过程指代什么信息的担忧。在几个优势中，知觉的持续“循环”观点更好地符合这一事实：信息通常只有在持续了最短时间段后才会进入（可报告的）意识觉察（例如，Hurme 等人，2017）。

基于这个意识知觉的定义，Kraikivski (2022) 在其理论中阐述了一个 p-绑定机制，该机制具有吸引人的抗噪声品质（Kraikivski, 2024）。两个意识知觉，对应于两个不同的振荡集合，当它们在交叉耦合机制（例如，两个振荡器之间的合适反馈连接）之后开始同相振荡时，变得被共同体验（即 p-绑定在一起）。这种耦合振荡器系统被证明能够区分某些输入，为网络提供 f-绑定效用（Kraikivski, 2022:7）。

这些耦合振荡器动力学可以通过一个活动受方程 (1) 支配的网络来实例化。例如，一系列神经元激活可以反馈到自身以创建一个持续存在直到被破坏的循环。两个序列可以通过几种方式定义为同相。例如，它们可能具有相同的周期和稳定的相位差（完成一个完整循环的时间步数相同，因此它们始终处于各自周期的相同相对点），它们可能具有完美嵌套的周期（一个的循环时间是另一个的整数倍），或者它们可能都依赖于网络中其他地方架构“时钟”或相位计数器中的同一个激活节点（即一个单独的高度稳定循环）。

这种方法原则上可以解决 F1-F3 特征。跨多个振荡集合的多神经元活动自动为 F1（“复杂体验”）提供了一条路径。F2（“无意识共存”）在以下情况下得到解决：例如，其他神经元可能在大脑中同时激活但不形成振荡集合。更严格的标准也可以排除那些“碰巧”同时振荡的集合：它们可能不满足“完备性”属性（Kraikivski, 2020），它们可能没有彼此耦合，或者它们可能不符合同相的正确定义。F3（“无意识先行”）也可以得到解决：无意识处理的信息可以在适当的反馈循环同步化（待定义）之后转入（并退出）意识觉察，使集合与目标振荡集合同相或不同相。围绕该模型是否会导致大脑中产生多个体验自我，或者是否存在某种机制确保一个独特的自我（对应于我们通常的日常体验），仍然存在疑问。尽管如此，可以设想出一条通往完整解决方案的路径。

假设耦合振荡器理论能够令人满意地指定前一段中的标准和定义，那么该解决方案将适合我们的框架中的哪里？F1-F3 已在不对方程 (1) 进行修改的情况下得到解决。尽管如此，需要新的形而上学公理来指定网络的哪些方面具有体验意义。考虑前一段中指出的定义既未在§3.2 中指定，也无法通过检验方程 (1) 来唯一识别。

反映耦合振荡器 p-绑定解决方案的形而上学规则可能有充分的理由支持（例如，由完备性原则，由知觉持续时间证据），但它们不是唯一的。某些规则中可能存在无法仅通过理论解决的模糊性。鉴于脑动力学的噪声性质（Buzsáki, 2006），合理的问题是，在我们认为一个 p-绑定“循环”已经建立之前，需要多少次振荡以及什么类型的相位耦合。2 精确机制可能需要在人脑中进行实证评估，而不是仅从感知器网络的计算分析中推导出来。

这一切并未证明动态属性无法解释 p-绑定，仅仅表明它们在我们的模型内若无进一步阐述便无法自动解释它。鉴于存在多种阐述模型的路径，要求理论家明确说明他们的属性如何实现 p-绑定，为进步提供了机会。下一节探讨了既定的意识理论如何解决这个问题。

1. 讨论：调整模型和现有神经网络理论的选项

本文建立了一个问题，其中任何可能的解决方案都必须拒绝或适应至少一个问题组成部分，包括定义的 p-绑定的存在（D2），基于感知器的 ANN 模型（在§3 中通过特定行为和形而上学公理定义），以及人类意识体验的三个特征（F1-F3；‘复杂体验’；‘无意识共存’；‘无意识先行’）。我们现在转向特定的意识理论如何在这个问题框架内解决 p-绑定。

5.1. ‘基于功能’的神经生物理论和现象化机制

Seth & Bayne (2022) 表 1 中的 22 个神经生物理论或框架中的大多数关注意识方面而非 p-绑定问题，并将自身呈现为进行中的工作而非完整解释。从 p-绑定视角来看，该表中的大多数神经网络理论专注于指定神经网络创建一组信息现象意识的特定功能，即特定的‘现象化机制’。此类现象化机制包括网络元表征信息（例如，高阶理论；HOT），全局广播它（全局工作空间理论；GWT），重新处理它（递归处理理论；RPT），将其纳入预测处理/主动推理算法（PP/AI）的特定部分，根据注意选择/优先化功能评估它（注意图式理论；AST）等。

这些‘基于功能’的理论变体很少识别在 D2 p-绑定定义意义上体验性地绑定信息微观单元的特定机制，而是借鉴 D1 风格的功能绑定原则或作用于神经集合的其他计算原则。然而，如§2 所述，此类信息处理并不自动解决现象绑定。

当将任何现象化机制转化为特定的联结主义架构时，局限性变得清晰，例如§3.1 中的架构。无论所需的现象化机制在神经网络的何处发生，它都需要在遵循方程 (1) 的多个节点上发生。毕竟，这些网络仅由连接的节点集组成。例如，多个节点将被需要来实现广播功能或注意功能。根据 F1（‘复杂体验’），在该功能内操作的信息同样分布在多个节点上，使得需要一个跨这些节点的 p-绑定机制，作为功能操作相关空间子集的一部分。p-绑定问题仍然存在，它仅仅被移动到了神经网络的其他地方。相同的解决方案空间仍然存在；如前所述，需要对行为或形而上学公理（或问题设置的另一部分）进行一些调整。

例如，考虑一种可能的‘现象化机制’模式，基于标记因果激活链中的节点子集，要么在单独机制中识别它们，要么将它们的信息复制到新位置作为一种快速访问记忆的形式（标记可以构成实现元表征、注意或广播的一部分）。这种额外的标记提供了一个新工具来区分意识与无意识处理，潜在地生成所需的子结构。将信息移植到大脑中的某个‘注意区’可能提供另一个要探索的工具。然而，当使用此工具解释 p-绑定时，相同的选项空间继续适用。鉴于模型规格现状，所有节点在功能上是相同的，所有复杂模式最终简化为单个节点与其直接邻居之间的相互作用。方程 1 中没有任何东西在节点之间创建 p-绑定连接，除了对直接输入的点积，至少在没有平凡地连接所有节点、所有激活节点或先前激活链中的所有节点的情况下 [创建连接] 是没有的（这与 F2-F3 中捕获的无意识处理特征冲突）。因此，新模式要么生成超出方程 1 在网络中应用的功能（在这种情况下，方程 1 需要通过改变行为公理来阐述），要么划定一组节点来持有体验但在网络信息处理上没有差异（在这种情况下，需要激发一个新的形而上学公理，以便排除其他将识别不同节点划分的合理形而上学公理）。

这些模型迄今为止可能专注于功能绑定而非现象绑定，但这并不意味着它们不能解决现象绑定。相反，这意味着它们这样做的当前选项空间相对开放。确实，Seth & Bayne (2022) 中和其他地方的其他理论已经探索了‘基于功能’理论可能希望纳入的 p-绑定解决方案。我们现在描述文献中的各种明确解决方案，针对我们的问题设置进行结构化。我们不评论这些解决方案有多合理或完整，但认识到描述一个明确的解决方案是评估理论可行性的必要第一步。

5.2. 仅通过新形而上学公理解决 p-绑定的理论

理论可以通过识别神经网络的特定方面并将其定义为实施 p-绑定来寻求解决 p-绑定，即对其等效于方程 (1) 的内容没有任何更改或添加。

例如，IIT 建立在人工神经网络的因果图之上，该网络只有局部因果连接，在关键方面类似于§3.1 中描述的感知器网络。IIT 然后通过添加一个形而上学公理来解决 p-绑定，该公理定义了一种新类型的实体（一个“复合物”），每当满足某个严格动机的数学条件时，该实体作为模型中的子结构存在。根据定义，这种子结构跨越多个节点扩展，并将所有该信息绑定成一个单一实体。此类 p-绑定结构不一定映射到与复合物完全相同层面的 f-绑定功能（尽管在某些情况下可能存在此类映射）。考虑复合物通常不是系统在信息处理中操作的内部变量。特定复合物存在的事实是系统物理结构的结果，而不是一个自动表示为系统可用于 f-绑定的信息单元的事实。

IIT 阐述其形而上学公理以确保该子结构避免成为因果冗余。相关 p-绑定子结构（一个“复合物”）作为新实体的生成导致其组成节点在 IIT 存在定义下停止存在。因此，该子结构在模型中的信息处理上保持完整的因果归属。然而，这种形而上学可能难以接受，因为它依赖于一种存在定义，其中单个神经元在形成正确类型的模式时停止作为因果实体存在（McQueen & Tsuchiya, 2023）。尽管如此，如果没有这条规则，系统中意识存在的层次将导致因果冗余，即它的存在/缺席不会改变模型中节点层面的行为任何内容。

复合物由 IIT v4.0 数学规则定义（相对于其他数学规则，包括早期 IIT 版本）这一事实仅由形而上学论证动机化，而不是网络中节点层面规则的功能性后果。然而，其他理论声称通过改变模型中的行为公理并指定特定行为为 p-绑定来解决 p-绑定。

5.3. 通过新行为公理解决 p-绑定的理论

解决 p-绑定而不改变因果性或存在定义的另一种方法是识别额外的物理现象，这些现象可以实例化绑定但目前未包含在模型中。一个这样的例子是大脑中的电磁场，它们在各种意识理论中已被援引为绑定机制（例如，Jones, 2016; McFadden, 2020; Pockett, 2012; John, 2001）。

大脑中的电磁场主要源于神经群体（及其支持基础设施）的活动，并由神经元层面激活中包含的信息塑造。场已被描述为在该信息上实现 p-绑定的自然实体，潜在地凭借作为本身内在统一、空间扩展的物理对象，或以整体方式整合信息（McFadden, 2020）。

存在 EM 理论变体，其中只有特定场模式是有意识的，为解决 F2-F3 问题（‘无意识共存’；‘无意识先行’）提供了一条路径。一个突出的 EM 理论认为这些场模式对于大脑中的信息处理是副现象的（Pockett, 2012），尽管它仍然是一个在其他地方具有因果影响的物理现象（例如，对 EM 场测量仪器）。一个副现象场解决方案不需要对方程 (1) 进行任何更改来说明网络的信息处理行为，但确实需要添加新的互联方程来定义生成的场结构，以及形而上学公理来指定相关的有意识模式。这样的解决方案也代表了一个 p-绑定机制，它不是驱动大脑信息处理的 f-绑定机制的子集。

其他 EM 理论变体认为场确实影响信息处理（例如，McFadden, 2020），观察到临床在大脑中观察到的电场耦合（ephaptic）效应的双向因果性（例如，在猕猴的视觉皮层中；Pinotsis 等人，2023）。在这种情况下，方程 (1) 也需要调整，例如通过捕获局部场活动强度并允许该强度影响单个神经元发放倾向的项，例如，通过与阈值参数 bi 相互作用。然而，鉴于经典 EM 场模型的麦克斯韦方程在本质上是局部的（每个点仅受其直接邻居影响，类似于此处针对简单神经网络提出的问题），需要更多关于 EM 场究竟应该如何驱动 p-绑定的细节。EM 场的量子模型可能提供解决方案，但这些需要在评估之前加以阐述。

在寻找物理基础的绑定中，其他理论家检查了量子纠缠，其中物理学潜在地直接纳入非局部相互作用。例如，Orch-OR 明确纳入量子尺度现象来解释意识，部分由关于麻醉剂的实验证据提供动机（Hameroff, 2021）。在 Orch-OR 内，Wiest (2025) 认为纠缠实体的同时坍缩可以实现 p-绑定。该 p-绑定解决方案的进一步阐述包括验证在面对退相干驱动因素时维持量子效应的机制，在大脑中维持足够尺度的纠缠以代表意识体验中可能的最大信息复杂性，并将多个量子实体关联到每个大脑的‘单一心智’的共同感觉。

5.4. 通过拒绝 F1-F3 解决 p-绑定的理论

树突整合理论（DIT; Bachmann 等人，2020）可以以一种特定的非标准方式重新解释，该方式通过拒绝 F1（‘复杂体验’）来解决 p-绑定。

也许每个合适的 5 级锥体神经元 p-绑定足够的信息来解释人类体验的复杂性，注意到单节点 p-绑定已经在简化模型中扎根（见§4.2）。某些单个神经元可以包含大量信息，进一步支持这种可能性。例如，小鼠小脑皮层中的浦肯野神经元可以整合来自约 200,000 个颗粒神经元的信息（Nguyen 等人，2023）。也许我们‘丰富’的意识体验并不像看起来那么丰富，减少了我们需要解释的复杂性压力（例如，Zheng & Meister, 2025; Cohen 等人，2016; Simons & Chabris, 1999; 但见 Block (2007) 或 Kozuch (2024a) 支持丰富体验的论证）。DIT 仍然需要解决为什么我们的普通意识显得单一，当有许多合适的锥体神经元每个都有其单独的意识时，但存在这样做的选项（例如，Gómez-Emilsson & Percy, 2023 的即时记忆解决方案）。

其他候选解决方案可以通过拒绝 F2（‘无意识共存’）的严格解释来探索。例如，足够严格且协调良好的时间编码（Fries, 2015）可以确保振荡周期的特定相位仅包含意识体验的信息。在较不严格的解释下，通常非意识的活动可能发生在完全相同的窄时间窗口内（并且成为 p-绑定到意识体验中），但也许这种活动是足够小的比例或从周期到周期足够不一致，以至于我们的意识大脑简单地忽略它，类似于图像中的单个错误颜色的像素。鉴于大脑中有大部分具有非意识活动（例如，小脑模块），这样的解决方案可能也需要引入一种机制来隔离神经网络中的特定子系统。

5.5. 未承诺理论的前进路径

我们以 GNWT 为例，这是一个被广泛讨论的理论，目前还没有明确的 p-绑定解决方案，无论是在其经典变体（Mashour 等人，2020）、包含元认知的变体（Shea & Frith, 2019），还是与预测处理整合的版本（Whyte, 2019）中。

GNWT 表明，向多个专门化脑模块的信息广播是创造体验的原因，正如 Dehaene 在 Mudrik 等人 (2025:2) 中所描述。特定的广播模式可能会 p-绑定被广播的内容，但有多种方法可以实现这一点，以保持与 F2-F3 中捕获的无意识处理观察的一致性。可能存在一种特殊类型的神经元，它是“广播节点”，具有不同于方程 (1) 的特征：也许其突触激活比其他神经元更快或更强大，这将在新的行为公理中描述。也许“广播节点”仍然遵循书写的方程 (1)，但它们必须有最低数量的出站连接才有资格（也许在网络空间中延伸最低距离），其中广播和非广播节点之间的定性区别是通过形而上学公理分配的。也许广播节点是那些与物理结构整合以提供统一性本体论基础的节点，例如依赖§5.3 中关于 EM 场或协调纠缠行为的参考文献。

这些 GNWT p-绑定机制中的每一个都是非常不同的理论描述，并且可以想象出更多。有些可能具有更有说服力的理论动机，供理论家描述和辩论，无论是在 GNWT 机制内部还是跨其他理论。例如，一些候选机制可能更好地解决副现象主义问题或识别每个大脑的单一自我。其他机制可能与物理学原理更连贯，或者鉴于在人脑架构中实现的完整网络背景（例如注意、广泛访问或工作记忆），与特定的心理学观察产生共鸣。

一旦脑测绘和干预技术能够胜任此项任务，每种机制通常也会导致关于哪些脑结构与关于意识与无意识信息的自我报告数据一致的不同可实证测试的预测，这是建立在快速改进的工具（Elam 等人，2021; Amunts 等人，2024; Fan & Markram, 2019）和意识研究进展之上的，例如 Cogitate 联盟等人 (2025) 的对抗性实验。精确的实证调查可能需要等待 20-40 年才能获得神经元层面的大脑测量/模拟技术（Igarashi, 2025），但在原则上仍然是可能的，并且值得完善实验方案以备就绪。一般而言，例如，跨越不同意识和非意识状态的神经元连接和激活状态的广泛地图，包括关于什么信息被意识感知到什么没有的自我报告细节（注意不同报告范式的价值，例如 Rigato 等人，2021），可以测试标准，以清晰地将连接将信息整合成单一体验的“广播”神经元与不这样做的“非广播”神经元分开（例如，出站连接数量、激活风格或结构网络位置等标准）。严格的 p-绑定时间编码解决方案也可以使用相同的地图进行评估。此类调查不会直接证明 p-绑定，但可以表明所提出的机制不与本文中的 F2-F3 标准（“无意识共存”；“无意识先行”）相矛盾。

更近期的指示性实证调查可以将人类体验复杂性的巨大变化与 p-绑定候选机制范围的相应巨大转变联系起来。例如，研究可以继续建立与冥想或化学诱导的围绕最小现象状态转变相关的大脑活动变化（例如，Metzinger, 2020; Timmermann 等人，2025）。近似模拟也可以测试是否更有可能观察到此类活动与不同理论预测驱动 p-绑定体验复杂性的现象并存，例如 EM 场复杂性或振荡编码的信息量。

1. 结论

现象绑定现象对神经科学来说既简单又深刻。内省证据揭示了一种充满信息复杂体验的意识，尽管它植根于一个可分离为信息简单单元的系统（例如，单个神经元、突触）。

将 p-绑定折叠进 f-绑定的最初吸引人的答案未能提供自动解决方案，鉴于它们不同的要求以及在神经科学和哲学中各种常见立场上的不同说明。尽管如此，特定的 f-绑定机制可能仍然成功。为了探索这些以及神经网络可用的其他绑定机制，我们提出了一个故意简化的模型，实例化了一个明确的局部实在论形而上学。我们证明该模型未能实现 p-绑定的特定定义，同时也满足来自实证神经科学的三个意识特征。

我们的问题设置是建设性的，因为任何可能的解决方案都必须拒绝或适应至少一个问题组成部分：定义的 p-绑定的存在（D2），基于感知器的 ANN 模型（在§3 中通过特定行为和形而上学公理定义），以及人类意识体验的三个特征（F1-F3：‘复杂体验’，‘无意识共存’，‘无意识先行’）。我们描述了不同的意识理论如何在这个框架内解决 p-绑定（例如 IIT，场理论，Orch-OR），并考虑了其他理论的选项空间（例如 DIT，基于振荡的理论，和 GNWT）。一旦候选解决方案针对我们的问题设置提供了概念说明，其他理论需求就可以被探索。我们的评估表明，现有选项都没有提供简单的解决方案——每个都有问题要解决，需要实证工作来定义或支持其立场。有些需要在经典力学的标准形而上学内识别新功能，其他则转向新颖的形而上学或量子理论寻求解决方案。

有许多其他可能的途径可探索，包括放宽模型约束。涌现度量和马尔可夫边界定义是特别有希望的探索途径（例如 Hoel, 2025; Barnett & Seth, 2023）。同样，更复杂的动态绑定方法值得发展为完整的意识理论。任何这些可能的解决方案在准备接受审查之前都需要进一步的工作，例如指定意识单元，解决人脑中明显的独特离散自我，并描述驱动 p-绑定的机制，其在神经网络中的最小实现同时保持与 F1-F3 一致，以及是否暗示因果冗余（如同经典计算涌现）或被定义消除（如同 IIT）。

我们的中心焦点是人类体验。关于体验在不同动物系统中的多重可实现性怎么办（Bickle, 2020）？可能存在不同的物理结构（包括非神经元结构）来实现一般的心理功能角色，其中 p-绑定在心理层面最准确地表达和最强有力地动机化。

尽管如此，如果一个理论声称这个角色在人类中是通过神经网络架构实现的（至少部分），相关的神经元行为仍然可以在我们的解决方案空间中指定。神经元规格可能不如角色层面描述自然，但它仍然必须满足 F1-F3（或解释为何它们不适用）。心理功能理论家可能合理地论证神经元（例如）仅凭借它们如何实例化相关心理角色来解决绑定问题，这为其解决方案提供了动机。神经元实例化心理角色的技术细节仍然需要指定，作为人类体验的完整物理基础理论的一部分，我们仍然需要检查机制是否维持了人类体验中观察到的意识和无意识处理之间的边界。

我们将这种对人类体验的限制延伸多远？在意识理论在人类证据中有足够支持的地方，我们仍然可以测试它们提出的 p-绑定机制是否存在于人工系统中。我们也许还能够从人类系统外推原则，以识别更广泛的可信 p-绑定机制进行测试，即使我们永远不能完全排除完全异类的体验类型（Percy 等人，2025）。此类测试允许评论这些系统是否可能拥有复杂的现象体验伴随着任何可能在内部发生的信息处理，但不能超出哲学怀疑证明它。在某些情况下，我们也许还能够利用这些见解来避免在人工系统中生成此类体验，减轻某些伦理担忧。例如，如果严格的时间编码实现 p-绑定，相关的计算机操作可以错开以防止精确的时间重叠。即使在特定理论下意识的最小条件得到满足，控制 p-绑定限制了任何产生的体验的复杂性。

任何完整的意识解释必须对体验单一时刻中复杂信息的现象同时性有一个说明。认真对待这个现象结果是驯服当前候选理论激增的一个强大杠杆。接受给定理论提出的意识硬问题解决方案的表面价值，我们可以测试其可用工具用于 p-绑定机制的合理性。寻找一个可能赢得共识的解决方案在增强意识研究严谨性方面有相当大的潜力。

原文链接 https://www.sciencedirect.com/science/article/pii/S1053810026000115