Pradėsiu nuo antro klausimo, nes jis lengvesnis.
Paimi sistemą, kuri sudaryta iš didelio kiekio tarpusavyje sąveikaujančių dalių. Iš ko fiziškai padaryta sistema, neturi reikšmės. Taip, tiktų ir kompiuterinis realios sistemos modelis. Svarbu yra tik tai, kad sistema tenkintų tris kriterijus, kuriuos jau aprašiau kitoje temoje. Trumpai tariant, kai kurios sistemos dalys turi būti lengvai prognozuojamos, kitos - visiškai neprognozuojamos, ir galiausiai turi būti daug tarpinių dalinai prognozuojamų padėčių. Jei, po reasonably ilgo tokios sistemos stebėjimo, joje neemergina jokie sudėtingi reiškiniai, reiškia mano teorija yra neteisinga, nes ji prognozuoja būtent tai.
Žinau, kad čia yra mažiausiai kelios vietos, kurios tau garantuotai užklius. Bet nežinau, kurios užklius labiausiai, tai kol kas nedetalizuosiu.
Taip, potencialiai mano teorija gali atsakyti šiuos klausimus. Aišku, nesakau, kad aš pats galėčiau, ar net žinočiau nuo ko pradėt juos atsakinėti praktikoje.. Nu nes turėti teoriją yra vieną, o išdirbti visų tų tyrimų metodologijas yra visai kas kita.
Bendru atveju, tokie tyrimai atrodytų maždaug taip. Surenki informaciją, kuri adekvačiai aprašo tos sistemos būsenos kitimą laike. Jei visos sistemos aprašyti neįmanoma, dauguma atvejų užtektų ir pakankamai reprezentatyvios imties.
Toliau reikėtų adekvataus statistinio metodo įvertinti tų elementų būsenų entropiją - t.y., kiek toje sistemoje yra "netvarkos" šiuo momentu laike. Savo žaidimams (neapsivertė liežuvis tai vadinti "tyrimais" ) aš entropiją aproksimuodavau tiesiog sukompresindamas duomenis paprastu archyvavimo algoritmu - jei sistemos būseną galima labai sutrumpinti, reiškia joje buvo mažai netvarkos (žema entropija), jei sutrumpinti nepavyko visai - reiškia entropija maksimali. Ir mano atveju toks paprastas metodas veikė stebėtinai gerai. Tačiau aš čia turėjau privalumą, kad mano automatai (ypač vienmačiai) buvo labai lengvai aprašomi tiesiškai. Su kitokios struktūros duomenimis (pvz. - tinklais) gali būti sudėtingiau.. Bet neabejoju, kad tam irgi yra kokių nors matematinių modelių.
Ir galiausiai reikia žiūrėti kaip atrodo tos entropijos kitimo laike grafikas.
1. Jei entropija visai nekinta, reiškia, kad turim statišką sistemą, kurioje nieko įdomaus nevyksta (iš tavo pavyzdžio - akmuo), tai ir sąmonės ten ieškoti nėra prasmės.
2. Jei entropija yra labai žema, reiškia turim pernelyg tvarkingą sistemą, kurioje taisyklių erdvė greičiausiai yra nepakankamai plati į chaotišką pusę. Pvz., jei pamatytum, kad beveik visa kompiuterio atmintis užpildyta 1100110011001100(..) reikšmėmis, tai būtų visai lengva padaryti išvadą, kad joje nevyksta nieko sudėtingo, ir juo labiau - sąmoningo.
3. Jei entropija svyruoja arti maksimalių reikšmių, reiškia turim kitą kraštutinumą - sistemą, kurioje tvarkos yra per mažai, kad ji galėtų daryti ką nors įdomaus. Čia idealūs pavyzdžiai yra random generatoriaus outputas arba dujos termodinaminėje pusiausvyroje - triukšmo daug, o tvarkos visai nėra.
4. Jei entropija svyruoja plačiame diapazone tarp gana didelės tvarkos ir gana didelio chaoso - va čia yra pirmas signalas, kad turim reikalų su sudėtinga sistema. Tada tereikia apskaičiuoti tos entropijos kitimo funkcijos integralą visai laiko imčiai pagal tokią formulę:
Code: Select all
𝒦 = ∫ (S(t) - Sₘᵢₙ) dt
Ir vualá - turim mūsų sistemos sudėtingumo įvertinimą. Dėl patogumo galima jį normalizuoti - pvz. padalinant iš (Sₘₐₓ-Sₘᵢₙ)*t.
Tada telieka pažiūrėti, ar tas skaičius panašus į etaloninius kitų sąmoningų būtybių sudėtingumus, ir sužinosim, ar mus dominanti sistema yra sąmoninga.
Tačiau, net ir tuo atveju, jei neįmanoma tiesiogiai paimti duomenų apie sistemos būsenas, gali būti kitų būdų įvertinti entropijos kitimą - pvz., stebint smegenų bangas, arba net stebint ir bandant aprašyti subjecto elgesį. Jei tik tie duomenys yra pakankamai adekvačiai susiję su informaciniais procesais jo smegenyse/procesoriuje/etc., tai jie potencialiai gali būti panaudoti čia aprašytiems entropijos matavimams, ir dėl to gali būti geri sudėtingumo/sąmoningumo įvertinimai.