神經網絡的現象綁定問題

The phenomenal binding problem for neural networks

神經網絡的現象綁定問題

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

摘要

我們的目標是探索神經網絡的現象綁定機制，即把信息的微觀單元結合成人類現象學中常見的宏觀尺度意識體驗。這種體驗復雜性是有助于解釋現象意識的理論必須說明的一個關鍵特征。我們以一種有助于轉化為計算神經科學的方式為現象綁定提供動機，將其與相關但不同的主題聯系起來：功能綁定、意識的硬問題、和意識統一性。我們定義了一個故意簡單的人工神經網絡（ANN）模型，以便探索其實現現象綁定的選項的完整空間。我們證明該模型可以實現功能綁定，但在保持無意識和意識處理之間關鍵區別的同時，未能實現現象綁定。我們使用這個設置來構建現象綁定（p-綁定）的可能解決方案的結構，基于它們細化了模型的哪些部分或拒絕了問題的哪些部分。幾種既定的意識理論映射到我們的解決方案結構上，例如整合信息理論（IIT）應用的將節點聚合為復合物，Orch-OR 中的糾纏坍縮，或意識電磁信息理論（CEMI）中對場結構的利用。我們也討論了其他理論開放的可能解決方案，例如全局神經元工作空間理論（GNWT）和樹突整合理論（DIT）。盡管如此，目前，每個解決方案路徑都需要進一步的工作，識別研究人員豐富現有理論以適當解釋現象綁定的機會。

關鍵詞：現象綁定；功能綁定；神經網絡；現象意識；聯結主義

1. 引言

我們的日常生活通常充滿了信息復雜的體驗。當代神經科學中的神經聯結主義研究計劃主張，每種行為（例如走回家）都可以分解為一組不同的計算過程（例如視覺物體識別、導航和運動），這些過程通過各自腦回路（例如視覺皮層、海馬體和運動皮層）中的物理活動發生（Doerig 等人，2023）。在這種物理主義背景下，各種“綁定問題”追問由此產生的分散電化學活動模式如何被縫合在一起，形成看似整合的體驗和行為（例如 Roskies, 1999）。

本文基于綁定問題探索人類意識體驗的一個特定方面，即信息復雜性似乎被同時體驗的方式，而不是作為多個簡單信息單元跨越單獨的個體體驗鏈接在一起。Kozuch (2024a:1) 提供了主觀視覺場的熟悉例子，其中“許多屬性（例如物體、形狀或顏色）”在視覺場的不同部分被同時體驗。我們詢問在一個完全指定的簡單人工神經網絡（ANN）內，有哪些架構工具可用于構建組裝這種同時復雜性的機制，稱為現象綁定（p-綁定）機制。

標準分類法和綁定機制論文優先關注功能綁定 over 現象綁定（原文為 finding，此處指綁定），前者探索 underlying cognitive processing 的信息轉換（例如 Feldman, 2013; Plate, 2007; §2 詳見）。我們將這種有限的關注視為一個錯失的機會，認為現象綁定對基于人工神經網絡（ANN）建模的現象意識理論構成了嚴肅的約束，其中著名的例子包括全局神經元工作空間理論（GNWT）和整合信息理論（IIT）。

本文通過將建設性的關注帶給現象綁定，支持人類意識的神經網絡理論的發展，主要有三個貢獻：

首先，我們提供了現象綁定（p-綁定）的明確定義，這與功能綁定（f-綁定）形成對比。第 2 節論證了 p-綁定作為一個可觀察現象的動機，該現象需要在多種綁定問題的空間內進行專門解釋，將其定位于綁定分類法的文獻中，并將其與意識統一性和意識的硬問題區分開來。

其次，我們證明簡單 ANN 模型自然地傾向于 f-綁定，但無法在區分意識與無意識現象的同時解釋 p-綁定。第 3 節提供了一個簡單神經網絡模型的完整規范，明確說明了模型中允許的因果相互作用和存在的實體類型（例如，本文語境中稱為的模型“形而上學”）。第 4 節展示了我們的核心結果：該模型可以解釋 f-綁定但不能解釋 p-綁定。因此，本文提供了一個組織框架，用于識別解決此“神經網絡現象綁定問題”的解決方案選項空間。任何調用 ANN 相關邏輯來解釋人腦復雜體驗的理論，要么需要更復雜的模型，要么需要拒絕我們問題設置的部分內容。

第三，我們探索了對簡化神經網絡模型的潛在擴展或對問題設置的拒絕，這些可能解決 p-綁定。第 5 節描述了文獻中提出的幾種現有解決方案，以及對于尚未完全指定解決方案的理論的可能選項。

我們的方法受到以下因素的啟發：對激增的且所謂“令人困惑”數量的意識理論的擔憂（Doerig 等人，2021:42）；Giere 的基于模型的推理哲學 1；以及整合哲學和神經科學意識理論的潛力（Kozuch, 2024b）。例如，Kozuch (2024b) 表明，通過將意識哲學理論映射到特定的意識神經科學理論，可以使前者更加精確，為這些新變體帶來額外的實證分量。我們的方法以相反的方式走上了類似的道路：選取哲學/心理學文獻中詳細探索的觀察結果（p-綁定），并表明重要的神經科學理論子集需要細化才能解釋它。隨著理論家追求這種細化，我們可以希望獲得一組更強、更窄的理論，其中關鍵心理學事實明確錨定在神經網絡模型的特定特征中，促進實驗神經科學中對這些特征的實證質詢。

除了其在神經科學文獻中的重要性（Yu & Lau, 2023; 另見 §2.1），我們還注意到 p-綁定對心靈哲學文獻的重要性。例如，它是 Bayne (2010) 中描述的統一性的先決條件，也是意識理論需要解決的問題的文獻綜述中確定的兩個最常見問題之一（Percy, 2025）。

1. 背景：論證 p-綁定的動機

第 2 節首先回顧了綁定文獻，論證了現象綁定在神經科學分類法中尚未得到足夠的詳細說明（§2.1）。接著，我們提出了 p-綁定的定義和說明性例子，這在概念上將其與 f-綁定區分開來，即使某些機制最終可能被證明能夠同時實現兩者（§2.2）。最后，我們將 p-綁定與意識統一性（§2.3）以及意識的硬問題（§2.4）區分開來，為第 3 節奠定基礎，第 3 節將構建我們將用于探測候選綁定機制的神經網絡模型。

2.1. 先前的綁定分類

我們對現象綁定的視角植根于神經科學和哲學文獻中現有的先前綁定類型分類。雖然術語各異，但大多數分類法在純粹的功能綁定（f-綁定；與協調信息處理相關）和現象綁定（p-綁定；與該信息的主觀體驗相關）之間做出了區分。然而，面向神經科學的分類法對與 f-綁定相關的問題投入了顯著更多的注意力。

最早的綜述之一是 Treisman (1996:171)，他明確說明了“至少七種不同類型的綁定”，它們在性質上都是功能性的（屬性、部分、范圍、層次、條件、時間和位置綁定），隨后注意到與“意識本質更深層問題”的潛在聯系（同上，p175）。關于綁定的這一現象方面沒有提供進一步的細節，但將其識別為一個單獨的（盡管相關的）問題，為差異化分析奠定了基礎。

一個類似的早期例子是 Roskies (1999:7) 關于“許多綁定概念”的廣泛引用的論文，她解釋說知覺綁定問題涵蓋跨越視覺空間、跨越特征以及跨越皮層區域的綁定，適用于不同感官模態內部及之間。她接著描述了各種認知綁定問題，以及不同機制可能解決不同類型綁定的可能性。所有這些問題在性質上都是功能性的；它們涉及信息如何被處理。

Roskies (1999:9) 以介紹意識問題（在本文語境中等同于現象體驗）作為結束，稱其為“也許是所有綁定問題中最令人困惑的一個”。

許多其他神經科學家和哲學家也提出了綁定分類法，其中包括針對主觀性、現象學或完整意識狀態的獨特類別，超出了區分功能綁定類型的類別。例如，Feldman (2013:1) 區分了“至少四個不同的問題”：一般協調、視覺特征綁定、變量綁定和知覺的主觀統一性，其中后者大致對應于我們語境中的 p-綁定。Plate (2007:775) 也提到了“第三種 [綁定] 問題 [...] 以現象學術語指定”，同時探索不同類型綁定之間可能的共同點。Hirstein (2012:57-58) 提出了五個綁定級別，其中只有第五個級別描述了綁定成“完整意識狀態”。然而，這些分類法并沒有提供關于現象綁定的詳細討論，或者可能將其與討論的其他形式綁定區分開來的標準，除了對體驗或主觀性的一般提及。

更豐富的討論可以在 Revonsuo (1999) 中找到，他通過描述層次區分綁定類型。Revonsuo & Tarkko (2002:4) 將這些層次總結為："(1) 在神經層次，空間上分離的單細胞活動整合形成連貫的功能神經集合（例如，通過同步活動），特別是響應全局刺激屬性；(2) 在認知層次，分布式模塊化輸入處理整合形成用于知覺、記憶和行動的連貫表征（特別是通過焦點注意）；(3) 在現象層次，簡單現象特征和感覺整合到統一現象世界和連貫現象對象的體驗：意識的統一性。”

明確的短語“現象綁定問題”以及與“功能綁定”的區別由 Garson (2001:381) 正式引入，他認為這兩個問題需要“非常不同的處理”。主要分類法中使用獨特類別促使最初對 p-綁定和 f-綁定進行單獨處理。

解決這些不同綁定問題的方法已在神經科學、認知科學和計算建模的一系列層次上進行了探索。在功能和心理層次，綁定經典地被特征化為注意選擇、知覺組織和索引機制，最突出的是特征整合理論（Treisman & Gelade, 1980），該理論提出注意將分布式特征表征綁定成連貫的知覺對象，以及在相關的對象文件、視覺索引和偏向競爭框架中（例如，Kahneman 等人，1992; Pylyshyn, 2001; Desimone & Duncan, 1995）。這些說明指定了特征被視為屬于一起的條件和過程，但對于實現這種整合的潛在神經或計算機制大體上不做假定。

在機制層次，一組突出的提議是借鑒時間綁定的模型，例如同步或鎖相神經活動被視為信號特征整合的地方（例如，Crick & Koch, 1990; Singer, 2001; Fingelkurts 等人，2010）。基于速率和注意調節的說明也被提出，強調神經元放電的協調變化作為對象表征的基礎（例如，Roelfsema, 2023）。另一類方法在表征結構和計算層次解決綁定，包括強調分布式特征表征的層次和拓撲收斂作為對象整合基礎的說明（例如，Damasio, 1989; Han & Sereno, 2024），遞歸和幾何框架其中合取實現為高維狀態空間的不同區域（Elman, 1991; Chaudhuri 等人，2019），向量符號和超維表征（Kymn 等人，2024），以及 enable 特征靈活重組的組合架構（Greff 等人，2020）。詳細綜述可以在 Yu and Lau (2023), Schneegans and Bays (2019), 和 Burwick (2014) 中找到。

這些說明在其提出的機制和抽象層次上不同，但大體上將綁定視為服務于下游處理的信息整合問題（f-綁定），而不是當下意識體驗的直接問題（p-綁定）。然而，詢問某些 f-綁定機制是否也可能實現 p-綁定是合理的。一些最近的工作明確將綁定的計算模型連接到意識體驗，例如通過耦合振蕩器的動態綁定（Kraikivski, 2020, 2022）和綁定的貝葉斯模型（Laukkonen 等人，2025）。

為了測試此類提議在實現 p-綁定方面的充分性，重要的是有一個關于 p-綁定是什么以及解釋它可能需要什么的清晰問題陳述。我們的論文貢獻了這個問題陳述，從定義開始，提取綁定分類法中識別的關鍵區別，并提供 p-綁定機制應滿足的最低標準（不一定是完整標準）。哲學和心理學文獻提供了重要材料來利用以充實神經科學分類法。例如，在心靈哲學中，現象綁定問題可以映射到組合問題（Chalmers, 2017），伴有 James (1895) 有影響力的心理學分析；見 Wiest (2025) 和第 2 節其余部分的更廣泛討論。

2.2. F-綁定和 p-綁定定義

在本文中，我們希望在特定的人工神經網絡（ANN）模型和意識理論的背景下操作化功能綁定和現象綁定。因此，我們采用了具體的對比定義，反映了§2.1 中討論的分類法中的關鍵區別，即為處理整合信息與為主觀體驗整合信息之間：

D1（f-綁定）：一個功能綁定機制將多個信息基本單元整合成一個單一的功能單元，以驅動響應或進一步的信息處理。

D2（p-綁定）：一個現象綁定機制將多個信息基本單元整合成人類現象學中常見的同時且信息復雜的意識體驗。

D1 是一個故意通用的定義，可以涵蓋文獻中存在的多種形式的功能綁定，例如感官模態內或之間的綁定。這種通用定義的價值在于與 D2 并列，以突出信息綁定與體驗綁定之間的關鍵區別。這些定義在圖 1 中說明。在 f-綁定下，產生對“汽車鳴笛”存在的二元評估的計算可以分解為獨立元素，其中每個元素都無法看到整個計算邏輯。在 p-綁定下，對多個元素的意識在關鍵階段可用，以支持復雜體驗作為一個獨立現象，無論其對未來信息處理有任何相關性。其他機制可以實現 f-綁定，超出圖 1 中的二元決策樹，例如§4.1 中討論的機制。

f-綁定的一個簡單例子是在給定適當的光強度視覺模式的情況下檢測單個、離散邊緣（Hubel & Wiesel, 1962）。如果我們考慮單個光點為獨立的信息基本單元，一個 f-綁定機制生成一個對應于給定邊緣的單一信息構造。這個特定的邊緣構造僅在足夠多的組成光檢測器被激活時激活，指示該邊緣的存在作為一個數值，用于后續信息處理，例如物體識別或路線規劃。

如上定義的 F-綁定在計算和 ANN 中是常見的。一個神經元或神經元網絡可以通過過濾掉輸入空間的其他特征，從而對其不敏感，來突出輸入空間的一些特征，從而執行 f-綁定。例如，實現 AND 門的神經元將其兩個輸入上的狀態 (1,1) 的信息與輸出 1 進行 f-綁定，將狀態 (0,0), (0,1), 和 (1,0) 折疊為輸出 0，將其與其他形式的 f-綁定區分開來（例如，由 OR 或 XOR 門執行的）。F-綁定是信息的減壓閥，允許一個簡單的信息事實代表一個更復雜的信息事實。

f-綁定機制成功的標志是系統是否在整合了多個信息單元后以適當的方式響應。識別在大腦中提供 f-綁定的特定數學模型和不同物理機制是神經科學中一個活躍的研究領域（例如§2.1 中的引用）。

相反，p-綁定的存在可以通過內省觀察到。例如，在普通情況下，我的視覺場可以包含多個物體。我可以同時體驗兩個相鄰的單詞作為單獨的物體——并且有將它們都保持在心中的感覺。p-綁定中的同時性可能是現象性的而不是實際的（即，體驗到的同時性可能適用于在不同時間點激活的物理和信息物體），但仍然需要對現象同時性的某種說明。究竟什么機制可能足以實現 p-綁定將在本文后面討論，但在這里清楚存在一個需要解釋的現象就足夠了。

觀察到 p-綁定的復雜體驗存在于我們的體驗中，足以激發研究興趣來解釋該觀察，但 p-綁定也可能在特定背景下 serve an important function（發揮重要作用）。例如，某些 p-綁定機制可能在比較某些信息構造方面比其他實現類似輸入/輸出功能但沒有 p-綁定的機制更節能——或者鑒于特定的進化路徑，它們可能在物理上更容易實例化。探索 p-綁定任何可能好處的前提是理解其獨特特征以及它如何與其他過程相關。

f-和 p-綁定的定義（D1 和 D2）顯然密切相關，但它們的區別需要一些額外的解釋。D1 專注于以某種方式使用統一的信息構造。D2 專注于可以與統一構造相關聯的體驗，該構造可能通過 f-綁定機制統一，但也可能合理地通過其他機制統一（見§5.2 和§5.3 關于 IIT 等理論，其中 p-綁定不一定與大腦使用的 f-綁定機制相關）。至少，需要一些關于體驗的解釋來將 D2 與 D1 聯系起來，along with（以及）一個對應的單一體驗實體的定義，該實體可以持有復雜體驗（包括實體的性質、邊界和物理相關性）。

2.3. 與意識統一性的對比

一些研究人員批評了意識總是完美地統一成單一整體體驗的想法，包括 Dennett (1991), Zeki (2007), Kirkeby-Hinrup (2023), 和 Schwitzgebel (2024)，盡管我們也注意到支持統一性的論點的力量（例如，Bayne, 2010; Albantakis 等人，2023:3）。相關地，Zmigrod 和 Hommel (2011) 認為統一性的意識體驗既不是特征綁定（f-綁定的一個例子）的先決條件，也不是其直接后果。我們的論證仍然有效，without requiring（不需要）這些研究人員討論的現象統一性的強概念。

就本文而言，一旦任何可概念上分離的體驗實際上被一起體驗，就存在一個足夠的解釋問題。即使在給定時刻我們所有的意識體驗周圍沒有整齊的邊界，一旦有任何包含信息復雜性的體驗，p-綁定現象就會出現。例如，即使意識僅在我們轉向注意它時才統一，當它確實發生時，我們仍然需要體驗統一性的解釋。即使意識被碎片化成多個“草稿”，一旦任何一個“草稿”在其視覺場中包含多個物體并同時體驗它們，就需要某種 p-綁定機制。

2.4. 與硬問題的區分

硬問題詢問為什么任何心理/認知功能都應該伴隨著體驗（Chalmers, 1995）。例如，它的力量來自解釋性差距論證（Levine, 1983）和 p-僵尸的可構想性（Kirk, 2023）。

Chalmers (1995) 認為，我們可以構想任何功能在沒有意識體驗的情況下發生，并且作為結果，我們觀察到的世界中發生的事情沒有任何變化。Chalmers (1995:210, 原文強調) 認為，因此我們需要假設或“橋接原則”來解釋為什么某些功能伴隨著意識體驗而某些沒有。在通常假設某些功能不伴隨著體驗的情況下，這種直覺更強，例如大腦中無意識信息處理的概念或計算機中圖像識別的功能（即使它可能與人類在做等效功能時會意識到的結果圖像有相似結果）。

硬問題的這種可構想性論證基礎可以被否認。也許作為現象綁定的結果，總是存在某些特定的功能差異，即使今天它沒有很好的記錄。如果是這樣，雖然某人可能能夠構想該特定功能在沒有體驗的情況下發生，他們 simply（僅僅）是錯誤的。盡管如此，where someone accepts the Hard Problem（如果有人接受硬問題），p-綁定應被理解為一個需要解決的進一步主題，超出硬問題直接要求的回答類型。如果硬問題詢問為什么任何功能都應該伴隨著體驗，p-綁定問題詢問為什么該功能應該伴隨著單一的、內部統一的和復雜的體驗，而不是分布在多個體驗主體上的多個、分散的、 separate experiences（單獨體驗）。

從計算視角查看一個功能，為什么單個體驗實體不映射到——例如——算法中的單個步驟或神經網絡中的單個節點激活？無論如何，如果可以構想某些功能伴隨著體驗而其他沒有，那么同樣可以構想單獨質疑這種伴隨發生的層次。例如，如果一個算法由幾個模塊化功能組成，并且每個功能由各種邏輯門組成——并且如果該算法本身嵌套在更廣泛的操作系統中——為什么體驗單元應該在算法層次，而不是其邏輯門、模塊或更廣泛系統的層次？

第二個熟悉的例子可以來自人類視覺體驗。從硬問題視角，p-綁定詢問為什么視覺場景的單個“像素”在“心眼”中被體驗為單一整體圖像，而不是作為單個的、 separate（單獨的）的和 massively parallel（大規模并行）的體驗，可能對應于單個神經元激活、神經集合或中央凹掃視。從信息處理角度來看，這些替代體驗映射中的任何一個都可以構想為提供相同的功能。除了在我們普通視覺場更小尺度上的現象伴隨，也可能僅在更大尺度上存在伴隨。例如，我們可以想象根本沒有對視覺場的意識體驗，僅對從視覺場信息分析得出的結論和含義有現象訪問（例如“左側發現捕食者”，“右側發現紅色漿果”）。該系統仍然可以在無意識地情況下完全訪問視覺信息并可以有效地導航，也許類似于自動駕駛車輛，但意識體驗 simply（僅僅）在系統中的其他地方隨附。

利用 p-綁定問題進行研究的一個有力方法是假設給定理論對硬問題的回應，然后詢問該理論將如何實現 p-綁定。在那里它難以做到這一點時，我們建議該理論的某些細化或替代值得注意，例如應用于 Percy 和 Gómez-Emilsson (2025) 中的整合信息理論。

1. 方法：簡化神經網絡中的 p-綁定

第 2 節已經定義了 p-綁定和 f-綁定，論證了 f-綁定和 p-綁定并非先驗相同，但保留了某些類型的 f-綁定在與額外的解釋或機制結合時確實實現 p-綁定的可能性。第 3 節現在闡述了我們要探索此問題的方法。我們指定了一個簡化的神經網絡模型，為了測試其實現 f-綁定和 p-綁定的能力，結果將在第 4 節提供。

3.1. 基于感知器的神經網絡模型設置

我們考慮一個任意大且任意連接的神經網絡，其中每個節點可以通過感知器方程建模。實際上，節點是某種生物實體（例如神經元或一組神經元），它實現一個函數 f，如方程 (1) 所定義，其中所有項都被假設為數值可計算的。

(1) 所有節點 實現：; 其中：

在簡化模型中，我們的目標是解釋權重和偏差靜態的網絡中的不同綁定機制，即不包含學習機制。未來的工作可以探索放寬這一假設，盡管我們注意到神經科學通常將權重更新理解為長期功能，對于時刻發生的認知行為或意識體驗不一定需要。

網絡規范允許循環連接，它可以實現時間擴展的過程，如記憶和振蕩（Sussillo & Abbott, 2009）。雖然規范排除了單個神經元層面的連續值輸出，它可以通過以不同模式激活的節點組來表示此類輸出的近似值，包括包含在發放率中的信息而不是瞬時激活（例如，通過在某個連續時間窗口上平均節點輸出）。由于網絡大小或結構沒有邊界，該模型是圖靈完備的，可以近似任何可計算函數（Siegelmann & Sontag, 1992）。

如§3.1 所述，簡化模型反映了神經科學中通常視為神經元和網絡層面信息處理核心的計算，承認可能需要多個物理系統來實現方程 (1) 功能的不同方面。與所有模型一樣，此設置是對現實的故意簡化。例如，該設置將多種神經元類型、突觸和激活函數簡化為單一數學對象，并排除了神經元下活動、神經遞質/調節劑、膠質細胞、循環系統以及大腦的許多其他物理特征。顯然，這種多樣性和物理特征是大腦作為物理對象實際運作的一部分。問題在于，在一個成功解釋 p-綁定的模型中，此類簡化是否可以安全地被抽象掉。

3.2. 模型中的形而上學公理

形而上學公理允許我們明確說明模型應如何解釋，其中一些必然源自§3.1，另一些代表應用于網絡的定義。

此模型中的跨節點信息處理被理解為模仿生物神經網絡內的處理。存儲在神經元或神經集合中的信息在該集合中的神經元以適當模式激活時，在特定信息處理任務中被訪問（Carrillo-Reid & Yuste, 2020）。這種方法也是聯結主義網絡中信息處理的標準（概述見 Buckner & Garson, 2025），例如，其中信息處理是“簡單的、類神經元處理單元之間通過加權的、類突觸連接的激活流”（Patterson 等人，2007:985）。雖然其輸入激活可能由連續值表示，但給定節點的輸出是二元的：節點/神經元可以是激活的（建模為值 1）或未激活的（建模為值 0）。

這個簡化的、基于感知器的模型的一個關鍵特征是其形而上學本體論（關于什么實體存在的主張）僅包含節點和節點之間的連接及其在 (1) 中定義的明確屬性。所有因果性和所有隨時間的信息處理都捕捉在感知器方程中。

主流計算神經科學主要在經典力學和物理主義的因果和形而上學框架內運作。我們的簡化模型做出相同的操作假設。詳細說明，簡化模型中唯一允許的因果相互作用發生在局部連接的節點和連接之間，即任何節點/連接在下一個時間步的狀態和動作僅受其在當前時間步的直接相鄰連接/節點影響。沒有非局部效應。相互作用在系統內完全確定，受制于外生輸入。隨機元素可以通過實現偽隨機數生成的模塊來近似（Wang 等人，2006）。換句話說，該模型是完全可計算的、確定性的且僅局部的。

模型的公理，在本文術語中，由方程 (1) 定義，其中方程規則（給定網絡結構和初始條件）定義行為公理（§3.1），伴隨的關于信息處理、僅局部因果性和模型實體全面覆蓋的主張定義其形而上學公理（§3.2）。因此，我們的任務包括僅使用這些公理，從微觀尺度相互作用解釋 f-綁定和 p-綁定的明顯宏觀尺度現象。

1. 結果：模型中的 F-綁定和 P-綁定

第 4 節證明第 3 節中的模型具有足夠的構建塊用于 f-綁定機制，但不能實現 p-綁定的關鍵特征（跨越多個信息基本單元的信息復雜性的現象同時性），同時保持意識與無意識體驗之間的嚴格區分。如果要如所述維持 p-綁定，則需要對模型進行一些非平凡的擴展，要么通過附加功能（來自§3.1 的行為公理），要么通過附加定義（來自§3.2 的形而上學公理）。

4.1. 模型內的 F-綁定

模型的行為可以被視為輸入空間的空間變換，如圖 2 中的網格檢測網絡所示。在這個例子中，網絡被呈現一個圖像，這是一個高維輸入（其中每個像素的強度代表輸入空間的一個單獨維度）。網絡中的每個節點以兩種方式降低其輸入的復雜性。首先，它對輸入進行加權和（方程 1 的步驟 i-iii），將高維輸入減少為一維輸出。其次，閾值操作 h 將步驟 1 的實值總和轉換為二進制值（方程 1 的步驟 iv）。結合起來，這些簡化變換在網絡中實現了一種基本形式的 f-綁定。與這種減少相比，p-綁定被概念化為擁有對更大輸入空間的訪問權，在圖 2B 中可視化為編碼刺激特征的虛線坐標框架。

其他形式的 f-綁定是可能的。例如，循環連接可以引入持久狀態，實現諸如注意或記憶等過程。模糊匹配是可能的，例如擁有由"M 個輸入中的任意 N 個”功能驅動的單個節點，類似于§4.2.2 中的單節點 f-綁定例子。F-綁定也可以分布在多個節點上。例如，自動編碼器的中間層可能從輸入層提取兩個特征，使得每個特征啟動一個單獨的動作，并且這兩個動作的組合共同產生一個相關效應（單獨使用任一特征/動作都不會發生這種情況）。該效應可能具有適應度益處，強化這種特定的網絡模式，這滿足了 D1 f-綁定定義中功能統一決策的要求，即使在整個基于自動編碼器的網絡中沒有任何一個節點在兩個特征存在時獨特地激活。與單節點整合不同，這種功能統一性沒有直接映射到信息統一性的物理子結構。

我們使用"f-模塊”來指代通過 f-綁定操作信號指示（可能復雜的）特征存在的節點。雖然這些整合可能比圖 2 中的例子更復雜，但它們共享將包含在更大輸入空間中的信息折疊為更簡約輸出的共同原則，該輸出引發下游神經或行為反應。

4.2. 解釋 p-綁定的困難

指定一個 p-綁定機制需要一種邏輯，將組成信息連接在一起，維持一定水平的復雜性，并描述一個物理結構，以現象同時性的方式體驗連接的信息。這些規格必須在模型的明確公理內運作，在面對潛在物理機制（神經元/突觸）時保持合理性，并與意識體驗的其他特征一致。

模型內 p-綁定的一個候選位置是在 f-模塊的輸入階段，例如，通過將單個輸入的活動保留在它們折疊成單一加權和之前。然而，現代神經科學預計我們的現象意識擴展到單個 f-模塊整合的信息之外，而是操作化跨多個腦區分布的表征（例如，Dehaene & Changeux, 2011; Ahmad & Hawkins, 2015; Baars 等人，2013）。內省也表明內容具有顯著潛在的復雜性，合理地超出單個 f-模塊的范圍，例如，歌劇院中單個現象同時體驗可能包含多個音符、復雜視覺場景、軀體印象、情緒反應和敘事思維。我們在 F1（“復雜體驗”）中明確了這一假設，作為人類體驗的三個“特征”之一，這些特征由實證神經科學的發現證明，我們將用它來挑戰模型內潛在的 p-綁定機制：

(F1) 復雜體驗。在至少某些個體時刻，我們同時意識到的信息多于單個 f-綁定模塊所能包含的信息。

(F2) 無意識共存。在至少某些個體時刻，我們并不同時意識到大腦中那一刻正在處理的所有信息。換句話說，無意識信息處理與意識處理存在于同一個互聯神經網絡中，即使在其不同部分。

(F3) 無意識先行。在早期階段無意識處理的信息后來可以以某些形式用于意識處理，使得我們變得意識地意識到它。換句話說，進行無意識處理的神經網絡的一些部分饋送到其他對應于意識覺察的部分。

F2（“無意識共存”）是主流神經科學中的標準立場（例如，Clausi 等人，2017; Dehaene 等人，2006）。人們可能會反對，當同時性在非常細的時間分辨率上定義時，意識和無意識神經活動實際上從未同時發生；然而，雖然這種可能性值得探索，但它超出了當前實證工作所提供的限制（見§5.4 中的討論）。另一個可能的反對意見集中在措辭上，認為我們不能排除信息處理總是被某個意識實體有意識地感知，即使不是我們通常的“我”。這種可能性不會損害我們的論證，因為捕捉我們體驗內容的 p-綁定并不操作于這個其他信息之上，并且 F2-F3 可以參考意識體驗之間的分離（跨獨立的自我）而不是同一自我/系統內的意識和無意識活動之間的分離來重新表述。另一個對 F2 的可能拒絕可能聲稱我們實際上意識到大腦中的所有信息，但進化適應度已調整我們只關注其中極少部分。然而，這將是一個與當前證據相反的主要實證主張。它也超出了語義合理性的范圍延伸了意識覺察的定義：如果我們對某事關注如此之少以至于它從我們的覺察中消失（甚至無法通過刻意的努力訪問它），我們怎么能聲稱意識到它？

F3（“無意識先行”）捕捉了意識和無意識信息處理之間的連接（例如，Cleeremans, 2014），神經科學中有許多例子，包括視覺信息的無意識預處理，其中結果被浮現到意識覺察中（例如，Kanai 等人，2006; Breitmeyer, 2015; Tschechne & Neumann, 2014）。

§2.2 提出了這種可能性，即現象同時性可能是物理精確同時性的結果，或者是平滑順序但非同時物理動作的結果，其中后者需要某種跨時間 p-綁定機制。我們將首先使用 F2（“無意識共存”）來排除模型內利用精確同時性的 p-綁定機制的可能性，然后轉向 F3（“無意識先行”）來排除模型內跨時間 p-綁定的可能性。

4.2.1. 使用精確同時性的 p-綁定機制的缺乏

在模型內，精確同時性將被解釋為在一個共享的單一時間步內發生的活動：一種樸素同步的形式。困難在于指定擁有體驗的結構。這個體驗實體需要擴展到單個 f-模塊之外（根據 F1：‘復雜體驗’），但唯一其他自然明確指定的結構是整個網絡。在單個時間步內綁定所有節點值（甚至僅活動節點）與 F2（‘無意識共存’）沖突，因為在這種情況下，我們實際上會意識到大腦中其他地方同時發生的那個無意識處理。

為了挽救物理同時性，我們需要分離意識和無意識過程，但指定新子結構的所有選項都導致對公理的一些調整。指定子結構的最簡單方法是調用表現不同的新類型節點或連接。然而，這種不同的行為，根據定義，將不再符合所有節點/連接遵循方程 1 的模型規則。這個 p-綁定解決方案可能是可行的，但它需要對§3.1 中模型的行為公理進行一些更改或添加。

指定子結構的一種更微妙的方法是維持現有的模型結構/規則，但定義一個施加 p-綁定的特定模式。例如，一種這樣的 p-綁定邏輯可以是整合所有彼此處于激活相互關系中的節點（也許受到 Reimann 等人 (2017) 中單純形模式的啟發），而另一種可能整合所有具有至少一定數量激活入站連接的激活節點。

對于這種基于定義的 p-綁定規則，實際上有無限的選擇。從§3 中當前的行為和形而上學公理來看，不清楚哪個選項適用。因此，無論哪種模式定義 p-綁定，都需要被指定以便我們的模型完整。即使該模式不需要對方程 1 進行任何闡述，它也對應于一個應應用于網絡的新定義——并且是一個特別重要的定義，因為它允許一種新類型的復雜體驗出現。這個定義將在§3.2 中形而上學公理的更改或添加中找到歸宿。同樣，如果有多個通過新行為公理指定的離散子結構，我們將需要一個額外的形而上學公理來指定哪組子結構對應于 p-綁定。

4.2.2. 使用不精確同時性的 p-綁定機制的缺乏

如果 F2（‘無意識共存’）的主張阻止了物理精確同時性在模型內驅動 p-綁定，那么不精確同時性是否提供了解決方案？

通過這個視角，我們同時意識的體驗可以跨越模型中的多個時間步，其中每個時間步在網絡結構內生成更多信息。模型中明確可用的唯一跨時間步綁定邏輯是跨連接的直接激活鏈。如果綁定可以在連接激活之外的跨時間步發生，那么不清楚什么物理機制應該支撐它，因為在沒有擴展§3.1 中的行為公理的情況下不存在其他信息傳輸協議。

F-綁定可以容易地利用這種激活鏈來表示集合在共激活變化中的存在，例如圖 3 中 A->B->C 的序列在節點 X 中表示。F3（‘無意識先行’）阻止我們將這種相同的“樸素因果回歸”邏輯應用于驅動當前網絡內的 p-綁定，其中所有節點/連接必須遵循相同的規則。這種 p-綁定邏輯需要一個規則，如“當節點 2 在來自節點 1 的直接入站連接的貢獻下被激活時，節點 1 和 2 中的信息被 p-綁定”。這個規則意味著無論什么節點激發了節點 1，也將與節點 1 和 2 一起被 p-綁定，以及因果鏈中更靠后的所有節點。在該因果回歸的某一點，在至少某些情況下，我們將跨越從意識到無意識處理的邊界。當我們跨越該邊界時，我們的 p-綁定機制（如當前指定）將繼續運作，因此無意識的東西實際上應該被有意識地體驗：這是一個反駁了這種因果回歸 p-綁定機制的矛盾。

與精確同時性一樣，我們需要在意識和無意識信息處理之間創建一個屏障，在模型內定義不同的子結構。相同的選項空間可用，增加了跨時間步的結構，例如激活鏈中順序或同時連接的數量。如前所述，我們將需要對模型公理進行一些擴展/適應來證實這種 p-綁定機制，無論是使用新的行為公理還是新的形而上學公理。

4.3. 通過動態綁定的方法

任何建立在感知器 ANN 之上的候選 p-綁定機制都必須改變當前公理設置的某些內容。框架的優勢體現在識別提出的候選方案如何適應其中，即假設一個理論的意識規范，它可以調用什么 p-綁定機制來實現復雜意識體驗，以及這些如何改變我們的問題設置。我們以“耦合振蕩器”作為實現動態綁定的說明性候選機制，討論它如何解決 p-綁定以及它在我們的框架中適合的位置。

Kraikivski (2020) 將知覺（percept）定義為一種特定過程：一個暫時重復的神經元序列，例如一個振蕩神經集合。知覺也成為意識覺察的候選者，當它們滿足“完備性屬性”時，即每個過程的結構可以從分析相關系統中的所有其他過程完全推導出來，這旨在解決計算過程需要用戶解釋給定過程指代什么信息的擔憂。在幾個優勢中，知覺的持續“循環”觀點更好地符合這一事實：信息通常只有在持續了最短時間段后才會進入（可報告的）意識覺察（例如，Hurme 等人，2017）。

基于這個意識知覺的定義，Kraikivski (2022) 在其理論中闡述了一個 p-綁定機制，該機制具有吸引人的抗噪聲品質（Kraikivski, 2024）。兩個意識知覺，對應于兩個不同的振蕩集合，當它們在交叉耦合機制（例如，兩個振蕩器之間的合適反饋連接）之后開始同相振蕩時，變得被共同體驗（即 p-綁定在一起）。這種耦合振蕩器系統被證明能夠區分某些輸入，為網絡提供 f-綁定效用（Kraikivski, 2022:7）。

這些耦合振蕩器動力學可以通過一個活動受方程 (1) 支配的網絡來實例化。例如，一系列神經元激活可以反饋到自身以創建一個持續存在直到被破壞的循環。兩個序列可以通過幾種方式定義為同相。例如，它們可能具有相同的周期和穩定的相位差（完成一個完整循環的時間步數相同，因此它們始終處于各自周期的相同相對點），它們可能具有完美嵌套的周期（一個的循環時間是另一個的整數倍），或者它們可能都依賴于網絡中其他地方架構“時鐘”或相位計數器中的同一個激活節點（即一個單獨的高度穩定循環）。

這種方法原則上可以解決 F1-F3 特征。跨多個振蕩集合的多神經元活動自動為 F1（“復雜體驗”）提供了一條路徑。F2（“無意識共存”）在以下情況下得到解決：例如，其他神經元可能在大腦中同時激活但不形成振蕩集合。更嚴格的標準也可以排除那些“碰巧”同時振蕩的集合：它們可能不滿足“完備性”屬性（Kraikivski, 2020），它們可能沒有彼此耦合，或者它們可能不符合同相的正確定義。F3（“無意識先行”）也可以得到解決：無意識處理的信息可以在適當的反饋循環同步化（待定義）之后轉入（并退出）意識覺察，使集合與目標振蕩集合同相或不同相。圍繞該模型是否會導致大腦中產生多個體驗自我，或者是否存在某種機制確保一個獨特的自我（對應于我們通常的日常體驗），仍然存在疑問。盡管如此，可以設想出一條通往完整解決方案的路徑。

假設耦合振蕩器理論能夠令人滿意地指定前一段中的標準和定義，那么該解決方案將適合我們的框架中的哪里？F1-F3 已在不對方程 (1) 進行修改的情況下得到解決。盡管如此，需要新的形而上學公理來指定網絡的哪些方面具有體驗意義。考慮前一段中指出的定義既未在§3.2 中指定，也無法通過檢驗方程 (1) 來唯一識別。

反映耦合振蕩器 p-綁定解決方案的形而上學規則可能有充分的理由支持（例如，由完備性原則，由知覺持續時間證據），但它們不是唯一的。某些規則中可能存在無法僅通過理論解決的模糊性。鑒于腦動力學的噪聲性質（Buzsáki, 2006），合理的問題是，在我們認為一個 p-綁定“循環”已經建立之前，需要多少次振蕩以及什么類型的相位耦合。2 精確機制可能需要在人腦中進行實證評估，而不是僅從感知器網絡的計算分析中推導出來。

這一切并未證明動態屬性無法解釋 p-綁定，僅僅表明它們在我們的模型內若無進一步闡述便無法自動解釋它。鑒于存在多種闡述模型的路徑，要求理論家明確說明他們的屬性如何實現 p-綁定，為進步提供了機會。下一節探討了既定的意識理論如何解決這個問題。

1. 討論：調整模型和現有神經網絡理論的選項

本文建立了一個問題，其中任何可能的解決方案都必須拒絕或適應至少一個問題組成部分，包括定義的 p-綁定的存在（D2），基于感知器的 ANN 模型（在§3 中通過特定行為和形而上學公理定義），以及人類意識體驗的三個特征（F1-F3；‘復雜體驗’；‘無意識共存’；‘無意識先行’）。我們現在轉向特定的意識理論如何在這個問題框架內解決 p-綁定。

5.1. ‘基于功能’的神經生物理論和現象化機制

Seth & Bayne (2022) 表 1 中的 22 個神經生物理論或框架中的大多數關注意識方面而非 p-綁定問題，并將自身呈現為進行中的工作而非完整解釋。從 p-綁定視角來看，該表中的大多數神經網絡理論專注于指定神經網絡創建一組信息現象意識的特定功能，即特定的‘現象化機制’。此類現象化機制包括網絡元表征信息（例如，高階理論；HOT），全局廣播它（全局工作空間理論；GWT），重新處理它（遞歸處理理論；RPT），將其納入預測處理/主動推理算法（PP/AI）的特定部分，根據注意選擇/優先化功能評估它（注意圖式理論；AST）等。

這些‘基于功能’的理論變體很少識別在 D2 p-綁定定義意義上體驗性地綁定信息微觀單元的特定機制，而是借鑒 D1 風格的功能綁定原則或作用于神經集合的其他計算原則。然而，如§2 所述，此類信息處理并不自動解決現象綁定。

當將任何現象化機制轉化為特定的聯結主義架構時，局限性變得清晰，例如§3.1 中的架構。無論所需的現象化機制在神經網絡的何處發生，它都需要在遵循方程 (1) 的多個節點上發生。畢竟，這些網絡僅由連接的節點集組成。例如，多個節點將被需要來實現廣播功能或注意功能。根據 F1（‘復雜體驗’），在該功能內操作的信息同樣分布在多個節點上，使得需要一個跨這些節點的 p-綁定機制，作為功能操作相關空間子集的一部分。p-綁定問題仍然存在，它僅僅被移動到了神經網絡的其他地方。相同的解決方案空間仍然存在；如前所述，需要對行為或形而上學公理（或問題設置的另一部分）進行一些調整。

例如，考慮一種可能的‘現象化機制’模式，基于標記因果激活鏈中的節點子集，要么在單獨機制中識別它們，要么將它們的信息復制到新位置作為一種快速訪問記憶的形式（標記可以構成實現元表征、注意或廣播的一部分）。這種額外的標記提供了一個新工具來區分意識與無意識處理，潛在地生成所需的子結構。將信息移植到大腦中的某個‘注意區’可能提供另一個要探索的工具。然而，當使用此工具解釋 p-綁定時，相同的選項空間繼續適用。鑒于模型規格現狀，所有節點在功能上是相同的，所有復雜模式最終簡化為單個節點與其直接鄰居之間的相互作用。方程 1 中沒有任何東西在節點之間創建 p-綁定連接，除了對直接輸入的點積，至少在沒有平凡地連接所有節點、所有激活節點或先前激活鏈中的所有節點的情況下 [創建連接] 是沒有的（這與 F2-F3 中捕獲的無意識處理特征沖突）。因此，新模式要么生成超出方程 1 在網絡中應用的功能（在這種情況下，方程 1 需要通過改變行為公理來闡述），要么劃定一組節點來持有體驗但在網絡信息處理上沒有差異（在這種情況下，需要激發一個新的形而上學公理，以便排除其他將識別不同節點劃分的合理形而上學公理）。

這些模型迄今為止可能專注于功能綁定而非現象綁定，但這并不意味著它們不能解決現象綁定。相反，這意味著它們這樣做的當前選項空間相對開放。確實，Seth & Bayne (2022) 中和其他地方的其他理論已經探索了‘基于功能’理論可能希望納入的 p-綁定解決方案。我們現在描述文獻中的各種明確解決方案，針對我們的問題設置進行結構化。我們不評論這些解決方案有多合理或完整，但認識到描述一個明確的解決方案是評估理論可行性的必要第一步。

5.2. 僅通過新形而上學公理解決 p-綁定的理論

理論可以通過識別神經網絡的特定方面并將其定義為實施 p-綁定來尋求解決 p-綁定，即對其等效于方程 (1) 的內容沒有任何更改或添加。

例如，IIT 建立在人工神經網絡的因果圖之上，該網絡只有局部因果連接，在關鍵方面類似于§3.1 中描述的感知器網絡。IIT 然后通過添加一個形而上學公理來解決 p-綁定，該公理定義了一種新類型的實體（一個“復合物”），每當滿足某個嚴格動機的數學條件時，該實體作為模型中的子結構存在。根據定義，這種子結構跨越多個節點擴展，并將所有該信息綁定成一個單一實體。此類 p-綁定結構不一定映射到與復合物完全相同層面的 f-綁定功能（盡管在某些情況下可能存在此類映射）。考慮復合物通常不是系統在信息處理中操作的內部變量。特定復合物存在的事實是系統物理結構的結果，而不是一個自動表示為系統可用于 f-綁定的信息單元的事實。

IIT 闡述其形而上學公理以確保該子結構避免成為因果冗余。相關 p-綁定子結構（一個“復合物”）作為新實體的生成導致其組成節點在 IIT 存在定義下停止存在。因此，該子結構在模型中的信息處理上保持完整的因果歸屬。然而，這種形而上學可能難以接受，因為它依賴于一種存在定義，其中單個神經元在形成正確類型的模式時停止作為因果實體存在（McQueen & Tsuchiya, 2023）。盡管如此，如果沒有這條規則，系統中意識存在的層次將導致因果冗余，即它的存在/缺席不會改變模型中節點層面的行為任何內容。

復合物由 IIT v4.0 數學規則定義（相對于其他數學規則，包括早期 IIT 版本）這一事實僅由形而上學論證動機化，而不是網絡中節點層面規則的功能性后果。然而，其他理論聲稱通過改變模型中的行為公理并指定特定行為為 p-綁定來解決 p-綁定。

5.3. 通過新行為公理解決 p-綁定的理論

解決 p-綁定而不改變因果性或存在定義的另一種方法是識別額外的物理現象，這些現象可以實例化綁定但目前未包含在模型中。一個這樣的例子是大腦中的電磁場，它們在各種意識理論中已被援引為綁定機制（例如，Jones, 2016; McFadden, 2020; Pockett, 2012; John, 2001）。

大腦中的電磁場主要源于神經群體（及其支持基礎設施）的活動，并由神經元層面激活中包含的信息塑造。場已被描述為在該信息上實現 p-綁定的自然實體，潛在地憑借作為本身內在統一、空間擴展的物理對象，或以整體方式整合信息（McFadden, 2020）。

存在 EM 理論變體，其中只有特定場模式是有意識的，為解決 F2-F3 問題（‘無意識共存’；‘無意識先行’）提供了一條路徑。一個突出的 EM 理論認為這些場模式對于大腦中的信息處理是副現象的（Pockett, 2012），盡管它仍然是一個在其他地方具有因果影響的物理現象（例如，對 EM 場測量儀器）。一個副現象場解決方案不需要對方程 (1) 進行任何更改來說明網絡的信息處理行為，但確實需要添加新的互聯方程來定義生成的場結構，以及形而上學公理來指定相關的有意識模式。這樣的解決方案也代表了一個 p-綁定機制，它不是驅動大腦信息處理的 f-綁定機制的子集。

其他 EM 理論變體認為場確實影響信息處理（例如，McFadden, 2020），觀察到臨床在大腦中觀察到的電場耦合（ephaptic）效應的雙向因果性（例如，在獼猴的視覺皮層中；Pinotsis 等人，2023）。在這種情況下，方程 (1) 也需要調整，例如通過捕獲局部場活動強度并允許該強度影響單個神經元發放傾向的項，例如，通過與閾值參數 bi 相互作用。然而，鑒于經典 EM 場模型的麥克斯韋方程在本質上是局部的（每個點僅受其直接鄰居影響，類似于此處針對簡單神經網絡提出的問題），需要更多關于 EM 場究竟應該如何驅動 p-綁定的細節。EM 場的量子模型可能提供解決方案，但這些需要在評估之前加以闡述。

在尋找物理基礎的綁定中，其他理論家檢查了量子糾纏，其中物理學潛在地直接納入非局部相互作用。例如，Orch-OR 明確納入量子尺度現象來解釋意識，部分由關于麻醉劑的實驗證據提供動機（Hameroff, 2021）。在 Orch-OR 內，Wiest (2025) 認為糾纏實體的同時坍縮可以實現 p-綁定。該 p-綁定解決方案的進一步闡述包括驗證在面對退相干驅動因素時維持量子效應的機制，在大腦中維持足夠尺度的糾纏以代表意識體驗中可能的最大信息復雜性，并將多個量子實體關聯到每個大腦的‘單一心智’的共同感覺。

5.4. 通過拒絕 F1-F3 解決 p-綁定的理論

樹突整合理論（DIT; Bachmann 等人，2020）可以以一種特定的非標準方式重新解釋，該方式通過拒絕 F1（‘復雜體驗’）來解決 p-綁定。

也許每個合適的 5 級錐體神經元 p-綁定足夠的信息來解釋人類體驗的復雜性，注意到單節點 p-綁定已經在簡化模型中扎根（見§4.2）。某些單個神經元可以包含大量信息，進一步支持這種可能性。例如，小鼠小腦皮層中的浦肯野神經元可以整合來自約 200,000 個顆粒神經元的信息（Nguyen 等人，2023）。也許我們‘豐富’的意識體驗并不像看起來那么豐富，減少了我們需要解釋的復雜性壓力（例如，Zheng & Meister, 2025; Cohen 等人，2016; Simons & Chabris, 1999; 但見 Block (2007) 或 Kozuch (2024a) 支持豐富體驗的論證）。DIT 仍然需要解決為什么我們的普通意識顯得單一，當有許多合適的錐體神經元每個都有其單獨的意識時，但存在這樣做的選項（例如，Gómez-Emilsson & Percy, 2023 的即時記憶解決方案）。

其他候選解決方案可以通過拒絕 F2（‘無意識共存’）的嚴格解釋來探索。例如，足夠嚴格且協調良好的時間編碼（Fries, 2015）可以確保振蕩周期的特定相位僅包含意識體驗的信息。在較不嚴格的解釋下，通常非意識的活動可能發生在完全相同的窄時間窗口內（并且成為 p-綁定到意識體驗中），但也許這種活動是足夠小的比例或從周期到周期足夠不一致，以至于我們的意識大腦簡單地忽略它，類似于圖像中的單個錯誤顏色的像素。鑒于大腦中有大部分具有非意識活動（例如，小腦模塊），這樣的解決方案可能也需要引入一種機制來隔離神經網絡中的特定子系統。

5.5. 未承諾理論的前進路徑

我們以 GNWT 為例，這是一個被廣泛討論的理論，目前還沒有明確的 p-綁定解決方案，無論是在其經典變體（Mashour 等人，2020）、包含元認知的變體（Shea & Frith, 2019），還是與預測處理整合的版本（Whyte, 2019）中。

GNWT 表明，向多個專門化腦模塊的信息廣播是創造體驗的原因，正如 Dehaene 在 Mudrik 等人 (2025:2) 中所描述。特定的廣播模式可能會 p-綁定被廣播的內容，但有多種方法可以實現這一點，以保持與 F2-F3 中捕獲的無意識處理觀察的一致性。可能存在一種特殊類型的神經元，它是“廣播節點”，具有不同于方程 (1) 的特征：也許其突觸激活比其他神經元更快或更強大，這將在新的行為公理中描述。也許“廣播節點”仍然遵循書寫的方程 (1)，但它們必須有最低數量的出站連接才有資格（也許在網絡空間中延伸最低距離），其中廣播和非廣播節點之間的定性區別是通過形而上學公理分配的。也許廣播節點是那些與物理結構整合以提供統一性本體論基礎的節點，例如依賴§5.3 中關于 EM 場或協調糾纏行為的參考文獻。

這些 GNWT p-綁定機制中的每一個都是非常不同的理論描述，并且可以想象出更多。有些可能具有更有說服力的理論動機，供理論家描述和辯論，無論是在 GNWT 機制內部還是跨其他理論。例如，一些候選機制可能更好地解決副現象主義問題或識別每個大腦的單一自我。其他機制可能與物理學原理更連貫，或者鑒于在人腦架構中實現的完整網絡背景（例如注意、廣泛訪問或工作記憶），與特定的心理學觀察產生共鳴。

一旦腦測繪和干預技術能夠勝任此項任務，每種機制通常也會導致關于哪些腦結構與關于意識與無意識信息的自我報告數據一致的不同可實證測試的預測，這是建立在快速改進的工具（Elam 等人，2021; Amunts 等人，2024; Fan & Markram, 2019）和意識研究進展之上的，例如 Cogitate 聯盟等人 (2025) 的對抗性實驗。精確的實證調查可能需要等待 20-40 年才能獲得神經元層面的大腦測量/模擬技術（Igarashi, 2025），但在原則上仍然是可能的，并且值得完善實驗方案以備就緒。一般而言，例如，跨越不同意識和非意識狀態的神經元連接和激活狀態的廣泛地圖，包括關于什么信息被意識感知到什么沒有的自我報告細節（注意不同報告范式的價值，例如 Rigato 等人，2021），可以測試標準，以清晰地將連接將信息整合成單一體驗的“廣播”神經元與不這樣做的“非廣播”神經元分開（例如，出站連接數量、激活風格或結構網絡位置等標準）。嚴格的 p-綁定時間編碼解決方案也可以使用相同的地圖進行評估。此類調查不會直接證明 p-綁定，但可以表明所提出的機制不與本文中的 F2-F3 標準（“無意識共存”；“無意識先行”）相矛盾。

更近期的指示性實證調查可以將人類體驗復雜性的巨大變化與 p-綁定候選機制范圍的相應巨大轉變聯系起來。例如，研究可以繼續建立與冥想或化學誘導的圍繞最小現象狀態轉變相關的大腦活動變化（例如，Metzinger, 2020; Timmermann 等人，2025）。近似模擬也可以測試是否更有可能觀察到此類活動與不同理論預測驅動 p-綁定體驗復雜性的現象并存，例如 EM 場復雜性或振蕩編碼的信息量。

1. 結論

現象綁定現象對神經科學來說既簡單又深刻。內省證據揭示了一種充滿信息復雜體驗的意識，盡管它植根于一個可分離為信息簡單單元的系統（例如，單個神經元、突觸）。

將 p-綁定折疊進 f-綁定的最初吸引人的答案未能提供自動解決方案，鑒于它們不同的要求以及在神經科學和哲學中各種常見立場上的不同說明。盡管如此，特定的 f-綁定機制可能仍然成功。為了探索這些以及神經網絡可用的其他綁定機制，我們提出了一個故意簡化的模型，實例化了一個明確的局部實在論形而上學。我們證明該模型未能實現 p-綁定的特定定義，同時也滿足來自實證神經科學的三個意識特征。

我們的問題設置是建設性的，因為任何可能的解決方案都必須拒絕或適應至少一個問題組成部分：定義的 p-綁定的存在（D2），基于感知器的 ANN 模型（在§3 中通過特定行為和形而上學公理定義），以及人類意識體驗的三個特征（F1-F3：‘復雜體驗’，‘無意識共存’，‘無意識先行’）。我們描述了不同的意識理論如何在這個框架內解決 p-綁定（例如 IIT，場理論，Orch-OR），并考慮了其他理論的選項空間（例如 DIT，基于振蕩的理論，和 GNWT）。一旦候選解決方案針對我們的問題設置提供了概念說明，其他理論需求就可以被探索。我們的評估表明，現有選項都沒有提供簡單的解決方案——每個都有問題要解決，需要實證工作來定義或支持其立場。有些需要在經典力學的標準形而上學內識別新功能，其他則轉向新穎的形而上學或量子理論尋求解決方案。

有許多其他可能的途徑可探索，包括放寬模型約束。涌現度量和馬爾可夫邊界定義是特別有希望的探索途徑（例如 Hoel, 2025; Barnett & Seth, 2023）。同樣，更復雜的動態綁定方法值得發展為完整的意識理論。任何這些可能的解決方案在準備接受審查之前都需要進一步的工作，例如指定意識單元，解決人腦中明顯的獨特離散自我，并描述驅動 p-綁定的機制，其在神經網絡中的最小實現同時保持與 F1-F3 一致，以及是否暗示因果冗余（如同經典計算涌現）或被定義消除（如同 IIT）。

我們的中心焦點是人類體驗。關于體驗在不同動物系統中的多重可實現性怎么辦（Bickle, 2020）？可能存在不同的物理結構（包括非神經元結構）來實現一般的心理功能角色，其中 p-綁定在心理層面最準確地表達和最強有力地動機化。

盡管如此，如果一個理論聲稱這個角色在人類中是通過神經網絡架構實現的（至少部分），相關的神經元行為仍然可以在我們的解決方案空間中指定。神經元規格可能不如角色層面描述自然，但它仍然必須滿足 F1-F3（或解釋為何它們不適用）。心理功能理論家可能合理地論證神經元（例如）僅憑借它們如何實例化相關心理角色來解決綁定問題，這為其解決方案提供了動機。神經元實例化心理角色的技術細節仍然需要指定，作為人類體驗的完整物理基礎理論的一部分，我們仍然需要檢查機制是否維持了人類體驗中觀察到的意識和無意識處理之間的邊界。

我們將這種對人類體驗的限制延伸多遠？在意識理論在人類證據中有足夠支持的地方，我們仍然可以測試它們提出的 p-綁定機制是否存在于人工系統中。我們也許還能夠從人類系統外推原則，以識別更廣泛的可信 p-綁定機制進行測試，即使我們永遠不能完全排除完全異類的體驗類型（Percy 等人，2025）。此類測試允許評論這些系統是否可能擁有復雜的現象體驗伴隨著任何可能在內部發生的信息處理，但不能超出哲學懷疑證明它。在某些情況下，我們也許還能夠利用這些見解來避免在人工系統中生成此類體驗，減輕某些倫理擔憂。例如，如果嚴格的時間編碼實現 p-綁定，相關的計算機操作可以錯開以防止精確的時間重疊。即使在特定理論下意識的最小條件得到滿足，控制 p-綁定限制了任何產生的體驗的復雜性。

任何完整的意識解釋必須對體驗單一時刻中復雜信息的現象同時性有一個說明。認真對待這個現象結果是馴服當前候選理論激增的一個強大杠桿。接受給定理論提出的意識硬問題解決方案的表面價值，我們可以測試其可用工具用于 p-綁定機制的合理性。尋找一個可能贏得共識的解決方案在增強意識研究嚴謹性方面有相當大的潛力。

原文鏈接 https://www.sciencedirect.com/science/article/pii/S1053810026000115