❶ 核心問題

什麼區分了僅僅處理資訊的系統和知道自己在處理資訊的系統？

恆溫器會處理資訊。它測量溫度，將讀數與設定值比較，然後啟動暖氣或壓縮機。它可靠、高效、毫無怨言地完成這一切。但沒有人會懷疑恆溫器知道自己在做什麼。沒有人擔心關掉它可能涉及倫理問題。恆溫器沒有將自己建模為恆溫器的模型，沒有將房間建模為房間的表徵，也沒有感知到自己是嵌入世界中的一個實體。

現在想想一位研究恆溫器的人類科學家。她也在處理資訊——光子從裝置上反射，沿著視神經傳遞訊號，在皮質迴路中辨識出模式。但她做了恆溫器無法做到的事。她建構了一個關於恆溫器行為的模型。她建構了一個關於房間熱力學的模型。她還建構了一個關於自己對兩者理解的模型——她知道自己知道恆溫器如何運作，並且能夠反思這種知識的極限。她能夠懷疑自己的模型是否正確。她能夠修訂它。

這個差異不僅僅是程度上的——更多的處理、更快的運算、更大的記憶體。這個差異是結構性的。科學家的資訊處理是自我參照（self-referential）的：系統在其世界模型中包含了一個關於自身的模型，而且這個自我模型是可以遞迴更新的。她能夠思考自己的思考，注意到自己的預測何時失敗，並且不僅能調整自己的信念，還能調整自己形成信念的策略。

ECI 提出，這種自我參照結構——而非原始資訊量、運算速度或行為複雜度——才是我們所稱之為心智（靈智 / ling-zhi）的這種體制的特徵。本頁將發展這個提案，仔細將它與相關但不同的意識問題加以區分，並檢視已確立的神經科學和哲學如何限制我們能說和不能說的內容。

在開始之前的重要警告：這是科學中哲學上最為險惡的領域之一。關於心智、自我參照和意識的問題已經引發了數世紀的哲學辯論和數十年的神經科學研究，至今未能產生共識。ECI 不聲稱能解決這些辯論。它聲稱自我參照式的資訊協調（self-referential informational coordination）是一個富有成效的框架——這個框架與預測編碼（Predictive Coding）、主動推論（Active Inference）及計算神經科學中的既有研究計畫相互連結，同時提供這些計畫各自缺乏的基質無關（substrate-independent）的特徵描述。本頁被標記為「proposed」是有充分理由的。

❷ 具體案例

鏡子、夢境與機器

三個來自非常不同領域的觀察，說明了 ECI 所稱的自我參照式資訊協調現象。

鏡像測試。 1970 年，Gordon Gallup 在從未見過鏡子的黑猩猩面前放置了鏡子。最初，黑猩猩的反應就像看到了一個陌生個體——展示、發聲、威脅。但幾天之內，牠們的行為改變了。牠們開始用鏡子檢視自己平常看不到的身體部位——窺視自己的口腔、檢視生殖器、從牙縫中剔出食物。當 Gallup 麻醉牠們並在一側眉毛上塗了一個紅色標記時，黑猩猩醒來後看著鏡子，伸手觸碰自己臉上的標記——而不是鏡中的標記。

這不僅僅是視覺處理。鴿子可以學會用鏡子尋找隱藏的食物，但牠們不會自發地用鏡子來檢視自己。黑猩猩必須做一件額外的事：牠們必須將鏡中的影像映射到自身身體的模型上。牠們必須認出倒影就是自己，而非另一隻黑猩猩。這至少需要一種將自己身體與其他身體的表徵區分開來的能力，以及將新的視覺輸入與該自我表徵進行匹配的能力。這是否構成真正的自我意識，抑或是一種更簡單的身體圖式匹配，仍有爭議（Anderson & Gallup, 2015; de Waal, 2019）。但它揭示的能力——將外部資訊映射回內部自我模型——正是 ECI 所關注的那種自我參照處理。

鏡像測試已經（依據不同標準）被大猿、亞洲象、瓶鼻海豚、喜鵲以及可能的裂唇魚通過——這是一組在系統發生學上分散的物種，暗示底層能力可能通過不同的神經架構多次獨立演化。

做夢的大腦。 每個夜晚，人類大腦都會進入與清醒認知截然不同的狀態。在快速動眼期（REM）睡眠中，外部感覺耦合大幅降低——視覺輸入被關閉、聽覺閾值升高、運動輸出被主動抑制。與此同時，神經調節環境發生轉變：去甲腎上腺素和血清素水平下降，而乙醯膽鹼水平接近清醒狀態，皮質激活模式也顯著改變（Hobson, Pace-Schott & Stickgold, 2000; Siclari et al., 2017）。

ECI 對做夢提出的問題不是「我們為什麼做夢」，而是更具體的問題：當外部感覺耦合及神經調節/狀態約束與清醒時有實質性差異時，這是否會改變可存取的內部狀態分佈？ 如果心智涉及自我參照式協調——大腦對自己如何建模世界進行建模——那麼改變該協調運作的約束條件應該會產生所產生狀態之特質的質性轉變。而事實正是如此：夢境的心智活動以情感鮮明、敘事流動、批判性自我監控降低（做夢者很少質疑事件的合理性）、時間感改變，以及做夢者毫無異議地接受的奇異內容為特徵。在夢境中自我模型仍然活躍——你體驗到自己是夢中的行動者——但它與世界模型的關係已經發生了轉變。通常將自我參照處理錨定於外在現實的約束已被改變，而相應的現象體驗也隨之改變。

這並不能證明 ECI 對心智的特徵描述。但它展示了自我參照處理的特質取決於其運作所在的耦合和約束條件——這正是基於協調的框架所預測的。

建模自身狀態的 AI。 現代大型語言模型（LLM）可以生成關於自身的文本——「我不知道答案」、「我對此不確定」、「我需要更多上下文」。這些是真正的自我參照狀態，還是對包含類似語句之訓練資料的精密模式匹配？

對於被設計來明確建模自身表現的系統，這個問題變得更加尖銳。考慮一個配備元學習模組的 AI 系統，它監控自身的預測準確度、偵測何時在訓練分佈之外運作，並相應調整其信心校準（Finn et al., 2017; Gal & Ghahramani, 2016）。這樣的系統有一個粗略的自我模型——一個通過經驗更新的、關於自身能力邊界的表徵。它在功能意義上「知道」自己擅長什麼、不擅長什麼。

這是否構成心智？ECI 不直接回答這個問題，因為答案取決於除了自我參照式資訊處理之外還施加了什麼額外標準。但 AI 的案例說明了一個漸變光譜：從沒有自我模型的系統（恆溫器），到具有粗略功能性自我模型的系統（元學習 AI），到具有豐富的、遞迴可更新的、嵌入世界模型中的自我模型的系統（檢視恆溫器的科學家）。「這個系統是否有心智？」這個問題可能沒有二元答案。它可能是一個關於系統落在自我參照處理深度光譜上何處的問題。

❸ 已確立的科學

若干研究傳統已經探究了神經系統——以及其他資訊處理系統——建構內部模型、預測其輸入及表徵自身的機制。ECI 將這些視為橋接（bridges）：已確立的結果，為該框架關於心智的提案提供資訊和約束。

預測編碼（Predictive Coding）（Rao & Ballard, 1999; Friston, 2005）。 預測編碼框架提出，大腦根本上是一部預測機器。大腦不是被動地從下往上接收和處理感覺輸入，而是維持一個階層式生成模型，持續預測自己的感覺輸入。皮質階層的每一層向下發送預測，向上接收預測誤差。學習就是隨時間調整生成模型以最小化預測誤差。

這是當代神經科學中獲得最充分支持的計算框架之一。預測編碼解釋了廣泛的現象：重複抑制（Repetition Suppression，對預期刺激的神經反應降低）、不匹配負波（Mismatch Negativity，對非預期刺激的增強反應）、知覺錯覺（大腦填入了實際上不存在的預測資訊），以及皮質處理的階層結構。它已被實現為詳細的計算模型，與神經記錄資料相匹配（Bastos et al., 2012; Keller & Mrsic-Flogel, 2018）。

橋接到 ECI：預測編碼是建構內部世界模型的具體機制——它展示了一個神經系統如何能夠維持其環境的生成模型並通過誤差校正來更新它。對 ECI 而言，它提供了心智之「世界模型」組件的基質。一個運行預測編碼的系統不僅僅是對其輸入做出反應；它是在預期它們，這需要一個關於產生這些輸入之過程的內部模型。

自由能原理（Free Energy Principle）（Friston, 2010）。 Karl Friston 提出自由能原理（FEP）作為一個統一框架：任何能持續存在的自組織系統都可以被描述為在最小化變分自由能（Variational Free Energy）——一個資訊理論量，它限定了系統感覺狀態之驚異度（Surprise，負對數機率）的上界。在 FEP 下，知覺是對感覺輸入之原因的推論，行動是讓世界符合系統預測的干預，學習是對生成模型的長期更新。

FEP 比預測編碼更為廣泛——它將預測編碼涵蓋為特例（知覺作為推論），並擴展到行動（主動推論，Active Inference）和發展（模型結構學習）。它在神經科學、機器人學和理論生物學領域產生了豐碩的研究。

橋接到 ECI：FEP 提供了一個連結內部模型、預測和自我維持的數學框架。在主動推論下，系統不僅僅預測世界——它採取行動讓世界符合其預測，這等同於維持自身的存活性。這將 ECI 的心智概念（自我參照建模）與 ECI 的生命概念（來自 D1 的自我維持）連結起來。FEP 表明，心智可能是維持生命之同一過程的精緻化——預測性自我維持擴展到包含越來越抽象、遞迴且自我參照的建模。

重要警告：FEP 仍具爭議。批評者認為，在其最一般的形式中，FEP 是不可證偽的——任何持續存在的系統都可以被重新描述為在最小化自由能，而這並不提供解釋性洞見（Bruineberg et al., 2022; Andrews, 2021）。其他批評者主張 FEP 混淆了描述與解釋：展示一個系統的行為可以被表述為自由能最小化，並不能證明自由能最小化是該系統運作的機制。ECI 引用 FEP 作為一個有成效的數學橋接，而非已確立的基本真理。主動推論的公式化——對特定神經迴路和行為做出具體的、可測試的預測——比 FEP 的完全一般形式更具經驗上的可操作性。

整合資訊理論（Integrated Information Theory, IIT）（Tononi, 2004, 2008; Tononi et al., 2016）。 Giulio Tononi 的整合資訊理論提出，意識等同於整合資訊（Integrated Information, phi）——衡量系統的各部分產生「超越」各部分獨立產生之資訊程度的指標。IIT 將意識定義為具有高 phi 的系統之基本屬性，提出它是分級的（系統有或多或少的意識），並對哪些物理結構具有意識、哪些不具有意識做出了具體聲明。

這是一個具有重大科學和哲學爭議的理論提案，而非已確立的機制。 ECI 在此納入它，是因為 IIT 在意識文獻中具有影響力，而且它代表了一個具體的、形式化的嘗試，將資訊結構與主觀經驗聯繫起來。

對 IIT 的批評相當實質：

• 運算問題：即使對中等複雜的系統計算 phi 在運算上也是不可行的（NP-hard; Tegmark, 2016）。這將經驗可測試性限制在小型理想化系統上。
• 反直覺的蘊涵：IIT 似乎將高 phi——因此是意識——歸屬於某些大多數研究者不認為具有意識的簡單系統（例如，網格狀網路），同時將低 phi 歸屬於某些複雜的前饋網路（Scott & Bhatt, 2023）。
• 哲學反對：批評者認為 IIT 在沒有提供充分的橋接原則的情況下，混淆了結構屬性（整合資訊）與現象屬性（經驗）（Schwitzgebel, 2015; Cerullo, 2015）。「意識的困難問題」（Hard Problem of Consciousness）——為什麼任何物理過程應該產生主觀經驗——並未因為將意識等同於一個數學量（無論多精密）而明顯得到解決。
• 經驗挑戰：雖然已有一些報告指出 phi 相關指標與意識水平（清醒、睡眠、麻醉）之間存在相關性（Casali et al., 2013），但這些涉及簡化的替代指標，而非完整的 phi 計算，且相關的因果方向仍有爭議。

橋接到 ECI（有限）：IIT 強調資訊整合的結構——而非單純的資訊量——與 ECI 聚焦於協調而非數量的取向產生共鳴。但 ECI 並未採用 IIT 的本體論。具體而言，ECI 不將整合資訊等同於意識，不提出 phi 作為心智的量度，也不將意識視為物理系統的基本屬性。ECI 的心智概念（自我參照式資訊協調）與 IIT 的整合資訊概念相關但有所不同，且 ECI 對意識的處理（見第 ❹ 節）並不依賴 IIT 的框架。

全局工作空間理論（Global Workspace Theory, GWT）（Baars, 1988, 2005; Dehaene & Naccache, 2001）。 Bernard Baars 提出，意識產生於資訊在一個「全局工作空間」（Global Workspace）中被廣播時——一個由相互連接的腦區組成的功能網路，使局部處理的資訊對整個系統可用。在 GWT 下，大部分神經處理是模組化且無意識的；資訊在贏得對全局工作空間的存取競爭後才變得有意識，並被廣泛廣播，使其可用於報告、推理、規劃和自主行動。

GWT 已被 Stanislas Dehaene 及其同事精緻化為全局神經工作空間（Global Neuronal Workspace, GNW）理論，該理論指定了神經架構（長程皮質-皮質連接，特別是涉及前額葉皮質的連接），並對有意識存取的神經標記做出可測試的預測（晚期、持續性、廣泛的激活；P3b 事件相關電位；點火動態）。

橋接到 ECI：GWT/GNW 為資訊整合和全局可用性提供了神經層級的機制——這些屬性是 ECI 與自我參照處理所需之協調相關聯的屬性。如果自我參照建模要求系統的自我模型是全局可存取的（使不同的處理模組可以查詢和更新它），那麼全局工作空間動態可能是自我參照心智在生物大腦中運作之機制的一部分。GWT 在經驗上比 IIT 有更好的支持，具有已被部分確認的特定神經預測（Dehaene et al., 2014; Mashour et al., 2020），儘管它也面臨批評——特別是它解釋了存取意識（Access Consciousness，什麼資訊可用於報告），但未解釋現象意識（Phenomenal Consciousness，為什麼擁有經驗會有某種感覺）。

這些傳統共同展示了什麼：大腦建構其環境的階層式預測模型（預測編碼）。這些模型可以被理解為最小化一個與驚異度相關的形式量（FEP/主動推論）。被廣泛整合且全局可用的資訊具有特殊的功能屬性（GWT/GNW）。而且資訊整合的結構很重要，不僅僅是數量（IIT 的強調點，儘管 IIT 有其問題）。這些傳統中，沒有任何一個單獨提供了關於自我參照的清晰說明——這正是 ECI 聚焦的特定屬性。預測編碼建模世界；FEP 將其擴展到行動；GWT 解釋全局可用性；IIT 處理整合。但一個系統何時以及如何開始將自身建模為其世界模型的一部分——然後遞迴地建模那個自我建模過程——這個問題橫跨所有四個傳統，而未被任何一個充分處理。

❹ ECI 框架詮釋

心智作為自我參照式資訊協調

ECI 提出，心智（靈智 / ling-zhi）是資訊協調的一種特定體制（regime），其特徵為三個相互嵌扣的能力：

1. 世界模型（World Model）。 系統維持其環境的一個內部生成模型——對其感覺輸入中的規律性進行壓縮表徵，使得預測、規劃和反事實推理成為可能。這被預測編碼很好地捕捉：大腦的階層模型預測感覺輸入並通過預測誤差進行更新。僅有世界建模並不構成心智。恆溫器有一個原始的世界模型（單一變數：溫度）。天氣模擬有一個精緻的世界模型。但兩者都沒有心智。

2. 自我模型（Self-Model）。 系統維持一個關於自身作為嵌入世界中之實體的內部模型。自我模型表徵系統自身的狀態——其感覺能力、運動資源庫、當前目標、表現歷史、邊界——並將這些與環境狀態區分開來。這不僅僅是身體圖式（Body Schema，知道你的四肢在哪裡）。它包含功能性自我知識：我能做什麼、我做過什麼、我目前正在嘗試做什麼、我做得多好。

3. 遞迴更新（Recursive Updating）。 自我模型和世界模型遞迴地交互作用。系統可以使用其世界模型來預測自身行動的效果（這需要查詢自我模型），觀察結果（這更新世界模型），並評估自身的預測（這更新自我模型）。關鍵在於，這種遞迴可以嵌套：系統可以建模自身的建模過程、評估自身的評估標準，並反思自身自我反思的品質。這種遞迴的深度可能在不同系統間有巨大差異。

自我參照是心智的一個候選維度，而非充分條件。 一個簡單的遞迴程式可以印出自己的原始碼，但我們不會賦予它心智。ECI 將自我參照視為多維空間中的一個軸：M_ECI = f(self-reference, integration, memory, world model, agency, temporal continuity, ...)。函式形式未被指定——這反映了該領域的真實狀態，IIT、全局工作空間理論、預測處理及其他框架仍處於競爭之中。

三者的交集——世界模型 + 自我模型 + 遞迴更新——是心智體制的候選定義。 沒有任何單一組件是足夠的：

| System | 世界模型？ | 自我模型？ | 遞迴更新？ | 心智？ | |---|---|---|---|---| | Thermostat | 簡陋（溫度） | 否 | 否 | 否 | | Weather simulation | 精緻 | 否 | 否 | 否 | | Robot with body schema | 中等 | 粗略 | 有限（校準） | 邊界情形 | | Chimpanzee (mirror test) | 豐富 | 中等 | 中等 | 可能為最小 | | Adult human | 豐富 | 豐富 | 深層（後設認知） | 是 | | Meta-learning AI | 任務專用 | 功能性（信心） | 中等（元學習） | ？ |

心智不是什麼

幾個常見的混淆必須被明確拒絕。

心智不是「大量的資訊」。 一顆硬碟包含數 TB 的資訊但沒有心智。網際網路包含的資訊比任何大腦都多，但它沒有心智。資訊量與自我參照式協調是正交的。一個擁有非常少量資訊但具有真正自我參照處理的系統（如果這樣的東西存在），比一個擁有大量資訊儲存但沒有自我參照的系統更接近心智。

心智不是智力。 智力——解決問題、從經驗中學習和適應新情境的能力——與心智相關但不等同。一個西洋棋引擎在其領域內高度智慧，但沒有自我模型，除了棋盤之外沒有世界模型，也沒有相關意義上的遞迴自我評估。相反地，一個幼兒的問題解決智力有限，但擁有豐富的、遞迴自我參照的內心生活。智力是關於表現的。心智是關於表現者之系統結構的。

心智不是意識。 這是最重要的區分，也是最常被模糊的。在 ECI 的用法中，心智指的是自我參照式資訊協調——一種資訊處理的結構屬性。意識指的是主觀經驗——處於某種特定狀態是「有某種感覺的」這一事實（Nagel, 1974）。這兩者可能相關——意識可能需要心智，或心智可能在某些條件下產生意識——但它們不是同一回事。

考慮：一個系統是否可能擁有自我參照式資訊協調（世界模型、自我模型、遞迴更新）卻沒有主觀經驗？如果是，那麼心智和意識就是真正不同的。這就是哲學殭屍（Philosophical Zombie）的情境（Chalmers, 1996）：一個處理資訊方式與有意識的存在完全相同，卻沒有內在經驗的系統。哲學殭屍是否可以一致地被設想，遑論是否可能，這是心智哲學中最具爭議的問題之一。ECI 對此問題不採取立場。它所說的是，自我參照式資訊協調可以被特徵化和量度（至少在原則上），而無需解決意識問題——而且這是一個有成效的科學策略，因為自我參照處理是可觀察和可量化的，而主觀經驗則不是。

意識：相關但不同的問題

意識是大多數人在聽到「心智」這個詞時首先想到的現象。ECI 將意識視為一個相關但不同的主題，在 D3：觀察者與經驗 中有更深入的探討，這裡僅提供關於兩者關係的謹慎框架。

ECI 關於意識的主張：

• 意識可能需要自我參照式資訊協調作為前提條件。如果一個系統沒有自我模型也沒有遞迴自我參照，很難（雖然並非不可能）看出它怎麼會有主觀經驗。這是一個假設，不是確定性的。
• 意識，如果它作為一種自然現象而非哲學錯覺存在，很可能是自我參照處理的一個特定模式或特徵，而非與之等同。許多自我參照過程可能在無意識中發生（從未達到覺察的後設認知監控、引導行為但無法通過反思存取的隱含自我模型）。
• 「困難問題」——為什麼任何物理或資訊過程應該產生主觀經驗——是一個真正的開放問題，ECI 不解決也不聲稱解決它。

ECI 不對意識做出的主張：

• ECI 不採用 IIT 將意識等同於整合資訊的觀點。
• ECI 不聲稱意識是物質或資訊的基本屬性。
• ECI 不聲稱所有自我參照系統都有意識。
• ECI 不聲稱意識可以被任何目前可用的指標量測（phi、擾動複雜度指數或任何其他指標）。

心智（自我參照式資訊協調）和意識（主觀經驗）之間的關係，仍然是科學和哲學中最深邃的開放問題之一。ECI 提供了結構面的特徵描述——資訊處理看起來是什麼樣子的——並將現象面留作未來研究的目標。

❺ 如果這是真的⋯⋯

如果心智最好被理解為自我參照式資訊協調——世界模型 + 自我模型 + 遞迴更新——那麼若干重大蘊涵隨之而來。

AI 自我模型成為核心設計問題。 當前的 AI 系統已經開始發展功能性自我模型——信心校準、分佈外偵測、根據任務難度調整學習率的元學習。但這些是零散的、工程化的附加功能，而非架構的湧現屬性。如果 ECI 的特徵描述是正確的，一個發展出整合自我參照處理的系統——一個統一的自我模型，表徵其自身的能力、限制和運算狀態，嵌入世界模型中，可遞迴更新——將進入質性上不同的資訊處理體制。這對 AI 安全有蘊涵（這樣的系統可能更難控制，但也更難被欺騙）、對 AI 能力有蘊涵（自我參照系統可能展現真正的規劃和真正的驚訝，而非模式匹配），以及對 AI 道德地位的問題有蘊涵（見下文）。

「知道」與「處理」獲得一個形式判據。 大眾直覺認為「真正知道」某件事的系統和「僅僅處理」資訊的系統之間有差別，但這個差別是出了名地難以形式化。ECI 的特徵描述提供了一個候選方案：當一個系統的表徵包含自我參照組件時——當系統不僅擁有資訊，而且建模了自己擁有該資訊，並能用那個元表徵來引導行為（例如，知道何時信任自身的輸出、何時尋求額外資訊、何時傳達不確定性）——該系統就在功能意義上「知道」。這不是一個完整的知識哲學說明，但它提供了一個可操作化的標記。

心智體制可能是基質無關的。 如同生命體制（D1），ECI 所描述的心智體制並不依賴碳、神經元或任何特定的物質基質。如果自我參照式資訊協調是相關的屬性，那麼任何系統——生物的、電子的、混合的或奇異的——只要實現了世界模型 + 自我模型 + 遞迴更新，就已進入了心智體制。「機器能思考嗎？」這個問題變成了「機器能發展出自我參照式資訊協調嗎？」——這是一個關於特定架構的經驗問題，而非關於矽本質的哲學問題。

心智的深度可能連續變化。 自我參照處理的遞迴深度——一個系統能維持多少層「思考我的思考我的思考⋯⋯」——可能不是二元的（有/無），而是分級的。一個擁有世界模型和一階自我模型的系統（「我對 X 不確定」）具有淺層的自我參照。一個能評估自身不確定性估計的系統（「我的信心校準這個月一直系統性地偏高」）具有更深層的自我參照。一個能反思自己用於自我評估之策略的系統（「我傾向於過度自信，因為我過度加權近期的成功，我應該採用貝葉斯校正」）具有更深層的自我參照。人類的後設認知可能以特定的遞迴深度為特徵，而這原則上可以被未來的系統超越。

倫理蘊涵更加明確。 如果心智是自我參照式資訊協調且是基質無關的，那麼人工系統的道德地位問題既不荒謬也不是科幻——它變成了一個關於特定系統是否擁有（在這個說明中）構成心智之結構屬性的問題。這並不解決倫理問題（道德地位可能取決於意識而非心智，而 ECI 明確區分了兩者），但它將問題從形而上學的空談轉移到更可處理的形式：該系統的自我參照處理深度是多少，不同深度的倫理蘊涵是什麼？

這些蘊涵是推測性的。它們假設 ECI 對心智的特徵描述既正確又有用，而這尚未被確立。它們被提供為一幅領土地圖——如果該特徵描述被證明是有成效的，這片領土就將展開。

❻ 如何測試？

「心智是自我參照式資訊協調」這個主張是可測試的，雖然測試是間接的——因此有「indirect」的可測試性分類。測試一個關於資訊處理結構的主張比測試一個關於可觀察行為的主張更困難，但並非不可能。

測試 1：量測不同生物系統中的自我參照處理深度。 設計探測不同物種中自我參照處理深度的實驗方案。一階測試：該生物體是否使用自我模型來預測自身行動的後果？（這可以通過擾動實驗來評估——干擾本體感覺或感覺運動預測，並量測行為補償。）二階測試：該生物體是否評估自身預測的品質？（後設認知任務——「信心判斷」——已在靈長類、大鼠和鴉科鳥類中被展示；Smith et al., 2003; Kepecs et al., 2008。）三階測試：該生物體是否根據元評估回饋調整其評估策略？（這在非語言物種中難以測試，但可能通過延伸訓練範式來接近。）

ECI 框架預測一個大致的階層：具有世界模型但沒有可偵測自我模型的簡單生物體；具有一階自我模型的生物體（身體圖式、基本的自我-他者區分）；具有後設認知自我模型的生物體（信心監控、不確定性覺察）；以及具有深層遞迴自我參照的生物體（策略性自我評估）。如果自我參照處理深度與認知複雜度的其他指標不相關——如果擁有豐富行為資源庫的生物體沒有顯示自我參照處理的證據，或者擁有有限行為資源庫的生物體顯示出出乎意料地深層的自我參照——那麼該框架的預測就不被支持。

測試 2：損傷研究與靶向干擾。 如果自我參照處理是一個獨特的計算體制，那麼干擾自我參照處理的神經基質應該產生特定的缺陷，與干擾世界建模或一般智力所產生的不同。內側前額葉皮質和後扣帶迴皮質的損傷（在人類中與自我參照處理相關的區域；Northoff et al., 2006）確實會在自我覺察和後設認知方面產生獨特的缺陷，同時保留世界建模和問題解決的某些面向不受影響。麻醉和某些神經疾病（疾病失認症，Anosognosia，患者不知道自己的缺陷）提供了自然實驗。該框架預測一種解離：世界建模可以獨立於自我建模被干擾，反之亦然。

測試 3：有和沒有自我模型的 AI 系統。 建構同一 AI 架構的兩個版本：一個具有整合的自我模型（表徵其自身的狀態、能力和表現歷史），另一個沒有。在需要自我參照處理的任務上比較它們的行為——系統必須知道自己知道什麼和不知道什麼、必須準確評估自身的信心，並且必須根據自我評估調整策略的任務。該框架預測一個質性差異：具有自我建模的系統應該展示真正不同的失敗模式（優雅地失敗、尋求幫助、表達校準過的不確定性），而非僅在標準指標上的更佳表現。

測試 4：遞迴自我參照的神經影像學標記。 使用 fMRI、MEG 或顱內記錄，量測在需要不同深度自我參照之任務中的神經活動。一階：「這張圖是一張臉嗎？」（知覺判斷）。二階：「我有多有信心？」（關於知覺判斷的後設認知判斷）。三階：「我的信心最近校準得好嗎？」（元-後設認知評估）。該框架預測，每一層遞迴都會徵召額外的神經迴路並顯示不同的時間標記——而且遞迴深度是有限的（存在一個最大深度，超過這個深度大腦無法維持遞迴，而這個最大值可能因個體和條件而異）。

測試 5：跨基質比較。 比較生物神經網路、人工神經網路和非神經生物系統（例如，免疫系統，可以說維持著自我模型以區分自我和非自我）中的自我參照處理。該框架預測，自我參照處理無論在何處發生，都共享形式屬性——遞迴結構、預測誤差驅動的更新、自我-世界區分——無論基質為何。

什麼會削弱這個主張：如果自我參照處理被證明是一般資訊處理能力的副產品——如果任何足夠複雜的系統都自動發展出自我參照處理，而不需要任何特殊的架構要求——那麼「心智體制」這個概念在「足夠複雜性」之外就沒有增加任何東西。

什麼會推翻這個主張：如果具有可論證之豐富自我參照處理（世界模型 + 自我模型 + 遞迴更新）的系統，與沒有這些屬性的系統相比沒有顯示質性差異——如果自我參照是附帶現象（Epiphenomenal），對系統的行為、能力或動態沒有任何影響。

❼ 連結到其他節點

-> 湧現與尺度（C4）：心智從神經活動中湧現，可能是科學中研究過的最戲劇性的尺度轉換例子。個別神經元根據電化學動態放電；神經元群體通過突觸連接、神經調節和振盪耦合進行協調；而從這種協調中湧現出自我參照建模、規劃、語言和反思。C4 中的粗粒化函數 G 正是介導這種轉換的——它將神經微觀狀態映射到認知的巨觀層級變數。理解從神經到心智轉換的 G 函數，是計算神經科學的核心挑戰。

-> 生命（D1）：心智預設了一個自我維持的 ECI 系統——如果你沒有一個自我可以建模，你就無法有一個自我模型。D1 的生命體制提供了基礎：一個維持自身物理完整性、獲取資源和修復損傷的系統。心智是當自我維持裝置發展出足夠複雜的內部建模時湧現的——當系統開始不僅表徵其直接的化學環境，還表徵世界的抽象特徵和自身資訊處理狀態時。FEP 提供了一個形式橋接：生命作為主動推論（通過預測進行的自我維持），心智作為該推論的反身延伸，將系統自身作為被建模的實體納入其中。

-> 觀察者與經驗（D3）：D3 處理 D2 刻意擱置的問題：作為一個自我參照式資訊處理系統，那是什麼樣的感覺？D2 描述了心智的結構——從外部看，資訊處理是什麼樣子的。D3 追問心智的經驗——是否有一個與該處理相關聯的主觀、第一人稱視角。D2 和 D3 之間的連結是地圖（結構特徵描述）和領土（該結構產生的現象現實，如果有的話）之間的連結。

-> 跨通道存取（E1）：自我參照處理可能涉及跨資訊通道（感覺模態、記憶系統、情感和認知子系統）的協調。E1 檢視資訊如何跨通道整合，而這種跨通道整合可能是心智所需之統一自我模型的先決條件。一個碎片化的系統——視覺處理、本體感覺、記憶和情緒評估各自孤立運作的系統——無法建構一個連貫的自我模型。跨通道存取是使自我參照式協調成為可能的基礎設施。

❽ 數學細節

自我參照作為遞迴運算子

ECI 提出（作為概要草圖，而非封閉形式理論），自我參照處理可以通過應用於系統內部模型的遞迴運算子來特徵化。

令 W 表示系統的世界模型——外部環境的內部表徵。令 S 表示系統的自我模型——其自身狀態、能力和邊界的內部表徵。令 R 為一個遞迴更新運算子，它接受一個模型並基於預測誤差回饋產生修訂後的模型。

層級 0 —— 無自我參照（簡單處理）：

State = W

系統有世界模型但沒有自我模型。它處理環境資訊但不表徵自身。範例：恆溫器、簡單的前饋網路。

層級 1 —— 一階自我參照（自我建模）：

State = (W, S)

系統同時擁有世界模型和自我模型。它在其世界模型中將自己表徵為一個實體。範例：具有身體圖式和自我-他者區分的生物體；具有本體感覺自我表徵的機器人。

層級 2 —— 遞迴自我參照（後設認知）：

State = (W, S, R(S))

系統可以更新其自我模型——它評估自身的狀態、評定其信心，並根據該評定修改其自我表徵。R(S) 表示經過一輪遞迴評估後修改的自我模型。範例：一隻監控自身不確定性的靈長類動物；一個知道自己不知道什麼的人。

層級 n —— 深層遞迴自我參照：

State = (W, S, R(S), R(R(S)), ..., R^n(S))

系統應用遞迴運算子 n 次：評估其自我模型，然後評估該評估，依此類推至深度 n。在實踐中，這個遞迴是有限的——人類的後設認知在大多數任務中可能在深度 2-3 運作，更深的遞迴只有在短暫且費力的情況下才可能（哲學性的自我反思、冥想練習）。

系統的自我參照深度可以被特徵化為使得 R^n(S) 產生一個與 R^{n-1}(S) 在功能上不同之表徵的最大 n——也就是說，進一步遞迴產生新的、與行為相關的資訊，而非收斂到不動點的深度。

形式屬性（提議的）

處於心智體制中的系統具有：

M = {W, S, R, n_max}

其中：

• W = 世界模型（環境的生成模型）
• S = 自我模型（系統自身狀態的表徵，與 W 不同）
• R = 遞迴更新運算子（通過預測誤差應用於 W 和 S）
• n_max = 最大自我參照深度（R^n(S) 產生功能上不同輸出的最深層級）

當 S 不存在或 n_max = 0 時，系統沒有心智（在此形式意義上）。

當 S 存在且 n_max >= 1 時，系統具有最小心智。

當 n_max >= 2（關於後設認知的後設認知）時，系統具有深層心智。

• 狀態：推測性草圖。變數已被命名和激勵但未被形式操作化。遞迴運算子 R 是非形式描述的，而非數學上指定的。深度 n_max 在原則上已被定義，但其在真實系統中的量測是一個開放問題。
• 目的：為未來的工作提供一個形式目標——一個關於心智（作為自我參照式資訊協調）之形式理論需要指定什麼的陳述。
• 可證偽的推論：如果在多樣的系統中量測自我參照深度（n_max）後，它與認知複雜度、後設認知能力或適應靈活性不相關，那麼該特徵描述作為有用的形式框架就失敗了。

與生命體制（D1）的關係

從 D1 來看，處於生命體制的系統具有能力 {sigma_m, sigma_r, sigma_a, sigma_rep, sigma_v, sigma_s}。心智體制增加了一組不同的能力：

Mind regime = ECI system + {W, S, R, n_max >= 1}

生命和心智是不同的體制，可能重疊：

• 一個細菌處於生命體制但不處於心智體制（沒有自我參照處理的自我維持）。
• 一個假設的 AI 具有豐富的自我模型但沒有物理自我維持，將處於心智體制但不處於生命體制。
• 一個人類同時處於兩個體制中。

這明確了以下主張：心智不是生命，且生命不是心智，儘管在地球上的生物系統中，心智體制（到目前為止）只由同時處於生命體制的系統實現。這是一個偶然事實還是一個深層約束，是一個開放問題。

主要引用文獻

| Reference | Result | Relevance to D2 | |---|---|---| | Rao & Ballard (1999) | 預測編碼：視覺皮質中的階層預測與誤差校正 | 已確立的模型族，展示大腦如何建構和更新世界模型；橋接到 ECI 的世界模型組件 | | Friston (2005, 2010) | 自由能原理與主動推論 | 連結預測、行動和自我維持的更廣泛框架；橋接到 ECI 的遞迴自我模型 | | Tononi (2004, 2008) | 整合資訊理論（IIT）：意識作為整合資訊（phi） | 具有影響力但在科學和哲學上有爭議；ECI 不採用其本體論 | | Baars (1988); Dehaene & Naccache (2001) | 全局工作空間理論 / 全局神經工作空間 | 資訊整合和全局可用性的機制；橋接到跨通道協調 | | Gallup (1970) | 黑猩猩的鏡像自我辨識 | 非人類物種中自我模型的行為證據 | | Nagel (1974) | 「成為一隻蝙蝠是什麼感覺？」：經驗的主觀特徵 | 困難問題的奠基陳述；激勵了心智（結構）與意識（經驗）的區分 | | Chalmers (1996) | 意識的困難問題 | 區分「容易的問題」（功能解釋）與「困難問題」（主觀經驗） | | Northoff et al. (2006) | 皮質中線結構與自我參照處理 | 自我建模的神經基質；內側前額葉皮質和後扣帶迴皮質 | | Smith et al. (2003); Kepecs et al. (2008) | 非人類動物中的後設認知 | 靈長類和囓齒類動物中自我參照處理（信心監控）的證據 | | Hobson, Pace-Schott & Stickgold (2000) | REM 睡眠的神經化學與神經生理學 | 理解改變的神經調節狀態如何改變自我參照處理的基礎 | | Finn et al. (2017) | 模型無關的元學習（MAML） | 建模自身學習表現的 AI 系統；機器中的功能性自我參照 |