Архивы по дням: 22.08.2026

Общая идея

Клетка, мозг и город различаются субстратом, но их можно описывать одной абстрактной схемой:

узлы имеют запас ресурса; между узлами существуют каналы; проводимость каналов определяет величину потока; поток поддерживает узлы и одновременно меняет проводимость; если поступление меньше расхода, узел ослабевает; если расход превышает устойчивый приток, сеть деградирует.

Это не означает, что клетка буквально устроена как город или мозг как транспортная система. Общим является математический контур обмена.

1. Базовая сеть

Пусть сеть задана графом G = (V, E).

V — множество узлов. E — множество связей между узлами.

Для каждого узла i введём:

x_i(t) — состояние или запас ресурса узла; r_i(t) — потребность узла в ресурсе; u_i(t) — внешний приток; d_i(t) — расход; q_i(t) — функциональная активность узла.

Для каждой связи i -> j введём:

C_ij(t) — проводимость канала; P_i(t) — потенциал или доступность ресурса в узле i; tau_ij — задержка передачи; L_ij — физическая длина канала; v_ij — скорость распространения; K_ij — коэффициент потерь.

Минимальная задержка канала:

tau_ij = L_ij / v_ij + tau_processing

В простейшей линейной модели поток между узлами равен:

F_ij(t) = C_ij(t) * (P_i(t) — P_j(t))

Поток идёт от узла с большим потенциалом к узлу с меньшим потенциалом. Если потенциалы равны, направленный поток отсутствует.

С учётом задержки:

F_ij(t) = C_ij(t) * (P_i(t — tau_ij) — P_j(t))

1. Баланс узла

Состояние узла меняется под влиянием входящих и исходящих потоков:

dx_i/dt = u_i — d_i + sum_j(F_ji — F_ij) — mu_i*x_i

Здесь mu_i*x_i — естественная потеря, распад или утечка ресурса.

Узел устойчив, если в среднем:

u_i + sum_j F_ji >= d_i + sum_j F_ij + mu_i*x_i

Если левая часть меньше правой, запас узла снижается. Если это длится достаточно долго, узел теряет проводимость, активность и способность восстанавливаться.

Для относительного состояния удобно использовать коэффициент питания:

N_i = available_i / demand_i

Если N_i > 1, ресурсный баланс положительный. Если N_i = 1, узел находится около равновесия. Если N_i < 1, узел расходует больше, чем получает.

Но для живых систем одного среднего значения недостаточно. Важна также скорость восстановления:

T_recovery,i = время возврата x_i к рабочему диапазону после нагрузки.

1. Проводимость как способность поддерживать поток

Проводимость C_ij — это не только физическая проходимость канала. Она может включать:

геометрическую ширину канала; скорость сигнала; доступность энергии; надёжность; совместимость кода; пропускную способность; уровень шума.

Можно разложить её так:

C_ij = A_ij * v_ij * p_ij * q_ij / (R_ij + epsilon)

A_ij — эффективное сечение канала; v_ij — скорость передачи; p_ij — вероятность успешной передачи; q_ij — совместимость кодов; R_ij — сопротивление или энергетическая цена; epsilon — малое число для защиты от деления на ноль.

Физическое расстояние L_ij влияет на задержку и потери, но не полностью определяет эффективную близость. Канал может быть длинным, но быстрым и широким, или коротким, но узким и ненадёжным.

1. Проводимость меняется от потока

Если поток через канал часто поддерживает полезную активность, проводимость может увеличиваться. Если канал не используется или перегружен, она может уменьшаться.

Общая форма уравнения:

dC_ij/dt = eta_ij*H(F_ij, q_i, q_j) — lambda_ij*C_ij — zeta_ij*overload_ij

eta_ij — скорость укрепления; lambda_ij — скорость ослабления; H — функция полезного совпадения активности; overload_ij — штраф за перегрузку.

Самая простая модель укрепления:

dC_ij/dt = eta*|F_ij| — lambda*C_ij

Более реалистичная модель должна учитывать, что слишком большой поток повреждает канал:

dC_ij/dt = eta*F_ij^2/(F_ij^2 + F_0^2) — lambda*C_ij — zeta*max(0, |F_ij| — F_max)^2

Здесь F_0 — поток, после которого укрепление насыщается, а F_max — безопасная пропускная способность.

Так появляется общий принцип:

поток прокладывает путь, но чрезмерный поток разрушает путь.

1. Клетка как сеть питания

В клетке узлами могут быть:

митохондрии; ядро; рибосомы; эндоплазматическая сеть; мембранные области; лизосомы; участки цитоскелета.

Ресурсами являются:

АТФ; глюкоза и другие субстраты; кислород; ионы; аминокислоты; электрохимические градиенты; тепловой резерв и возможность отвода тепла.

Клетка получает внешний субстрат, преобразует его в АТФ и распределяет энергию между процессами.

Для узла i клеточный баланс можно записать так:

dA_i/dt = production_i + sum_j F_ji — consumption_i — leak_i

где A_i — локальный запас доступной энергии.

Для мембранного потенциала важен не только поток АТФ, но и движение ионов. Упрощённо:

dV/dt = (I_in — I_out) / C_mem

V — мембранный потенциал; I_in и I_out — суммарные ионные токи; C_mem — электрическая ёмкость мембраны.

Проводимость ионного канала может быть записана как:

I_ion = g_ion * m^a * h^b * (V — E_ion)

g_ion — максимальная проводимость канала; m и h — переменные открытия и инактивации; E_ion — равновесный потенциал иона.

В этой системе питание и проводимость связаны напрямую. АТФ поддерживает насосы, насосы поддерживают градиенты, градиенты создают возможность быстрого сигнала, а сигнал меняет потребление АТФ.

Контур клетки:

питательные вещества -> АТФ -> ионные градиенты -> мембранная проводимость -> сигнал -> изменение обмена -> новое потребление АТФ.

Если нарушается доставка кислорода или глюкозы, падает производство АТФ. Затем ухудшается работа насосов, разрушается ионный градиент, меняется мембранный потенциал и теряется способность клетки поддерживать собственную организацию.

Клеточная смерть в этой модели — это не просто отсутствие движения. Это распад замкнутого контура питания и проводимости.

1. Клетка как динамическая метрика

В клетке химическое расстояние может быть важнее геометрического. Молекула может находиться рядом, но не иметь рецептора или энергетического доступа. Другая молекула может быть дальше, но быстро доставляться потоком.

Для реакции i -> j можно ввести:

D_ij = L_ij / v_diffusion + E_activation + mismatch_ij

L_ij / v_diffusion — время диффузии; E_activation — энергетический барьер реакции; mismatch_ij — химическая несовместимость.

Тогда химически близки не обязательно соседние молекулы, а те, между которыми мал энергетический и реакционный барьер.

Мембрана является границей, которая меняет метрику. Она делает одни переходы короткими, другие длинными, а третьи невозможными.

1. Мозг как сеть питания и внимания

В мозге узлами могут быть нейроны или, что практичнее, нейронные ансамбли.

Ресурсами являются:

кислород; глюкоза; АТФ; нейромедиаторы; внимание; временная доступность памяти; нейромодуляторное состояние; возможность пластического изменения.

Нервный импульс не переносит большое количество энергии. Он открывает канал, который вызывает локальное потребление энергии и меняет вероятность дальнейших переходов.

Упрощённый баланс ансамбля i:

dE_i/dt = supply_i — basal_i — activity_i — plasticity_i

E_i — доступный энергетический резерв; supply_i — доставка через кровь; basal_i — базовый обмен; activity_i — стоимость текущего возбуждения; plasticity_i — дополнительная цена обучения.

Нейронная активность зависит от входов и связей:

x_i(t + dt) = f(sum_j w_ij*x_j(t — tau_ij) + I_i(t) + B_i(t) — theta_i)

w_ij — синаптический вес; tau_ij — задержка; I_i — внешний сенсорный или языковой вход; B_i — телесный вход; theta_i — порог; f — функция активации.

Проводимость мозга в широком смысле состоит из нескольких частей:

C_ij = anatomical_ij * synaptic_ij * metabolic_ij * attentional_ij * compatible_ij

Даже существующая анатомическая связь может быть функционально закрыта, если нейромодуляция, внимание или энергетическое состояние не позволяют сигналу пройти.

1. Внимание как временное перераспределение проводимости

Внимание можно моделировать как изменение проводимости выбранных каналов.

Пусть a_i(t) — коэффициент внимания к ансамблю i. Тогда эффективный вес:

w_ij^eff(t) = a_i(t) * w_ij(t) * b_j(t)

где b_j обозначает восприимчивость принимающего ансамбля.

При концентрации внимания проводимость одного контура увеличивается, а альтернативные пути частично подавляются.

Внимание не создаёт энергию. Оно перераспределяет ограниченный ресурс обработки и делает один маршрут более проходимым относительно остальных.

Это объясняет, почему боль, страх и сильный интерес захватывают внимание: они временно меняют метрику так, что путь к соответствующему состоянию становится самым коротким и наиболее проводимым.

1. Синаптическая пластичность как изменение проводимости

Простая модель изменения веса:

dw_ij/dt = eta*x_i*x_j — lambda*w_ij

Но в реальном мозге укрепление зависит от времени между спайками, контекста, вознаграждения и нейромодуляции. Более общая форма:

dw_ij/dt = eta*F(x_i(t), x_j(t + delta_t), reward, context) — lambda*w_ij

Если пресинаптическая и постсинаптическая активность устойчиво связаны, путь укрепляется. Если связь не используется или не подтверждается результатом, она ослабевает.

Функциональный смысл:

прошлое изменяет проводимость будущего.

Так память становится геометрическим объектом. Она не обязательно хранится в одной точке. Она распределена в изменённых вероятностях переходов.

1. Мозг как пространство аттракторов

Пусть U(x,t) — эффективный потенциал пространства состояний мозга. Тогда устойчивые режимы находятся в областях, где система склонна задерживаться или к которым возвращается:

x_dot = -gradient U(x,t) + noise

Аттракторы могут соответствовать:

узнаваемому лицу; воспоминанию; эмоциональному состоянию; готовой моторной программе; речевому паттерну; образу себя; состоянию сна или бодрствования.

Питание сети влияет на форму U. При достаточном ресурсе система может поддерживать несколько конкурирующих состояний и переходить между ними. При энергетическом дефиците пространство состояний сужается, а сеть выбирает самые дешёвые режимы.

Это может проявляться как:

снижение гибкости внимания; замедление мышления; потеря доступа к памяти; сужение поведенческого выбора; переход к автоматическим реакциям.

1. Боль и когнитивная боль как дорогие состояния

Боль можно описать как режим, в котором угроза получает чрезмерную проводимость:

w_threat -> high w_attention_to_threat -> high w_exit_from_threat -> low

В результате вход в болевой аттрактор становится дешёвым, а выход дорогим.

Когнитивная боль работает по тому же общему принципу, но её объектом может быть не ткань, а связь, память, образ себя или будущее.

При утрате или депрессии может измениться не одна связь, а целый подграф:

событие -> память -> телесное возбуждение -> отрицательный прогноз -> снижение действия.

Если этот контур замыкается и долго поддерживает себя, система тратит энергию на удержание угрозы, но не на перестройку ситуации.

1. Город как сеть питания

В городе узлами являются:

жилые районы; рабочие центры; больницы; школы; компании; склады; энергетические станции; транспортные узлы; дата центры; административные институты.

Потоками являются:

люди; товары; энергия; вода; деньги; информация; отходы; услуги.

Для каждого городского узла i можно записать баланс ресурса:

dR_i/dt = inflow_i — outflow_i + production_i — consumption_i — loss_i

Но ресурс в городе многомерен. Поэтому R_i является вектором:

R_i = [energy, water, food, labor, capital, information, trust]

Один и тот же узел может быть обеспечен энергией, но испытывать дефицит кадров, доверия или информации.

1. Городская проводимость

Проводимость городской связи зависит от транспорта, инфраструктуры, правил и стоимости перехода:

C_ij = capacity_ij * reliability_ij / cost_ij

С учётом времени:

C_ij^eff = capacity_ij * reliability_ij / (travel_time_ij + communication_time_ij)

Если между двумя районами построен мост, физическое расстояние может почти не измениться, но эффективное расстояние резко уменьшится. Увеличивается проводимость, возникает новый поток, а затем перестраиваются цены, плотность, рабочие места и само назначение районов.

Поэтому городская инфраструктура является изменяемой метрикой питания.

1. Пробки как потеря проводимости

Пусть поток по дороге равен F, а максимальная безопасная пропускная способность дороги равна K.

При F < K увеличение потока может поддерживать сеть. Но при F, приближающемся к K, задержки начинают расти нелинейно.

Упрощённо:

tau(F) = tau_0 / (1 — F/K)

При F -> K задержка резко увеличивается. Это означает, что проводимость дороги падает именно тогда, когда потребность в ней максимальна.

Пробка является не отсутствием движения, а переходом сети в режим, где движение больше не питает узлы, а блокирует их.

Городской аналог ишемии:

узлы требуют ресурс; поток пытается усилиться; канал перегружается; задержка растёт; доставка фактически снижается; узлы начинают терять активность.

1. Городской аналог нейропластичности

Если маршрут используется постоянно, сеть может расширить его: построить дорогу, увеличить транспорт, открыть новые линии, перенести склады или изменить расписание.

Уравнение проводимости можно записать так:

dC_ij/dt = eta*F_ij — lambda*C_ij — congestion_ij

Но если маршрут становится чрезмерно загруженным, возникают износ, пробки и рост стоимости. Поэтому нужна нелинейная форма:

dC_ij/dt = eta*F_ij/(F_ij + F_0) — lambda*C_ij — zeta*max(0, F_ij — K_ij)^2

Город учится своей геометрией. Он не думает о маршрутах как мозг, но быстрые потоки людей и ресурсов перестраивают медленную инфраструктуру.

1. Единая модель для клетки, мозга и города

Для каждого узла i введём вектор ресурсов R_i и уровень активности A_i.

Баланс ресурса:

dR_i/dt = U_i + sum_j(F_ji — F_ij) — D_i(A_i) — L_i(R_i)

Динамика активности:

dA_i/dt = Phi_i(R_i, inputs_i, sum_j C_ji*A_j — theta_i) — decay_i*A_i

Динамика проводимости:

dC_ij/dt = Learning_ij — weakening_ij — overload_ij + construction_ij

Для клетки:

R_i — АТФ, кислород, ионы, субстраты; A_i — активность метаболического или мембранного контура; C_ij — проницаемость мембраны, ионного канала или химического пути.

Для мозга:

R_i — кислород, глюкоза, нейромедиаторы, внимание; A_i — активность нейрона или ансамбля; C_ij — эффективный синаптический вес с учётом задержки и нейромодуляции.

Для города:

R_i — электричество, вода, пища, деньги, труд и информация; A_i — активность района или института; C_ij — пропускная способность дороги, кабеля, транспортной линии или социального протокола.

1. Что означает питание в трёх системах

В клетке питание поддерживает химические градиенты и мембранную границу.

В мозге питание поддерживает активность, внимание, память и пластичность.

В городе питание поддерживает работу узлов, транспорт, производство, услуги и обмен информацией.

Во всех случаях ресурс проходит через сеть и превращается не просто в тепло, а в способность узла оставаться активным и менять следующие состояния.

Можно записать общую эффективность узла:

E_i^functional = useful_output_i / resource_input_i

Но высокая эффективность не всегда означает устойчивость. Если узел извлекает ресурс слишком быстро и разрушает собственную среду, его краткосрочная эффективность приведёт к долгосрочному коллапсу.

1. Устойчивость как замкнутый контур

Сеть сохраняет себя, если поток после прохождения через узлы возвращает часть ресурса или повышает способность принимать следующий поток.

Условие устойчивости можно записать качественно так:

maintenance + regeneration >= consumption + damage

Или для проводимости:

strengthening + repair >= decay + overload

В клетке это восстановление мембраны и синтез белков. В мозге это сон, метаболическое восстановление и пластичность. В городе это ремонт, обучение кадров, обновление инфраструктуры и восстановление доверия.

Если восстановление отстаёт от расхода, сеть может некоторое время работать за счёт запасов, но затем проводимость падает.

1. Почему «нет движения» не всегда означает смерть

Внешне неподвижный узел может иметь интенсивный внутренний обмен. Клетка сидит на месте, но её мембрана и метаболизм работают. Мозг почти неподвижен, но внутри него идут миллиарды переходов. Город стоит на месте, но через него проходят потоки.

Нужно различать:

геометрическое движение тел; движение ресурса; движение сигнала; движение состояния; перестройку проводимости.

Узел может быть неподвижным в первом смысле и очень активным в остальных. И наоборот, тело может перемещаться, но не получать достаточного питания и информации.

1. Общий критерий отмирания

Узел начинает отмирать не тогда, когда полностью прекращает двигаться, а когда теряет способность поддерживать баланс и проводимость.

Признаки деградации:

R_i падает ниже минимального уровня; входящий поток не компенсирует расход; C_ij уменьшается; задержки растут; ошибки передачи увеличиваются; альтернативные маршруты исчезают; восстановление не успевает за повреждением.

Схема:

дефицит ресурса -> снижение проводимости -> рост задержек -> уменьшение полезного потока -> ещё больший дефицит.

Это положительная петля разрушения.

1. Общий механизм клетки, мозга и города

Клетка получает ресурс через мембрану, распределяет его по химическим контурам и поддерживает собственную границу.

Мозг получает ресурс через сосудистую сеть, распределяет активность по нейронным контурам и поддерживает изменяемую модель тела и мира.

Город получает ресурс через транспортные, энергетические, финансовые и информационные сети, распределяет его по институтам и поддерживает собственную инфраструктуру.

Во всех трёх случаях можно выделить одну цепь:

ресурсный градиент -> поток -> изменение активности -> перестройка проводимости -> новый ресурсный градиент.

Это и есть питание как вычисление. Система не просто потребляет ресурс. Она использует его, чтобы изменить карту будущих потоков.

1. Итоговая модель

Пусть сеть имеет узлы i, ресурс R_i, активность A_i и проводимость C_ij.

Тогда:

F_ij = C_ij*(P_i — P_j)

dR_i/dt = U_i + sum_j(F_ji — F_ij) — D_i(A_i) — L_i(R_i)

dA_i/dt = Phi_i(R_i, inputs_i, sum_j C_ji*A_j) — decay_i*A_i dC_ij/dt = strengthening_ij — weakening_ij — overload_ij + repair_ij

d_eff(A,B) = min over paths P of sum_ij [a*tau_ij + b*E_ij — g*log(p_ij + epsilon) — h*log(q_ij + epsilon)]

Эти уравнения описывают не одну конкретную систему, а общий класс сетей. Для каждой системы нужно отдельно определить, что именно является ресурсом, активностью, проводимостью и повреждением.

1. Главный вывод

Питание и проводимость неразделимы.

Ресурс без проводимости не доходит до узла. Проводимость без ресурса не может долго сохраняться. Поток поддерживает канал, а канал направляет поток.

В клетке это АТФ, ионы и мембрана. В мозге это кислород, глюкоза, нейронная активность и синаптическая пластичность. В городе это энергия, люди, товары, деньги, дороги и информация.

Общая формула:

поток поддерживает проводимость; проводимость направляет поток; изменение потока перестраивает сеть; перестроенная сеть меняет пространство возможных состояний.

Итоговая фраза:

Питание сети — это поток ресурса по её геометрии. Проводимость — это способность геометрии направлять и преобразовывать этот поток. Жизнь, мозг и город существуют, пока их быстрые потоки поддерживают медленные формы, а медленные формы продолжают организовывать быстрые потоки.

Это не отдельная карта, лежащая внутри нейронной ткани. Это изменяющаяся система доступности переходов между состояниями мозга, тела и внешней среды.

Главная идея такова:

синаптические веса определяют, какие переходы между нейронными состояниями легки или трудны; задержки определяют, насколько быстро эти переходы происходят; нейромодуляция и тело меняют текущую стоимость переходов; память сохраняет изменения этой метрики; из всей системы возникает пространство состояний, в котором сознание движется между ощущениями, образами, эмоциями, мыслями и действиями.

1. Нейронная сеть как взвешенный граф

Пусть мозг представим как граф G = (V, E).

V — нейроны или нейронные ансамбли. E — связи между ними. w_ij — синаптический вес связи от узла i к узлу j. tau_ij — задержка передачи. p_ij — вероятность того, что активность i существенно повлияет на j.

Состояние мозга в момент времени t обозначим вектором:

x(t) = [x_1(t), x_2(t), …, x_N(t)]

где x_i(t) — активность отдельного нейрона или, практически полезнее, ансамбля нейронов.

Для ансамблевой модели состояние может включать не только активность, но и дополнительные параметры:

x_i(t) = [a_i, r_i, m_i, h_i]

где:

a_i — текущая активность; r_i — уровень возбудимости; m_i — локальное состояние памяти; h_i — влияние гормональных и нейромодуляторных систем.

Это важно: сознание не возникает из одного мгновенного вектора спайков. Оно связано с состоянием сети, которое включает активность, возбудимость, память, тело и контекст.

1. Уравнение динамики

Упрощённую динамику можно записать так:

dx_i/dt = F_i(x_i) + sum_j w_ij(t) * K_ij(x_j(t — tau_ij)) + I_i(t) + B_i(t) + noise_i(t)

Здесь:

F_i — собственная динамика узла; K_ij — функция передачи сигнала; w_ij — сила и знак связи; tau_ij — задержка; I_i — сенсорный или языковой вход; B_i — влияние тела; noise_i — шум и случайные флуктуации.

В матричной форме:

dx/dt = F(x) + W(t) * K(x(t — Tau)) + I(t) + B(t) + noise(t)

Матрица W не является постоянной. Она изменяется под действием опыта, внимания, сна, стресса, обучения и нейромодуляторов.

1. Вес как длина функционального перехода

Физическое расстояние между нейронами не определяет полностью их функциональную близость. Для этого нужно учитывать вес, задержку и надёжность связи.

Введём стоимость перехода по одной связи:

c_ij = a * tau_ij + b * E_ij + g * (-log(p_ij + epsilon)) + h * q_ij

где:

tau_ij — временная задержка; E_ij — энергетическая стоимость передачи; p_ij — вероятность успешного влияния; q_ij — стоимость несовместимости или преобразования сигнала; a, b, g, h — коэффициенты важности; epsilon — малое число, предотвращающее log(0).

Если вес прямо связан с вероятностью передачи, можно использовать:

p_ij = sigmoid(w_ij)

Тогда сильная положительная связь уменьшает функциональное расстояние, а слабая или тормозящая связь его увеличивает.

В простейшей модели:

l_ij = -log(sigmoid(w_ij)) + a * tau_ij

l_ij — эффективная длина перехода от i к j.

Это не буквальный физический метр, а операционное определение: сколько стоит провести изменение через данную связь.

1. Расстояние между нейронными состояниями

Расстояние между отдельными узлами — только первый уровень. Для сознания важнее расстояние между целыми состояниями сети.

Пусть A и B — два состояния мозга. Например:

A — спокойное бодрствование; B — состояние тревожного ожидания.

Расстояние между ними можно определить как минимальную стоимость траектории в пространстве состояний:

d_state(A, B) = min over paths P from A to B of Cost(P)

где путь P состоит из последовательности промежуточных состояний:

A -> x_1 -> x_2 -> … -> B

Стоимость пути включает:

изменение активности ансамблей; включение и торможение связей; время перехода; энергетические затраты; необходимость телесной перестройки; доступность памяти; конфликт между конкурирующими моделями.

Важный вывод: два субъективно разных состояния могут быть физически близки в мозге, но функционально далеко друг от друга. И наоборот, сильное обучение может сделать переход между двумя состояниями коротким и почти автоматическим.

1. Как возникает пространство состояний

Каждая возможная конфигурация активности x(t) является точкой или областью в пространстве состояний.

Если у сети N переменных активности, математическое пространство имеет до N измерений. Но реальные состояния обычно занимают не всё пространство, а ограниченное подпространство, потому что нейроны связаны общими ограничениями, ритмами, телом и задачами.

Это подпространство можно представить как многообразие доступных состояний:

M_brain = {x: x допустимо для данной структуры связей, тела и среды}

Синаптические веса определяют форму этого многообразия. Они задают:

какие состояния устойчивы; какие состояния достижимы; какие переходы требуют большой энергии; какие траектории становятся автоматическими; какие области почти недоступны; какие состояния легко вызываются небольшим сигналом.

Поэтому изменение веса меняет не только силу отдельной связи. Оно меняет форму пространства возможного опыта.

1. Аттракторы как устойчивые состояния сознания

Во многих моделях нейронной динамики существуют аттракторы — области, к которым система возвращается после небольших возмущений.

Аттрактор может соответствовать:

узнаваемому образу; воспоминанию; эмоциональному режиму; моторной программе; языковой конструкции; состоянию внимания; модели самого себя.

Если состояние попало в область притяжения аттрактора, сеть сама достраивает недостающие элементы и возвращается к знакомой конфигурации.

Упрощённо:

dx/dt = -gradient U(x)

где U(x) — потенциальный ландшафт состояний.

Минимумы U соответствуют устойчивым состояниям. Высота барьера между минимумами показывает, насколько трудно перейти из одного режима в другой.

В этой модели синаптические веса определяют форму U(x).

Сильные рекуррентные связи углубляют аттрактор.

Тормозные связи могут разделять два аттрактора.

Пластичность меняет глубину минимумов и высоту барьеров.

Стресс может временно изменить ландшафт так, что один тревожный аттрактор станет слишком глубоким.

Обучение может создать новый аттрактор или сделать старый переход менее затратным.

1. Пример: формирование страха

Пусть есть сигнал S, связанный с угрозой. Вначале он активирует несколько сенсорных узлов. Если после этого регулярно возникают неприятные телесные последствия, меняются веса связей:

S -> память угрозы; S -> автономное возбуждение; S -> внимание; S -> моторная готовность.

После обучения небольшой сигнал S может быстро перевести всю сеть в состояние тревоги.

Геометрически это означает:

расстояние от S до тревожного аттрактора уменьшилось; барьер перехода стал ниже; тревожный аттрактор стал глубже; альтернативные состояния стали функционально дальше.

Именно поэтому страх может возникать быстрее, чем сознательное рассуждение. Сеть уже перестроила метрику переходов.

1. Пример: обучение навыку

Новичок выполняет действие через длинную цепь сознательных шагов:

восприятие -> анализ -> выбор -> моторная команда -> проверка результата.

Каждый переход требует внимания и имеет высокую стоимость.

При обучении повторяющиеся переходы усиливаются. Часть операций объединяется в ансамбли, задержки уменьшаются, ненужные альтернативы подавляются.

После обучения действие становится коротким маршрутом:

сигнал -> готовая программа -> результат.

Навык означает не просто накопление информации. Он означает изменение геометрии пространства состояний: нужная траектория становится более прямой и дешёвой.

1. Память как изменение ландшафта

Память — это не только отдельная запись. Это изменение вероятностей будущих переходов.

До события:

P(B | A) = p_0

После повторения или обучения:

P(B | A) = p_1

Если p_1 > p_0, состояние A теперь легче ведёт к B.

В терминах геометрии:

d_eff(A,B) после обучения < d_eff(A,B) до обучения

Память можно определить так:

память = устойчивое изменение метрики будущих переходов под воздействием прошлого.

Это определение связывает память мозга с памятью клетки, иммунной системы, города и цифровой сети.

1. Автобиографическое Я как траектория через пространство состояний

Автобиографическое Я не является одной точкой в мозге. Это устойчивый маршрут через множество состояний.

В каждый момент человек находится в некоторой области M_t. Но образ себя сохраняется благодаря связям:

M_1 -> M_2 -> M_3 -> … -> M_t

Память удерживает не только сами состояния, но и переходы между ними.

Человек узнаёт себя, когда может связать:

это состояние было моим; оно возникло из предыдущего; оно изменило следующее; нынешнее состояние продолжает эту линию.

Поэтому автобиографическое Я можно определить как устойчивую причинную траекторию в динамической метрике организма и внешней сети.

Внешний язык расширяет эту траекторию. Имя, дневник, фотографии, рассказы и отношения становятся дополнительными узлами памяти.

1. Сознательное состояние как глобально доступный аттрактор

Не каждое нейронное состояние является сознательным. В мозге постоянно идут процессы, которые не становятся доступными всему функциональному контуру.

Для сознательного состояния важны, по крайней мере, следующие признаки:

состояние достаточно устойчиво, чтобы его можно было удержать; оно распространяется между несколькими функциональными подсистемами; оно доступно памяти, вниманию и действию; оно связано с телесным состоянием; оно может быть включено в модель себя; оно может изменить последующие переходы.

В терминах сети сознательное состояние можно представить как активный аттрактор с широкой интеграцией и глобальной доступностью.

Состояние не обязано активировать весь мозг. Оно должно распространяться достаточно широко, чтобы объединить восприятие, память, внимание, действие и самоотнесение.

1. Интеграция и разделение

Сознание требует одновременно интеграции и дифференциации.

Если все узлы полностью изолированы, возникает множество локальных процессов без общего состояния.

Если все узлы полностью связаны одинаково, исчезают различия между состояниями и система теряет содержательную структуру.

Нужен промежуточный режим:

модули должны различаться; между ними должны существовать быстрые пути связи; связи должны быть достаточно сильными для интеграции; но не настолько однородными, чтобы всё слилось в один неразличимый сигнал.

Это можно выразить условием:

локальная специализация + глобальная доступность > 0

или более формально:

I_global > 0 и D_modules > 0

где I_global обозначает интеграцию, а D_modules — различимость подсистем.

Возможное сознательное пространство возникает в области, где оба параметра достаточно велики.

1. Динамическая метрика меняется во времени

Синаптические веса являются только медленным слоем. На метрику влияют также:

временная синхронизация; нейромодуляторы; уровень бодрствования; сон; стресс; гормоны; температура; голод; боль; социальная среда; языковой контекст.

Поэтому правильнее писать:

G_brain(t) = G[W(t), Tau(t), H(t), B(t), Context(t)]

где:

W(t) — синаптические веса; Tau(t) — задержки; H(t) — нейромодуляторное состояние; B(t) — тело; Context(t) — внешний контекст.

Состояние сознания является траекторией не в фиксированном пространстве, а в пространстве, чья метрика сама меняется:

x(t) движется по M(t).

Это объясняет, почему один и тот же стимул в разных состояниях вызывает разные переживания. Сам стимул может быть одинаковым, но расстояния между состояниями и аттракторами изменились.

1. Боль как изменение метрики

При боли часть состояний тела получает чрезмерный приоритет. Сеть усиливает переходы к угрозе, памяти боли и защитному действию.

Можно представить:

d_eff(сигнал угрозы, состояние боли) уменьшается; d_eff(состояние боли, нейтральное состояние) увеличивается; барьер выхода становится высоким; внимание принудительно удерживается в области угрозы.

При хронической боли первоначальное повреждение может уменьшиться, но ландшафт остаётся перестроенным. Система продолжает легко входить в болевой аттрактор и трудно выходит из него.

Это не означает, что боль нереальна. Она реальна как динамическое состояние всей системы, даже если текущая тканевая угроза уже не пропорциональна силе переживания.

1. Депрессия как сужение пространства достижимых состояний

В депрессивном состоянии могут измениться несколько частей метрики:

переход к удовольствию становится дорогим; будущее состояния получают низкую вероятность; выход из негативного аттрактора становится трудным; связь между усилием и результатом ослабевает; память сильнее активирует отрицательные траектории.

Геометрически пространство не обязательно становится меньше физически. Сужается множество состояний, которые система считает достижимыми и значимыми.

Это можно назвать сжатием пространства действия:

Reachable_states_depression < Reachable_states_baseline

То есть организм физически может сделать больше, чем ощущает как реально доступное.

1. Язык как дополнительная метрика

Язык создаёт переходы между состояниями, которые иначе оставались бы раздельными.

Слово может:

назвать телесное состояние; связать его с памятью; передать его другому; создать альтернативную интерпретацию; сделать возможным план будущего.

В нейронной модели языковой знак активирует распределённый ансамбль. Он сокращает путь между разными подсистемами:

телесное возбуждение -> слово -> память -> взгляд другого -> новый план действия.

Без слова путь может быть длинным или недоступным. Слово не просто описывает состояние, а изменяет его функциональную геометрию.

Язык может также увеличивать расстояние. Чужой термин, непонятный код или конфликт значений создают барьер между узлами.

1. Сон как перестройка метрики

Во сне внешние входы ослабевают, а внутренняя метрика частично перестраивается.

Одни связи укрепляются, другие ослабевают. Дневные состояния памяти объединяются с прежними аттракторами. Телесные сигналы получают образную форму.

Сон можно описать как период изменения ландшафта без полной внешней проверки:

W_day -> W_sleep -> W_updated

После сна меняются:

доступность воспоминаний; эмоциональная сила сигналов; связи между образами; готовность к определённым действиям; стабильность модели Я.

1. Оцифровка сознания как перенос метрики

Если сознание является движением в динамической метрике, то оцифровать его значит перенести не только матрицу весов, но и весь набор параметров:

W; Tau; динамику активации; правила пластичности; телесную обратную связь; память; языковые связи; механизм саморегуляции; внешнюю среду.

Скопировать только W недостаточно. Два носителя с одинаковыми начальными весами могут быстро разойтись, если у них разные задержки, сенсорные входы, тела, энергопитание и режимы обучения.

Более точная формула оцифровки:

копирование Я = перенос динамической метрики + перенос правил её изменения + восстановление среды обратной связи.

1. Почему общий принцип не даёт простого копирования

У мозга, клетки, города и планетарной сети действительно есть общий шаблон:

узлы -> связи -> задержки -> веса -> память -> перестройка переходов.

Но содержимое матрицы и режимы тактов различаются. Общая форма не означает, что состояние одной системы можно заменить состоянием другой без потери.

Это как общая формула движения жидкости и крови. У обеих есть потоки и сопротивления, но заменить кровь водой нельзя, потому что меняются химия, регуляция, границы и функции.

Общий принцип показывает, какие параметры нужно искать. Он не превращает разные носители в изоморфные копии.

1. Что можно проверить экспериментально

Модель динамической метрики должна порождать измеримые следствия.

Можно проверить, что обучение уменьшает эффективное расстояние между связанными состояниями:

d_eff(A,B) после обучения < d_eff(A,B) до обучения.

Можно измерять:

изменение функциональной связности; временные задержки между ансамблями; порог запуска воспоминания; устойчивость нейронных аттракторов; скорость перехода между эмоциональными состояниями; влияние сна на форму ландшафта; изменение доступности состояний при стрессе или боли.

Можно также проверять, что сознательные состояния имеют большую глобальную доступность, чем локальные бессознательные процессы.

Но пока нельзя считать доказанным, что геометрия состояний полностью совпадает с субъективным пространством переживаний. Это рабочая функциональная модель, а не завершённое объяснение феноменальности.

1. Итоговая формула

Синаптический вес меняет не только силу сигнала. Он меняет длину перехода в пространстве возможных состояний.

Совокупность весов формирует ландшафт аттракторов, барьеров и доступных траекторий.

Задержки задают временную геометрию.

Тело и нейромодуляторы меняют текущую метрику.

Память является долговременным изменением стоимости будущих переходов.

Сознательное состояние возникает как глобально доступная, телесно связанная и временно устойчивая область этого пространства.

Автобиографическое Я возникает как сохраняющаяся причинная траектория через множество таких областей.

Главная формула:

синаптические веса -> функциональная метрика -> аттракторы и барьеры -> траектории состояний -> сознательный опыт.

И ещё короче:

мозг не хранит сознание в одной точке. Он строит пространство возможных состояний, а сознание является движением и удержанием в этом пространстве.

Синаптические веса задают геометрию переходов, тело задаёт границы, память меняет ландшафт, язык соединяет области, а Я является устойчивой траекторией, которая узнаёт собственную историю

1. Основная идея

Геометрия переходов описывает не только, где находятся объекты, а насколько легко состояние одного узла может изменить состояние другого.

В обычном пространстве расстояние измеряется в метрах. В сети переходов расстояние должно учитывать:

• физическую длину пути;
• время распространения сигнала;
• вероятность успешной передачи;
• энергетическую стоимость;
• число промежуточных переходов;
• совместимость кодов;
• влияние среды на саму траекторию.

Поэтому эффективное расстояние между узлами A и B можно определить как минимальную стоимость перехода:

d_eff(A,B) = min over paths P from A to B of Cost(P)

Путь P является последовательностью узлов и связей. Эффективное расстояние не обязано совпадать с геометрическим расстоянием. Оно может быть больше, если канал слабый или медленный, и меньше, если существует быстрый и надёжный канал.

1. Граф переходов

Представим систему как ориентированный или неориентированный граф G = (V,E).

V = множество узлов. E = множество возможных переходов между узлами.

Каждой связи e принадлежат параметры:

• L_e: физическая длина или пространственный масштаб связи;
• v_e: скорость распространения сигнала;
• tau_e: задержка передачи;
• w_e: сила или пропускная способность связи;
• p_e: вероятность успешного перехода;
• E_e: энергетическая стоимость;
• k_e: стоимость преобразования сигнала в промежуточном узле.

Минимальная задержка отдельной связи:

tau_e = L_e / v_e + tau_processing + tau_conversion

Если сигнал проходит по пути P = (e_1, e_2, …, e_n), то общая задержка равна:

tau(P) = sum over i of tau_e_i

Если нас интересует только скорость передачи, эффективное расстояние можно определить как:

d_time(A,B) = min over paths P of tau(P)

Это уже не метры, а минимальное время связи.

1. Сила связи и стоимость перехода

Задержка не является единственным параметром. Быстрый канал может быть ненадёжным, дорогим или недоступным для нужного типа сигнала.

Введём стоимость отдельного перехода:

c_e = a*tau_e + bE_e + g(-log(p_e)) + h*k_e

Здесь:

a определяет значимость времени; b определяет значимость энергии; g определяет штраф за ненадёжность; h определяет стоимость преобразования;

a, b, g и h являются весами конкретной задачи.

Тогда:

Cost(P) = sum over e in P of c_e

d_eff(A,B) = min over paths P of Cost(P)

Эта формула показывает, что эффективная геометрия зависит от режима системы. Для экстренного сигнала важнее задержка. Для организма может быть важнее энергия. Для социальной сети важнее доверие и совместимость кодов. Для космического аппарата важны топливо, гравитационный потенциал и время.

1. Синаптический вес как геометрический параметр

Синаптический вес w_ij не является расстоянием в обычном смысле. Он определяет, насколько изменение состояния нейрона i влияет на вероятность изменения состояния нейрона j.

В простейшей модели:

P(j fires | i fires) = f(w_ij, x_j, noise)

где:

w_ij: сила синаптической связи; x_j: текущее состояние нейрона j; noise: шум и другие входы; f: функция преобразования.

Чем больше положительный вес, тем легче возбуждение i переводит j через порог. Чем сильнее отрицательный вес, тем сильнее переход подавляется.

Можно ввести синаптическую длину перехода:

l_syn(i,j) = -log(p_ij)

Если p_ij близка к единице, l_syn мала: функционально узлы близки. Если p_ij мала, l_syn велика: между ними большая функциональная дистанция, даже если нейроны находятся рядом физически.

Для непрерывной аппроксимации можно использовать:

l_syn(i,j) = l_0 / (epsilon + |w_ij|)

где l_0 является масштабом, а epsilon предотвращает деление на ноль.

Эта формула не является фундаментальным законом мозга. Она является удобным отображением веса в геометрию переходов: сильная связь делает переход коротким, слабая связь делает его длинным.

1. Задержка и синаптический вес не одно и то же

Сильная связь может быть медленной, а слабая связь может быть быстрой. Поэтому нужно различать два параметра:

• временная близость: насколько быстро сигнал доходит;
• функциональная близость: насколько сильно сигнал влияет.

Для нейронной связи можно записать:

d_neural(i,j) = a*tau_ij + b*l_syn(i,j)

или:

d_neural(i,j) = a*tau_ij — b*log(p_ij)

Если два нейрона соединены длинным миелинизированным аксоном, tau может быть небольшой относительно длины. Если соседние нейроны связаны слабо, их функциональное расстояние может быть больше.

Поэтому в мозге существуют как минимум три геометрии:

• анатомическая: где находятся нейроны;
• временная: как быстро между ними проходит сигнал;
• функциональная: насколько сильно один узел меняет другой.

Сознательная интеграция зависит не от одной из них, а от их совместной конфигурации.

1. Масса и геометрия пространства-времени

В общей теории относительности масса и энергия не являются просто объектами внутри пространства. Они участвуют в определении метрики пространства-времени.

В общем виде расстояние между близкими событиями задаётся интервалом:

ds^2 = g_mn dx^m dx^n

Здесь g_mn является метрическим тензором. Он определяет, какие пространственные и временные разделения существуют между событиями.

В слабом поле вокруг сферически симметричного тела можно использовать приближение Ньютона. Гравитационный потенциал:

Phi® = -G*M/r

где M является массой источника.

Потенциал изменяет скорость часов и траектории движения. В слабом поле гравитационное замедление времени приблизительно выражается так:

dt_local / dt_far approximately 1 + Phi/c^2

Поскольку Phi отрицателен, часы глубже в гравитационном поле идут медленнее относительно удалённого наблюдателя.

Масса в этом смысле меняет не «силу связи» между двумя нейронами, а саму метрику возможных физических переходов: длительность, траектории и причинную доступность событий.

1. Сравнение массы и синаптического веса

Синаптический вес и масса не являются одним и тем же физическим параметром. Но они занимают аналогичные места в двух разных математических описаниях.

Синаптический вес:

w_ij меняет вероятность перехода i -> j.

Масса:

M меняет метрический тензор g_mn и тем самым меняет возможные траектории между событиями.

Можно сформулировать структурное соответствие:

w_ij меняет геометрию переходов в графе сети; M меняет геометрию переходов в пространстве-времени.

В первом случае геометрия дискретна или сеточная. Во втором она непрерывна или квазинепрерывна. В первом случае переходы определяются весами рёбер. Во втором геодезические линии определяются метрикой.

Это аналогия на уровне роли в уравнениях, а не утверждение об одинаковой природе массы и синапса.

1. Геодезическая как путь минимальной стоимости

В общей относительности свободное тело движется по геодезической, то есть по траектории, определённой метрикой пространства-времени.

В сетевой модели сигнал движется по пути минимальной стоимости:

d_eff(A,B) = min Cost(P)

Разница в том, что в общей относительности стоимость зашита в метрический тензор, а в дискретной сети она задана весами рёбер, задержками и вероятностями.

Общая структура может быть записана так:

среда задаёт метрику; метрика задаёт стоимость путей; сигнал выбирает или следует доступным путям; поток изменяет среду; изменённая среда задаёт новую метрику.

Для гравитации:

материя и энергия -> метрика -> геодезические -> перераспределение материи.

Для мозга:

активность и обучение -> веса связей -> вероятность переходов -> новая активность.

Для города:

потоки людей и ресурсов -> дороги и инфраструктура -> стоимость маршрутов -> новые потоки.

1. Единая формула для разных систем

Можно описать любой переход между состояниями A и B через функционал стоимости:

S[P] = integral over P of [alpha(x)*dt + beta(x)*dE + gamma(x)*dR + delta(x)*dK]

Здесь:

alpha(x): цена времени; beta(x): цена энергии; gamma(x): штраф за ненадёжность; delta(x): цена преобразования кода; dR: риск потери сигнала; dK: объём необходимого преобразования.

Эффективное расстояние определяется минимумом:

d_eff(A,B) = min over P S[P]

В непрерывном пространстве P является траекторией. В нейронной сети P является последовательностью синапсов. В транспортной сети P является маршрутом. В языке P является последовательностью преобразований смысла.

Эта формула не утверждает, что все системы физически тождественны. Она задаёт общий язык сравнения: путь между состояниями имеет стоимость, а стоимость определяется средой.

1. Язык как преобразователь метрики

Язык добавляет ещё один параметр: совместимость кодов.

Даже если физический канал быстрый, сообщение может не пройти, если принимающий узел не умеет его расшифровать. Введём коэффициент совместимости q_ij, где:

q_ij = 1 означает полную совместимость; q_ij близкое к 0 означает почти полную несовместимость.

Тогда языковую стоимость перехода можно записать так:

l_lang(i,j) = -log(q_ij + epsilon)

Общая стоимость перехода:

c_ij = a*tau_ij + bE_ij + g(-log(p_ij)) + h*(-log(q_ij + epsilon))

Два города могут быть физически близки, но языково далеки. Два научных центра могут быть физически далеко, но близки благодаря общему математическому языку. Один и тот же сигнал может быть дешёвым для системы с подходящим протоколом и почти недоступным для системы без него.

Язык, таким образом, является частью метрики сети.

1. Среда как динамическая метрика

Среда не является постоянным фоном. Её параметры меняются со временем:

w_ij = w_ij(t); tau_ij = tau_ij(t); p_ij = p_ij(t); q_ij = q_ij(t); g_mn = g_mn(x,t).

Для нейронной сети это означает обучение и пластичность. Для города это означает строительство и разрушение дорог. Для общества это означает изменение языка, норм и доверия. Для космоса это означает движение масс и изменение гравитационного поля.

Тогда эффективное расстояние тоже зависит от времени:

d_eff(A,B,t) = min over P S[P,t]

Сигнал не просто движется по фиксированной карте. Карта перестраивается во время движения.

Это особенно важно для живых систем. Они не только ищут путь в среде, но и меняют среду, чтобы будущие пути стали дешевле.

Клетка создаёт мембранные каналы. Нервная система усиливает синапсы. Человек строит дороги и оптоволокно. Цивилизация создаёт новые протоколы связи.

1. Масса как динамический вес космической сети

Если рассматривать крупномасштабную структуру Вселенной как сеть, то масса и энергия определяют геометрию её потоков.

Большая масса создаёт глубокий потенциал и изменяет доступные траектории. Галактики, газ и тёмная материя движутся не в равномерном пустом пространстве, а по ландшафту плотностей и потенциалов.

В сетевой аналогии масса действует как распределённый вес среды. Она не обязательно усиливает связь между двумя конкретными узлами напрямую. Она изменяет весь набор путей вокруг них.

Это важное отличие от синапса:

синаптический вес локально изменяет ребро графа; масса может глобально изменить метрику окружающей области.

Большая масса может одновременно сделать одни траектории более доступными, а другие недоступными. Вблизи горизонта чёрной дыры причинная структура меняется настолько, что внешняя связь с внутренней областью становится невозможной обычным способом.

1. Чёрная дыра как предельный узел метрики

Чёрная дыра в этой модели является системой, где эффективная геометрия переходов достигает предельного режима.

До горизонта возможны траектории наружу. За горизонтом все будущие светоподобные направления ведут к меньшему радиусу. Это не просто большая стоимость выхода. В классическом описании выход наружу перестаёт быть допустимым направлением причинной структуры.

В терминах сети:

горизонт является границей, за которой набор доступных путей радикально изменён; масса задаёт метрику этой границы; площадь горизонта характеризует доступную внешнему описанию информацию; поглощённая энергия меняет параметры узла и его внешнее поле.

Но необходимо сохранять физическую осторожность. Мы не знаем, что именно происходит с информацией в глубине чёрной дыры на микроскопическом уровне. Поэтому корректно говорить о геометрической и причинной границе, а не о полностью понятном физическом архиве.

1. Мозг как динамическая сетка переходов

Для мозга можно использовать модель состояний:

x_i(t) = состояние нейрона или ансамбля; w_ij(t) = сила связи; tau_ij = задержка; I_i(t) = внешний или телесный вход.

Общая динамика может быть записана в виде:

dx_i/dt = F_i(x_i) + sum over j of w_ij(t)*K_ij(x_j(t — tau_ij)) + I_i(t) + noise_i(t)

Здесь K_ij описывает форму передачи сигнала с учётом задержки.

Пластичность можно представить так:

dw_ij/dt = eta*G(x_i,x_j,delta t, reward) — lambda*w_ij

где:

eta: скорость обучения; G: правило изменения связи; delta t: временная связь между активностями; reward: подкрепление или ошибка; lambda: скорость забывания или ослабления.

Мозг не просто распространяет сигнал по фиксированной геометрии. Он переписывает собственную геометрию в ходе работы.

1. Геометрия сознания

Если сознание связано с интеграцией состояний, то его геометрия должна учитывать не только физические координаты нейронов, но и функциональные переходы.

Можно определить расстояние между двумя состояниями мозга:

d_state(A,B) = minimum cost of transforming state A into state B

Стоимость преобразования зависит от:

• числа изменяемых ансамблей;
• энергии изменения;
• времени перехода;
• силы имеющихся связей;
• доступности телесной обратной связи;
• языковой совместимости с текущей моделью.

Тогда состояние страха может быть физически близко к состоянию ожидания, но функционально далеко от спокойствия, если сеть закрепила сильную петлю угрозы. Обучение создаёт короткие пути к новым состояниям. Травма может сделать некоторые переходы слишком дорогими, а знакомые угрозы слишком близкими.

Сознание в таком описании является не точкой, а движением по пространству состояний, чья метрика постоянно меняется.

1. Различие между физической и функциональной метрикой

Физическая метрика отвечает на вопрос:

где находится объект и каков интервал между событиями?

Функциональная метрика отвечает на вопрос:

насколько легко состояние одного узла изменяет состояние другого?

Эти метрики могут совпадать, но не обязаны.

В мозге близкие нейроны могут быть функционально разобщены, а далёкие области связаны мощным трактом. В городе соседние районы могут быть разделены рекой и отсутствием моста, а удалённые центры связаны прямым поездом. В космосе две галактики могут быть связаны общим гравитационным филаментом, несмотря на огромную физическую дистанцию.

Функциональная геометрия является геометрией доступности, а не геометрией положения.

1. Откуда берётся новая геометрия

Новая геометрия возникает, когда поток меняет параметры переходов.

В мозге:

опыт меняет w_ij; изменённые веса меняют вероятность переходов; новые переходы меняют опыт.

В организме:

метаболизм меняет рецепторы и ткани; изменённые ткани меняют чувствительность; новая чувствительность меняет поведение.

В городе:

люди создают поток; поток оправдывает дорогу; дорога создаёт новый поток.

В космосе:

масса меняет метрику; метрика меняет движение; движение меняет распределение массы.

Это единый контур:

поток -> изменение геометрии -> новый поток.

1. Условие устойчивой сети

Сеть становится устойчивой, если изменение одного узла не разрушает все остальные связи и если система способна компенсировать локальные потери.

Можно ввести коэффициент устойчивости:

R_stab = запас альтернативных путей / стоимость разрушения основного пути

Если R_stab велик, сеть сохраняет работу при повреждении отдельных связей. Если он мал, один разрыв вызывает каскадный коллапс.

В мозге устойчивость обеспечивается избыточностью, параллельными путями и пластичностью. В городе — альтернативными дорогами и резервными энергосистемами. В интернете — маршрутизацией и дублированием. В биосфере — разнообразием и взаимозаменяемостью видов.

Чёрная дыра представляет противоположный предельный случай: внутри горизонта все внешние пути выхода геометрически закрыты. Для внешнего наблюдателя это максимальная причинная односторонность.

1. Что объединяет массу и синаптический вес

Их объединяет не вещество, а функция:

оба изменяют пространство возможных переходов.

Масса меняет геометрию физических траекторий через гравитационное поле и метрический тензор.

Синаптический вес меняет геометрию переходов между состояниями нейронной сети через вероятность, силу и направление влияния.

Задержка задаёт временную стоимость перехода.

Эффективное расстояние объединяет эти параметры в одну оценку доступности.

Язык добавляет возможность кодировать и передавать саму карту переходов. Память сохраняет изменения карты. Обучение перестраивает карту. Сознание, если описывать его через эту модель, является процессом движения и самонаблюдения в динамической метрике состояний.

1. Предельная формула

Для любой системы можно использовать следующий общий шаблон:

состояние узлов: x_i; связи: w_ij; задержки: tau_ij; надёжность: p_ij; энергетическая цена: E_ij; языковая совместимость: q_ij; метрика среды: g;

стоимость ребра:

c_ij = a*tau_ij + b*E_ij — g*log(p_ij) — h*log(q_ij + epsilon)

эффективное расстояние:

d_eff(A,B) = min over paths P from A to B of sum c_ij

динамика сети:

dx_i/dt = F_i(x_i) + sum over j of w_ij*K_ij(x_j(t — tau_ij)) + I_i(t)

перестройка геометрии:

dw_ij/dt = H_ij(activity, history, reward, energy)

для физической среды:

g = g[matter, energy]

для нейронной сети:

w = w[experience, plasticity]

для города:

network = network[flows, construction, policy]

Общий цикл:

поток -> изменение параметров среды -> изменение эффективного расстояния -> новый поток.

1. Итог

Геометрия переходов является общей формой описания для систем, в которых состояния влияют друг на друга через среду.

Масса изменяет физическую метрику. Синаптический вес изменяет функциональную метрику. Задержка определяет временную цену связи. Надёжность и энергия определяют практическую цену. Язык определяет, насколько один узел способен расшифровать состояние другого.

Физическое расстояние говорит, где расположены тела. Эффективное расстояние говорит, насколько легко одно состояние может стать причиной другого.

Чёрная дыра является предельным космическим узлом, который меняет причинную геометрию и создаёт горизонт доступности. Мозг является биологическим узлом, который меняет функциональную геометрию через обучение и синаптические веса. Город и планетарная сеть делают то же самое через дороги, кабели, протоколы и социальные связи.

Главная формула главы:

эффективное расстояние = минимальная стоимость причинного перехода.

А общий механизм:

масса меняет метрику пространства; вес меняет метрику сети; задержка задаёт такт перехода; язык задаёт совместимость кодов; память изменяет будущую геометрию.

И ещё короче:

геометрия это не только расстояние между телами. Геометрия это карта того, какие изменения могут вызвать другие изменения, с какой скоростью и какой ценой.

И совсем:

Геометрия это прогноз.