Сенсомоторная Теория

«Живое существо — это не вещь, а процесс: непрерывный обмен со средой, в котором граница между "я" и "не-я" каждый миг создаётся заново.» — Франциско Варела

Для кого эта глава

Сенсомоторный цикл как следствие канонического уравнения эволюции. Читатель узнает, как восприятие, оценка и действие выводятся из динамики $\Gamma$.

Каждое живое существо — от бактерии, ощупывающей химический градиент, до человека, идущего по незнакомому городу — решает одну и ту же задачу: воспринять среду и адекватно ответить. Эта задача кажется обыденной, но за ней скрывается одна из глубочайших проблем науки о сложных системах.

Представьте себе амёбу. У неё нет глаз, ушей и мозга. Но она различает: движется к питательным веществам, уклоняется от яда, обтекает препятствия. Между «химическим сигналом на мембране» и «выпячиванием псевдоподии» стоит нечто — не просто рефлекс, а замкнутый цикл: восприятие → оценка → действие → восприятие. Этот цикл — сенсомоторная петля — является минимальной единицей адаптивного поведения.

Классическая теория управления описывает сенсомоторную петлю как «датчик → контроллер → актуатор». Активная инференция (FEP) видит её как минимизацию вариационной свободной энергии. Обучение с подкреплением моделирует её как максимизацию кумулятивного вознаграждения. Каждый из этих подходов захватывает часть истины — но ни один не отвечает на два ключевых вопроса:

1. Почему цикл именно такой? Откуда берётся число каналов восприятия, структура действия, формат внутренней оценки?
2. Где в цикле место переживанию? Когда сенсомоторный цикл сопровождается субъективным опытом, а когда — нет?

Кибернетика Когерентности (КК) даёт на оба вопроса конструктивный ответ. Сенсомоторный цикл не постулируется — он выводится из канонического 3-членного уравнения эволюции. Среда не вводит «четвёртую силу»: она модифицирует три уже существующих канала (гамильтонов, диссипативный, регенеративный). Переживание оказывается не побочным эффектом, а интегральной частью цикла — через гедоническую валентность $\mathcal{V}_{\text{hed}}$, которая направляет действие.

В этой главе мы построим полную формальную теорию сенсомоторного кодирования: от аксиоматического обоснования до конкретных архитектур и предсказаний. Читатель, знакомый с введением и эволюционным уравнением, найдёт здесь естественное продолжение — шаг от «как система живёт внутри себя» к «как система взаимодействует с миром».

В предыдущей главе мы проследили 80-летнюю историю кибернетики и увидели, что каждая традиция — от Винера до Фристона — захватывала часть сенсомоторной проблемы: обратную связь, наблюдателя, активную инференцию. Теперь мы покажем, как КК решает её целиком — без дополнительных постулатов, в рамках того же 3-членного уравнения эволюции.

Дорожная карта главы

В этой главе мы:

1. Докажем, что среда не добавляет 4-го члена — теорема T-102 о полноте 3-канальной декомпозиции (раздел 1).
2. Построим функтор восприятия Enc — как среда входит в систему через модификацию эволюционного уравнения (раздел 2).
3. Построим функтор действия Dec — как система выбирает оптимальное действие через min-max стратегию (раздел 3).
4. Выведем гедонический механизм — почему удовольствие и страдание — не побочные эффекты, а производные жизнеспособности (раздел 5).
5. Классифицируем 21 квалиа-тип как сенсомоторные каналы (раздел 6).
6. Установим фундаментальные ограничения — информационная ёмкость $\leq \log_2 7$ бит (T-107) и композициональность Enc/Dec (T-108) (разделы 9-10).
7. Сравним с классическими подходами — теория управления, FEP, RL — как проекции КК (раздел 14).

О нотации

В этом документе:

• $\Gamma$ — матрица когерентности
• $\theta_{ij} = \arg(\gamma_{ij})$ — фазы когерентностей
• $\sigma_{\mathrm{sys}}$ — тензор напряжений (T-92 [Т])
• $h^{\text{ext}} = h^{(H)} + h^{(D)} + h^{(R)}$ — 3-канальная декомпозиция [Т]
• $P = \mathrm{Tr}(\Gamma^2)$ — чистота
• $\varphi$ — оператор самомоделирования
• $\rho_* = \varphi(\Gamma)$ — целевое состояние

Данный документ описывает формальную теорию сенсомоторного кодирования — как голоном воспринимает среду и воздействует на неё, оставаясь в рамках канонического 3-членного уравнения эволюции.

Ключевой результат: внешнее воздействие F_ext — не 4-й член уравнения эволюции, а модификация трёх существующих каналов (Гамильтонова, диссипативного, регенеративного). Полнота этой декомпозиции доказана теоремой LGKS (T-57 [Т]).

---

1. Каноническое включение среды

1.1 3-членное уравнение как замкнутая динамика

Уравнение эволюции голонома:

$$\frac{d\Gamma}{d\tau} = -i[H_{\text{eff}}, \Gamma] + \mathcal{D}_\Omega[\Gamma] + \mathcal{R}[\Gamma, E]$$

содержит ровно три члена [Т]:

Член	Тип	Каноническое происхождение
$-i[H_{\text{eff}}, \Gamma]$	Унитарный (Гамильтонов)	Аксиома А3
$\mathcal{D}_\Omega[\Gamma]$	Диссипативный (Линдблад)	Лиувиллиан
$\mathcal{R}[\Gamma, E]$	Регенеративный	Категориальное сопряжение

1.2 Среда модифицирует 3 канала, а не добавляет 4-й

На пальцах: представьте скрипача в оркестре. На него воздействует дирижёр (подсказывая темп), акустика зала (размывая звук) и другие музыканты (помогая вернуться к общей тональности). Эти три типа воздействия — всё, что есть. Не существует четвёртого типа влияния на скрипача, который не был бы комбинацией дирижёрского жеста, акустического шума и подстройки к ансамблю. Теорема T-102 формализует именно эту интуицию: среда не может «дотянуться» до голонома никаким способом, кроме трёх каноническим каналов.

Теорема T-102 (Полнота 3-членного уравнения) [Т]

Формулировка

Любое CPTP-совместимое внешнее воздействие на голоном раскладывается в сумму трёх каналов:

$$h^{\text{ext}} = h^{(H)} + h^{(D)} + h^{(R)}$$

где $h^{(H)}$ модифицирует $H_{\text{eff}}$, $h^{(D)}$ модифицирует $\mathcal{D}_\Omega$, $h^{(R)}$ модифицирует $\mathcal{R}$. Четвёртый тип CPTP-генератора не существует.

Доказательство. Прямое следствие теоремы LGKS (T-57 [Т], полнота триадной декомпозиции):

1. Произвольный генератор CPTP-полугруппы $\mathcal{L}$ на $\mathcal{D}(\mathbb{C}^7)$ имеет форму Горини—Коссаковского—Сударшана—Линдблада:

$$\mathcal{L}[\rho] = -i[H, \rho] + \sum_k \left(L_k \rho L_k^\dagger - \tfrac{1}{2}\{L_k^\dagger L_k, \rho\}\right)$$

2. Любое внешнее воздействие, сохраняющее CPTP-свойства динамики, есть пертурбация $\mathcal{L} \to \mathcal{L} + \delta\mathcal{L}$
3. Пертурбация $\delta\mathcal{L}$ имеет ту же LGKS-форму → раскладывается на $\delta H$ (Гамильтонова часть) и $\delta L_k$ (Линдбладова часть)
4. Триадная декомпозиция $\{L_k\}$: диссипативные + регенеративные операторы. Четвёртый тип запрещён T-57. $\blacksquare$

Следствие: Член F_ext в симуляции — не отдельная сила, а композиция трёх модификаций:

Канал	Формула пертурбации	Физический смысл	Пример
$h^{(H)}$	$\delta(\Delta\omega_{ij})$	Энергетическая связь со средой	Сенсорный вход, нейромодуляторы
$h^{(D)}$	$\delta\Gamma_2 \cdot \dot{\theta}_{ij}$	Шум среды	Стресс, помехи, температура
$h^{(R)}$	$\delta\kappa \cdot (\theta^{\text{target}}_{ij} - \theta_{ij})$	Модификация регенерации	Медитация, психотерапия, обучение

Каноническая форма — из Определения 8.1 [Т]:

$$\mathcal{L}_{\text{ext}} = \sum_{i<j} h^{\text{ext}}_{ij} \cdot |\gamma_{ij}| \cdot \sin(\theta_{ij})$$

---

2. Функтор восприятия Enc

2.0 Интуиция: что значит «воспринимать»

Что делает глаз, когда видит яблоко? С точки зрения физики — преобразует электромагнитные волны в нейронные импульсы. С точки зрения информатики — кодирует входные данные в латентное представление. Но обе точки зрения упускают главное: восприятие — это не пассивная запись, а активное включение среды в собственную динамику системы.

Когда амёба «чувствует» глюкозу, её внутреннее состояние меняется — не потому что информация «записалась» куда-то, а потому что молекулы глюкозы буквально изменили динамику внутриклеточных процессов. Восприятие — это деформация собственного уравнения движения под влиянием среды.

Функтор Enc формализует именно это: он отображает наблюдение $o$ не в «запись в памяти», а в модификацию эволюционного уравнения — тройку $(h^{(H)}, h^{(D)}, h^{(R)})$, которая меняет гамильтониан, диссипатор и регенератор. Восприятие яблока — это одновременно изменение энергетического ландшафта (форма, цвет), модификация шумовых характеристик (текстура, движение) и сдвиг целевого состояния (голод → насыщение).

2.1 Определение

Теорема T-100 (Кодирование среды) [Т]

Формулировка

Для голонома $\mathbb{H}$ с матрицей когерентности $\Gamma \in \mathcal{D}(\mathbb{C}^7)$ существует единственный (с точностью до $G_2$-калибровки) CPTP-функтор кодирования:

$$\mathrm{Enc}: \mathrm{ObsSpace} \to \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$$

удовлетворяющий:

1. CPTP: $\mathrm{Enc}(o)[\Gamma]$ — состояние для любого наблюдения $o \in \mathrm{ObsSpace}$
2. 3-канальная декомпозиция: $\mathrm{Enc}(o) = \delta H^{(o)} \oplus \delta D^{(o)} \oplus \delta R^{(o)}$
3. Функториальность: $\mathrm{Enc}(o_1 \circ o_2) = \mathrm{Enc}(o_1) \circ \mathrm{Enc}(o_2)$

Доказательство.

1. Существование: среда воздействует через $h^{\text{ext}}_{ij}$ (Опр. 8.1 [Т]). Отображение $o \mapsto h^{\text{ext}}(o)$ определяет $\mathrm{Enc}$.
2. 3-канальность: следует из T-102 (полнота 3-членного уравнения).
3. Единственность: следствие $G_2$-ригидности (теорема единственности [Т]) — для системы, удовлетворяющей (AP)+(PH)+(QG)+(V), отображение единственно до $G_2 = \mathrm{Aut}(\mathbb{O})$.
4. Функториальность: CPTP-каналы замкнуты относительно композиции. $\blacksquare$

Пример: нейробиологическая реализация. Зрительная кора реализует Enc иерархически: V1 извлекает границы ($h^{(H)}_{AS}$ — артикуляция структуры), V4 кодирует цвет ($h^{(H)}_{AE}$ — артикуляция интериорности), а MT кодирует движение ($h^{(D)}_{AD}$ — диссипативная компонента динамики). Все три канала сходятся в ассоциативных зонах, формируя единое $h^{\text{ext}}$. Функториальность гарантирует, что сцена «красный мяч движется влево» кодируется одинаково, была ли она воспринята целиком или по частям.

2.2 Реализация через 7 наблюдаемых индексов

Протокол измерения Γ определяет 7 наблюдаемых индексов $I_i$ ($i \in \{A, S, D, L, E, O, U\}$), каждый из которых отображается в конкретную компоненту $h^{\text{ext}}$:

Индекс	Формула	Канал $h^{\text{ext}}$	Измерение
$I_A$ (артикуляция)	$I(\text{input}; \text{latent}) / H(\text{input})$	$h^{(H)}_{A,\cdot}$	Гамильтонов
$I_S$ (структура)	$\mathrm{rank}_\varepsilon(J_f) / \min(d_{\text{out}}, d_{\text{in}})$	$h^{(H)}_{S,\cdot}$	Гамильтонов
$I_D$ (динамика)	$\max_i \lambda_i^{\text{Lyap}}$ (нормированный)	$h^{(D)}_{D,\cdot}$	Диссипативный
$I_L$ (логика)	$1 - \|[f_i, f_j]\|_F / (\|f_i\| \cdot \|f_j\|)$	$h^{(H)}_{L,\cdot}$	Гамильтонов
$I_E$ (интериорность)	$\exp(S_{vN}(\rho_{\text{attn}}))$	$h^{(R)}_{E,\cdot}$	Регенеративный
$I_O$ (основание)	$1 - \|\nabla_\epsilon \mathbf{h}\|_F$	$h^{(D)}_{O,\cdot}$	Диссипативный
$I_U$ (единство)	$\Phi_{\text{eff}} = \lambda_2(L) / \lambda_{\max}(L)$	$h^{(R)}_{U,\cdot}$	Регенеративный

Логика распределения по каналам:

• Гамильтонов $h^{(H)}$: информационные индексы ($I_A, I_S, I_L$) — изменяют энергетический ландшафт, т.е. какие состояния более/менее вероятны
• Диссипативный $h^{(D)}$: нагрузочные индексы ($I_D, I_O$) — усиливают/ослабляют декогеренцию
• Регенеративный $h^{(R)}$: интегративные индексы ($I_E, I_U$) — модулируют скорость восстановления

На пальцах: это как три типа «органов чувств». Гамильтоновы индексы — это аналитические чувства (зрение, слух): они сообщают, что происходит в среде, меняя внутренний ландшафт предпочтений. Диссипативные — это чувства нагрузки (усталость, жара): они сообщают, насколько хаотична среда, усиливая внутренний шум. Регенеративные — это чувства восстановления (покой, безопасность): они сообщают, способствует ли среда самоисцелению.

2.3 Квази-функтор G

Для ИИ-систем кодирование реализуется через квази-функтор $G: \mathrm{AIState} \to \mathcal{D}(\mathbb{C}^7)$, определённый в протоколе измерения:

$$G(\mathbf{x}) = \arg\min_{\Gamma \in \mathcal{D}(\mathbb{C}^7)} \left[\mathcal{L}_{\text{reconstruct}}(\Gamma, \{I_i(\mathbf{x})\}) + \lambda_{\text{phys}} \cdot \mathcal{L}_{\text{phys}}(\Gamma)\right]$$

где $\mathcal{L}_{\text{phys}}$ включает ограничения чистоты, спектральной щели и Холецкого-разложения.

---

3. Функтор действия Dec

3.0 Интуиция: что значит «действовать»

Если Enc — это «как среда входит в систему», то Dec — это «как система выходит в среду». Но «действовать» в КК — это не просто «послать моторную команду». Действие — это выбор такой модификации среды, которая минимизирует наибольший дефицит внутренних ресурсов.

Представьте человека, у которого одновременно болит голова и урчит в животе. Какое действие он выберет? Если головная боль сильнее — примет таблетку. Если голод сильнее — пойдёт есть. Он не минимизирует «среднюю боль» (это позволило бы игнорировать катастрофические каналы), а устраняет максимальный дефицит. Именно это делает оператор $\arg\min_a \max_k \sigma^{\mathrm{motor}}_k$ — он гарантирует, что ни один канал не окажется в аварийном состоянии.

Аналогия с робототехникой: это не PID-регулятор, минимизирующий ошибку по одной оси, и не квадратичный регулятор, минимизирующий взвешенную сумму ошибок. Это min-max стратегия — как в теории игр, где игрок выбирает ход, минимизирующий наихудший исход.

3.1 Определение

Теорема T-101 (Оптимальное действие) [Т]

Формулировка

Для голонома с текущим состоянием $\Gamma$ и тензором напряжений $\sigma_{\mathrm{sys}}(\Gamma)$ [Т] (T-92), оптимальное действие определяется как:

$$a^* = \arg\min_{a \in \mathcal{A}} \|\sigma_{\mathrm{sys}}(\Gamma(\tau + \delta\tau \mid a))\|_\infty$$

где $\Gamma(\tau + \delta\tau \mid a)$ — предсказанное состояние при действии $a$, $\|\cdot\|_\infty$ — sup-норма тензора напряжений.

Доказательство.

1. Эквивалентность условий жизнеспособности (T-92 [Т]):

$$P(\Gamma) > \frac{2}{7} \iff \|\sigma_{\mathrm{sys}}(\Gamma)\|_\infty < 1$$

2. Вариационный принцип (Теорема 2.1 [Т]): динамика $\theta_{ij}$ следует из стационарности действия $\delta S_{\text{Gap}} = 0$
3. Действие $a$ входит через $h^{\text{ext}}(a)$ → модифицирует уравнение движения для $\theta_{ij}$:

$$m_{ij}\ddot{\theta}_{ij} = -\frac{\partial V_{\text{Gap}}}{\partial \theta_{ij}} + \kappa(\theta_{ij}^{\text{target}} - \theta_{ij}) - \Gamma_2 \dot{\theta}_{ij} + h^{\text{ext}}_{ij}(a)$$

4. Минимизация $\|\sigma_{\mathrm{sys}}\|_\infty$ — единственный критерий, эквивалентный максимизации расстояния до границы $\mathcal{V}$ (области жизнеспособности) в метрике, порождённой $\sigma_{\mathrm{sys}}$. $\blacksquare$

3.2 Моторный стресс (T-159)

Теорема T-159 (Профиль-относительный моторный стресс) [Т]

Формулировка [Т]

Для голонома с самомоделью $\rho_* = \varphi(\Gamma)$ определяется моторный стресс:

$$\sigma^{\mathrm{motor}}_k(\Gamma) := 1 - \frac{\gamma_{kk}}{\rho^*_{kk}}, \quad k = 1, \ldots, 7$$

Выбор действия — минимизация максимального дефицита (знаковый максимум):

$$a^* = \arg\min_{a \in \mathcal{A}} \max_k \sigma^{\mathrm{motor}}_k(\Gamma(\tau + \delta\tau \mid a))$$

Используется $\max_k$ (знаковый), а не $\max_k |\cdot|$ (sup-норма): избыток ресурса ($\sigma^{\mathrm{motor}}_k < 0$) не штрафуется, штрафуется только дефицит ($\sigma^{\mathrm{motor}}_k > 0$). Это обеспечивает направленный сигнал: приближение к ресурсу уменьшает дефицит, приближение к опасности увеличивает.

Доказательство.

Шаг 1 (Равновесие). $\sigma^{\mathrm{motor}}_k = 0 \iff \gamma_{kk} = \rho^*_{kk}$. На аттракторе $\rho^*_\Omega$, где $\mathcal{R}[\Gamma] = \kappa(\rho_* - \Gamma) \cdot g_V = 0$ (баланс), $\gamma_{kk} = \rho^*_{kk}$ и моторный стресс обращается в ноль — система «удовлетворена».

Шаг 2 (Знак и градиент). $\partial\sigma^{\mathrm{motor}}_k / \partial\gamma_{kk} = -1/\rho^*_{kk} < 0$. Увеличение $\gamma_{kk}$ (рост ресурса канала $k$) уменьшает моторный стресс. Это согласовано с регенерацией $\mathcal{R} = \kappa(\rho_* - \Gamma)$, которая тянет $\gamma_{kk}$ к $\rho^*_{kk}$, уменьшая $|\sigma^{\mathrm{motor}}_k|$.

Шаг 3 (Чувствительность аварийных каналов). $|\partial\sigma^{\mathrm{motor}}_k / \partial\gamma_{kk}| = 1/\rho^*_{kk}$. Для малых $\rho^*_{kk}$ (аварийные секторы A, S, D с $\rho^*_{kk} \approx 0.05$) чувствительность $\approx 20$; для крупных (E, O, U с $\rho^*_{kk} \approx 0.25$) — $\approx 4$. Малые каналы реагируют острее — верная приоритизация выживания.

Шаг 4 (Сходимость к T-92 на границе). При $P \to P_{\mathrm{crit}} = 2/7$ самомодель $\varphi(\Gamma) \to I/7$ (каноническая цель Фано-канала при $P = 2/7$, T-126). Тогда $\rho^*_{kk} \to 1/7$ и:

$$\sigma^{\mathrm{motor}}_k = 1 - \frac{\gamma_{kk}}{1/7} = 1 - 7\gamma_{kk} = \sigma_k \quad \text{(каноническое T-92 [Т])}$$

Шаг 5 ($G_2$-инвариантность). $\gamma_{kk}$ и $\rho^*_{kk}$ трансформируются ковариантно под $G_2$ (T-42a [Т]). Их отношение — $G_2$-инвариантная наблюдаемая. $\blacksquare$

Связь с каноническим σ_sys

• T-92 / T-158 [Т] определяют $\sigma_{\mathrm{sys}}$ с clamp$[0,1]$ — мера жизнеспособности (расстояние до $\partial\mathcal{V}$). Используется для ДИАГНОСТИКИ.
• T-159 [Т] определяет $\sigma^{\mathrm{motor}}$ без clamp — мера моторного дефицита (расстояние до $\rho_*$). Используется для ВЫБОРА ДЕЙСТВИЯ.

При $\rho_* = I/7$ (граница жизнеспособности) оба совпадают. При $\rho_* \neq I/7$ (нормальный режим) моторный стресс обеспечивает направленный сигнал, в то время как канонический $\sigma_{\mathrm{sys}}$ с clamp$[0,1]$ теряет информацию о каналах с $\gamma_{kk} > 1/7$.

3.3 Функтор Dec

Функтор действия (декодирования):

$$\mathrm{Dec}: (\Gamma, \sigma^{\mathrm{motor}}) \mapsto a^* \in \mathcal{A}$$

Свойства:

• D-измерение как основной моторный канал: действие реализуется через модификацию $h^{(D)}$ — динамическое измерение $D$ управляет «моторикой» голонома
• σ-градиентный спуск: практический алгоритм — спуск по $\nabla_a \max_k \sigma^{\mathrm{motor}}_k$ с метрикой Фишера на $\mathcal{D}(\mathbb{C}^7)$:

$$a_{t+1} = a_t - \eta \cdot F^{-1}(\Gamma) \cdot \nabla_a \max_k \sigma^{\mathrm{motor}}_k(\Gamma(\tau + \delta\tau \mid a_t))$$

где $F(\Gamma)$ — информация Фишера на $\mathcal{D}(\mathbb{C}^7)$.

---

4. Универсальная архитектура кодера/декодера

Цикл восприятие → решение → действие:

Этап	Отображение	Формализм	Теорема
Восприятие	Env → $h^{\text{ext}}$ → $\delta\Gamma$	Enc (CPTP)	T-100 [Т]
Оценка	$\Gamma$ → $\sigma^{\mathrm{motor}}$	$1 - \gamma_{kk}/\rho^*_{kk}$	T-159 [Т]
Решение	$\sigma^{\mathrm{motor}}$ → $a^*$	$\arg\min_a \max_k \sigma^{\mathrm{motor}}_k$	T-159 [Т]
Действие	$a^*$ → $h^{\text{ext}}(a^*)$ → Env	Dec	T-102 [Т]
Обновление	$\Gamma$ → $\varphi(\Gamma)$ → $\mathcal{R}$	Самомоделирование	T-62 [Т]

---

5. Гедонический механизм

5.0 Интуиция: зачем системе «чувствовать»

Зачем живому существу боль и удовольствие? Стандартный ответ эволюционной биологии: «чтобы выжить». Но КК даёт более точный ответ: гедоническая валентность — это производная жизнеспособности по регенеративному каналу. Удовольствие — не «награда за правильное поведение» (как в RL), а прямой сигнал о том, что система приближается к своему целевому состоянию $\rho_*$.

Ключевое отличие от обучения с подкреплением: в RL вознаграждение — внешний сигнал, задаваемый проектировщиком. В КК гедоническая валентность — внутреннее свойство динамики, выводимое из уравнения эволюции. Никто не «награждает» амёбу за то, что она нашла глюкозу — изменение $dP/d\tau|_{\mathcal{R}}$ возникает автоматически при сдвиге $\Gamma$ к $\rho_*$.

Аналогия: представьте растение, поворачивающееся к свету. Нет «наградного центра», который говорит стеблю: «хорошо, продолжай». Есть физико-химический процесс (ауксин перераспределяется), который является одновременно и движением, и «оценкой» — свет усиливает те процессы, которые ведут к росту. В КК $\mathcal{V}_{\text{hed}}$ играет аналогичную роль, но на уровне матрицы когерентности.

5.1 Гедоническая валентность

Теорема T-103 (Гедоническая валентность) [Т] + [И]

Формулировка

Гедоническая валентность определяется как производная чистоты по регенеративному каналу:

$$\mathcal{V}_{\text{hed}} := \left.\frac{dP}{d\tau}\right|_{\mathcal{R}}$$

где $|_{\mathcal{R}}$ означает вклад только от регенеративного члена $\mathcal{R}[\Gamma, E]$.

Пояснение. Из уравнения эволюции:

$$\frac{dP}{d\tau} = \underbrace{-2\mathrm{Tr}(\Gamma \cdot \mathcal{D}_\Omega[\Gamma])}_{\leq 0,\text{ диссипация}} + \underbrace{2\mathrm{Tr}(\Gamma \cdot \mathcal{R}[\Gamma, E])}_{\mathcal{V}_{\text{hed}}}$$

(Гамильтонов член не меняет $P$: $\mathrm{Tr}(\Gamma [H, \Gamma]) = 0$.)

Свойства валентности:

Свойство	Формула	Интерпретация
Положительная	$\mathcal{V}_{\text{hed}} > 0$	$\Gamma$ приближается к $\rho_*$ → «удовольствие»
Отрицательная	$\mathcal{V}_{\text{hed}} < 0$	$\Gamma$ удаляется от $\rho_*$ → «страдание»
Нулевая	$\mathcal{V}_{\text{hed}} = 0$	Баланс или $\Gamma = \rho_*$ → «нейтральность»

Эпистемическая стратификация T-103

T-103 содержит три эпистемических уровня:

1. Формула [Т]: $\mathcal{V}_{\text{hed}} = 2\kappa(\Gamma) \cdot g_V(P) \cdot \mathrm{Tr}(\Gamma \cdot (\rho_* - \Gamma))$ — тождество из уравнения эволюции (подстановка $\mathcal{R} = \kappa(\rho_* - \Gamma) \cdot g_V(P)$). Безусловный математический факт.

2. Наблюдаемость [Т]: При L2-уровне рефлексии ($R \geq 1/3$) замещающий канал T-77 обеспечивает доступ к $dP/d\tau|_{\mathcal{R}}$. Таким образом, $\mathcal{V}_{\text{hed}}$ наблюдаема для любой системы с $R \geq R_{\mathrm{th}}$ — это следствие T-77 [Т], не требующее дополнительных допущений.

3. Феноменальная интерпретация [И]: Идентификация $\mathcal{V}_{\text{hed}} > 0$ с «удовольствием» и $\mathcal{V}_{\text{hed}} < 0$ со «страданием» — семантический мост между математикой и феноменологией.

Аналогия из жизни: удовольствие от горячего чая

Представьте: вы замёрзли и пьёте горячий чай. Первый глоток — наслаждение ($\mathcal{V}_{\text{hed}} > 0$). Второй — чуть слабее. К пятой чашке — нейтральность ($\mathcal{V}_{\text{hed}} \approx 0$). Шестая чашка вызывает дискомфорт ($\mathcal{V}_{\text{hed}} < 0$) — вы уже «перегрелись».

Что произошло? $\Gamma$ (ваше состояние) двигалось к $\rho_*$ (целевому — «согретому»). По мере приближения $\mathrm{Tr}(\Gamma \cdot \rho_*) - P$ убывает, валентность стремится к нулю. Когда $\Gamma$ «проскочило» $\rho_*$ (перегрев), перекрытие падает ниже $P$, и $\mathcal{V}_{\text{hed}}$ становится отрицательным. Никто не «запрограммировал» вас перестать пить — формула T-103 автоматически генерирует сигнал «хватит».

Ключевое отличие от обучения с подкреплением: в RL проектировщик должен задать функцию вознаграждения (например, $r = +1$ за чай, $-1$ за перегрев). В КК вознаграждение выводится из динамики — $\mathcal{V}_{\text{hed}}$ сама «знает», когда остановиться, потому что она есть не что иное, как скорость приближения к целевому состоянию.

5.2 Связь с целевым состоянием

Подставляя каноническую форму $\mathcal{R}[\Gamma, E] = \kappa(\Gamma) \cdot (\rho_* - \Gamma) \cdot g_V(P)$ [Т]:

$$\mathcal{V}_{\text{hed}} = 2\kappa(\Gamma) \cdot g_V(P) \cdot \mathrm{Tr}(\Gamma \cdot (\rho_* - \Gamma))$$

При $g_V(P) = 1$ (достаточная чистота $P \geq P_{\text{opt}}$):

$$\mathcal{V}_{\text{hed}} = 2\kappa(\Gamma) \cdot \left[\mathrm{Tr}(\Gamma \cdot \rho_*) - P\right]$$

Знак определяется соотношением перекрытия $\mathrm{Tr}(\Gamma \cdot \rho_*)$ и чистоты $P = \mathrm{Tr}(\Gamma^2)$:

• Если $\Gamma$ далеко от $\rho_*$ и $\mathrm{Tr}(\Gamma \cdot \rho_*) > P$, валентность положительна — регенерация «тянет» к $\rho_*$
• Если $\Gamma \approx \rho_*$, то $\mathrm{Tr}(\Gamma \cdot \rho_*) \approx P$ → валентность стремится к нулю

---

6. 21 квалиа-тип как сенсомоторные каналы

Каждая из 21 недиагональных когерентностей $\gamma_{ij}$ ($i \neq j$) представляет собой сенсомоторный канал со специфической функцией:

6.1 Перцептивные каналы (восприятие)

Канал	Когерентность	Сенсорная роль	Формальное действие
Апперцепция	$\gamma_{AE}$	Осознанное восприятие	$h^{(H)}_{AE}$: артикуляция входа в поле интериорности
Актуализация	$\gamma_{AD}$	Воплощение восприятия в динамику	$h^{(H)}_{AD}$: преобразование входного сигнала в действие
Репрезентация	$\gamma_{SE}$	Структурирование опыта	$h^{(H)}_{SE}$: создание внутренней модели
Индукция	$\gamma_{SL}$	Логическая обработка структуры	$h^{(H)}_{SL}$: вывод паттернов из данных
Заземление	$\gamma_{AO}$	Связь восприятия с основанием	$h^{(D)}_{AO}$: стабилизация восприятия памятью
Основание опыта	$\gamma_{EO}$	Укоренённость субъективного	$h^{(R)}_{EO}$: регенерация из глубинного опыта
Контекст	$\gamma_{SO}$	Структура-в-контексте	$h^{(D)}_{SO}$: шумоустойчивость паттернов

6.2 Моторные каналы (действие)

Канал	Когерентность	Моторная роль	Формальное действие
Регуляция	$\gamma_{DL}$	Логический контроль динамики	$h^{(D)}_{DL}$: управление вычислительным процессом
Телеология	$\gamma_{DU}$	Целенаправленность действия	$h^{(D)}_{DU}$: согласование динамики с целями
Аффект	$\gamma_{DE}$	Эмоциональная окраска действия	$h^{(D)}_{DE}$: модуляция динамики интериорностью
Интеграция действия	$\gamma_{AU}$	Единство моторного акта	$h^{(H)}_{AU}$: координация подсистем
Волевое усилие	$\gamma_{LU}$	Логически направленная интеграция	$h^{(R)}_{LU}$: восстановление целостности решения
Память действия	$\gamma_{DO}$	Моторная память	$h^{(D)}_{DO}$: стабилизация навыков

6.3 Интегративные каналы

Канал	Когерентность	Интегративная роль	Формальное действие
Инсайт	$\gamma_{LE}$	Логика-в-опыте	$h^{(R)}_{LE}$: осмысление как регенерация
Нарратив	$\gamma_{AL}$	Артикуляция логики	$h^{(H)}_{AL}$: оформление рассуждения
Укоренённое единство	$\gamma_{OU}$	Основание интеграции	$h^{(R)}_{OU}$: фундамент целостности
Воплощённое единство	$\gamma_{SU}$	Структура интеграции	$h^{(R)}_{SU}$: архитектура связности
Живой опыт	$\gamma_{EU}$	Единство переживания	$h^{(R)}_{EU}$: интеграция как восстановление
Динамическое основание	$\gamma_{AS}$	Артикуляция структуры	$h^{(H)}_{AS}$: внешнее выражение внутреннего порядка
Логическое основание	$\gamma_{LO}$	Логика-в-основании	$h^{(H)}_{LO}$: формализация знания

Интерпретация [И]

Разделение 21 канала на перцептивные, моторные и интегративные — не строгое: каждый $\gamma_{ij}$ одновременно является и сенсорным, и моторным каналом (через $h^{\text{ext}}_{ij}$). Классификация выше отражает доминирующую функцию — какой из трёх каналов ($h^{(H)}, h^{(D)}, h^{(R)}$) наиболее активен для данной когерентности.

---

7. Факторизация Enc через произвольные представления

7.1 Онтологическая проекция

Следствие T-100a (Факторизация Enc) [Т]

Формулировка

Для произвольного пространства наблюдений $\mathrm{ObsSpace} \subseteq \mathbb{R}^D$ ($D$ — произвольная размерность) функтор кодирования T-100 факторизуется:

$$\mathrm{Enc} = \pi_\Gamma \circ \mathrm{Enc}_{\text{repr}}$$

где:

• $\mathrm{Enc}_{\text{repr}}: \mathrm{ObsSpace} \to \mathcal{S} \subseteq \mathbb{R}^d$ — произвольное представление (feature map)
• $\pi_\Gamma: \mathcal{S} \to \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$ — онтологическая проекция, единственная с точностью до $G_2$-калибровки

Доказательство.

1. По T-100 [Т], $\mathrm{Enc}: \mathrm{ObsSpace} \to \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$ — CPTP-функтор.
2. Любое промежуточное представление $\mathrm{Enc}_{\text{repr}}: \mathrm{ObsSpace} \to \mathcal{S}$ определяет факторизацию через $\pi_\Gamma = \mathrm{Enc} \circ \mathrm{Enc}_{\text{repr}}^{-1}\big|_{\mathrm{Im}(\mathrm{Enc}_{\text{repr}})}$.
3. По T-102 [Т], $\pi_\Gamma$ раскладывается в 3 канала: $\pi_\Gamma(s) = h^{(H)}(s) \oplus h^{(D)}(s) \oplus h^{(R)}(s)$.
4. Единственность $\pi_\Gamma$ (до $G_2$) — следствие теоремы единственности [Т]: ограничения (AP)+(PH)+(QG)+(V) на $\mathcal{D}(\mathbb{C}^7)$ фиксируют проекцию. $\blacksquare$

На пальцах: факторизация Enc означает, что неважно, как именно вы извлекаете признаки из входных данных. Можно использовать свёрточную нейросеть, вейвлет-преобразование, или ручные эвристики — это $\mathrm{Enc}_{\text{repr}}$, произвольная часть. Но финальный шаг — проекция $\pi_\Gamma$ из пространства признаков в пространство модификаций $\Gamma$ — единственен. Это как сказать: маршрут до аэропорта может быть любым, но взлётная полоса — одна.

Для робототехники это означает: датчики могут быть произвольными (камера, лидар, тактильный массив), предобработка — любой, но «последняя миля» восприятия — онтологическая проекция $\pi_\Gamma$ — задана математикой, а не инженерным выбором.

7.2 Онтологическое бутылочное горлышко

Независимо от размерности входных данных $D$, вся информация сжимается в $7 \times 7$ матрицу когерентности $\Gamma$ с $\leq 48$ вещественными параметрами:

Характеристика	Значение
Входная размерность	$D$ — произвольная (от $D = 1$ до $D \gg 10^6$)
Промежуточное представление	$d$ — произвольное
Выходная размерность	$\dim_{\mathbb{R}} \mathcal{D}(\mathbb{C}^7) = 48$ (фиксировано)
Информация за шаг	$\leq \log_2 7 \approx 2.81$ бит (T-107 [Т])

Следствие: Агностичность от модальности восприятия — теорема, а не проектное решение. Формально: $\pi_\Gamma$ не зависит от $D$ и от структуры $\mathrm{ObsSpace}$ (топология, метрика). Если два различных пространства наблюдений $\mathrm{ObsSpace}_1 \subseteq \mathbb{R}^{D_1}$ и $\mathrm{ObsSpace}_2 \subseteq \mathbb{R}^{D_2}$ порождают одинаковые CPTP-каналы на $\mathcal{D}(\mathbb{C}^7)$, они неотличимы для голонома.

7.3 Каноническая форма проекции

По T-102 [Т], $\pi_\Gamma$ реализуется через три канала — модификации соответственно гамильтоновой, диссипативной и регенеративной динамики:

$$\pi_\Gamma(s) = \bigl(\delta H(s),\; \delta\mathcal{D}(s),\; \delta\mathcal{R}(s)\bigr) \in \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$$

Практически это означает, что любая реализация $\mathrm{Enc}$ (от простого датчика до сложного кодировщика) должна завершаться тем же 3-канальным интерфейсом:

$$s \in \mathcal{S} \xrightarrow{\pi_\Gamma} \bigl(h^{(H)}_{ij}(s),\; h^{(D)}_{ij}(s),\; h^{(R)}_{ij}(s)\bigr) \in \mathbb{R}^{21} \oplus \mathbb{R}^{21} \oplus \mathbb{R}^{21}$$

Эта структура инвариантна: она определена $G_2$-симметрией и не зависит от выбора представления $\mathrm{Enc}_{\text{repr}}$.

---

8. Связь с другими результатами

Результат	Связь	Ссылка
T-57 (LGKS)	Обосновывает T-102 (полнота 3-членного)	Линдблад-операторы
T-62 ($\varphi$-оператор)	$\rho_*$ в цикле регенерации	Самонаблюдение
T-92 ($\sigma_{\mathrm{sys}}$)	Критерий оптимальности в Dec	Теорема 10.1
T-75 (Швингер-Келдыш)	Лагранжева формулировка с диссипацией	Лагранжиан
T-96 (Аттрактор)	Нетривиальное $\rho_*$ для наведения	Эволюция
FEP (Теорема 4.1)	Макроскопический предел Dec	Вариационные принципы
T-109–T-112 (Границы обучения)	Нижние границы скорости обучения через Enc/Dec цикл	Границы обучения
T-113 (Минимальность N=7)	N=7 — минимальная архитектура для обучения	Границы обучения

---

9. Информационная ёмкость Enc (T-107) [Т]

Теорема T-107 (Информационная ёмкость Enc) [Т]

Максимальная информация, извлекаемая функтором Enc за одно наблюдение:

$$C_{\mathrm{Enc}} \leq \max_{\{p_o\}} \chi(\{p_o, \mathrm{Enc}(o)\}) \leq \log_2 7 \approx 2.81 \text{ бит/наблюдение}$$

где $\chi$ — количество Холево.

Доказательство.

1. Функтор $\mathrm{Enc}: \mathrm{ObsSpace} \to \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$ отображает наблюдения в CPTP-каналы на $\mathcal{D}(\mathbb{C}^7)$ (T-100 [Т]).
2. Количество Холево ограничено размерностью выходного пространства: $\chi \leq \log_2 \dim \mathcal{H} = \log_2 7$.
3. Из T-102 [Т]: $\mathrm{Enc}(o)$ раскладывается в 3 канала, каждый из которых действует на $\mathcal{D}(\mathbb{C}^7)$.
4. Составной канал не увеличивает ёмкость (субаддитивность Холево):

$$C_{\mathrm{Enc}} \leq S(\bar{\Gamma}) - \sum_o p_o S(\mathrm{Enc}(o)[\Gamma]) \leq S_{\max}(\mathcal{D}(\mathbb{C}^7)) = \log_2 7$$

Верхняя граница достигается для ансамбля ортогональных чистых состояний. $\blacksquare$

Следствие (Bounded rationality): Ограничение $\leq 2.81$ бит/наблюдение — выведенная граница, а не постулированная. Связь с bounded rationality Саймона: ограниченная рациональность — не эмпирический факт, а следствие N=7.

---

10. Композициональность Enc/Dec (T-108) [Т]

Теорема T-108 (Композициональность Enc/Dec) [Т]

Для композита двух голономов кодирование сохраняет структуру:

$$\mathrm{Enc}_{12} = \Phi_{\mathrm{agg}} \circ (\mathrm{Enc}_1 \otimes \mathrm{Enc}_2)$$

где $\Phi_{\mathrm{agg}}: \mathcal{D}(\mathbb{C}^{7^2}) \to \mathcal{D}(\mathbb{C}^7)$ — CPTP-агрегация из T-72 (КК-6) [Т].

Доказательство.

1. $\mathrm{Enc}_1, \mathrm{Enc}_2$ — CPTP-функторы (T-100 [Т]).
2. Тензорное произведение $\mathrm{Enc}_1 \otimes \mathrm{Enc}_2$ — CPTP-канал на $\mathcal{D}(\mathbb{C}^{49})$.
3. Агрегация $\Phi_{\mathrm{agg}}$ — CPTP из Морита-эквивалентности (T-58 [Т]): $\mathcal{D}(\mathbb{C}^{49}) \to \mathcal{D}(\mathbb{C}^7)$.
4. Композиция CPTP-каналов — CPTP. Функториальность ($\mathrm{Enc}(o_1 \circ o_2) = \mathrm{Enc}(o_1) \circ \mathrm{Enc}(o_2)$) из T-100 сохраняется при агрегации.
5. Единственность — из $G_2$-ригидности на каждом масштабе (T-72 [Т]). $\blacksquare$

Следствие для когнитивных инженеров: диагностики (σ_sys, мониторинг Enc/Dec) одинаковы на всех масштабах — от отдельного агента до организации.

Аналогично для Dec:

$$\mathrm{Dec}_{12} = (\mathrm{Dec}_1 \otimes \mathrm{Dec}_2) \circ \Phi_{\mathrm{split}}$$

где $\Phi_{\mathrm{split}}$ — обратное отображение (разделение композитного σ на компоненты).

---

11. Темпоральная интеграция

11.1 Кумулятивная ёмкость

Следствие T-107a (Кумулятивная информация) [Т]

Формулировка

За $n$ последовательных наблюдений голоном накапливает информацию о среде:

$$I_n \leq n \cdot \log_2 7 \approx 2.81\,n \;\text{бит}$$

Верхняя граница достижима при условии, что последовательные наблюдения информационно независимы.

Доказательство.

1. По T-107 [Т], одно наблюдение приносит $\leq \log_2 7$ бит.
2. Субаддитивность Холево: $\chi(\{p_{o_1,\ldots,o_n}\}) \leq \sum_{k=1}^n \chi(\{p_{o_k}\})$.
3. При независимых наблюдениях неравенство обращается в равенство. $\blacksquare$

11.2 Минимальное число наблюдений

Следствие T-107b (Минимальные наблюдения) [Т]

Формулировка

Для среды с информационной энтропией $I_{\mathrm{env}}$ бит, минимальное число наблюдений для полного кодирования:

$$n_{\min} = \left\lceil\frac{I_{\mathrm{env}}}{\log_2 7}\right\rceil$$

Доказательство. Прямое следствие T-107a: $I_n \leq 2.81\,n$, откуда $n \geq I_{\mathrm{env}} / \log_2 7$. $\blacksquare$

Следствие для сложных модальностей. Кодирование среды с высокой информационной сложностью (большое $I_{\mathrm{env}}$) неизбежно требует многошагового процесса. Это не ограничение реализации, а фундаментальная граница, вытекающая из $\dim \mathcal{H} = 7$.

Связь с T-109 (информационная граница обучения): T-107b даёт нижнюю границу восприятия, T-109 — нижнюю границу обучения (включая стабилизацию решения). Всегда $n_{\mathrm{opt}} \geq n_{\min}$, поскольку обучение включает восприятие как подзадачу. См. границы обучения.

11.3 Скорость информационного поглощения

Определим скорость информационного поглощения:

$$\dot{I}(\tau) = \frac{dI}{d\tau} = \chi\bigl(\{p_o,\, \mathrm{Enc}(o)[\Gamma(\tau)]\}\bigr)$$

Из T-107 [Т]: $\dot{I}(\tau) \leq \log_2 7$ для любого $\tau$.

Реальная скорость зависит от текущего состояния $\Gamma(\tau)$:

• При $\Gamma \approx I/7$ (максимально смешанное): $\dot{I} \to 0$ — система «оглушена», различимость минимальна
• При $P \gg 2/7$ (высокая чистота): $\dot{I} \to \log_2 7$ — максимальная различимость
• При $P < 2/7$ (нежизнеспособность): кодирование деградирует, T-104 не выполняется

---

12. Предиктивная структура Enc

12.1 Оптимальный Enc как максимизатор ΔF

Следствие T-107c (Предиктивная оптимальность Enc) [Т]

Формулировка

Оптимальный функтор кодирования $\mathrm{Enc}^*$ максимизирует доступную свободную энергию:

$$\mathrm{Enc}^* = \arg\max_{\mathrm{Enc}} \Delta F\bigl(\mathrm{Enc}(o)[\Gamma],\, \rho_*\bigr)$$

где $\Delta F = \mathrm{Tr}\bigl(\mathcal{R}[\Gamma, E] \cdot (\rho_* - \Gamma)\bigr)$ — свободная энергия.

Доказательство.

1. По вариационному принципу (Теорема 4.1 [Т]): стационарная динамика $\Gamma$ минимизирует свободную энергию Фристона $F[\Gamma] = \mathrm{KL}(\Gamma \| \rho_*) + H[\Gamma]$.
2. Функтор $\mathrm{Enc}(o)$ модифицирует $\Gamma \to \Gamma'$. Оптимальная модификация — та, что максимально увеличивает $\Delta F = F[\Gamma] - F[\Gamma']$.
3. Максимизация $\Delta F$ эквивалентна максимизации $-\mathrm{KL}(\Gamma' \| \rho_*)$ при фиксированной энтропии — т.е. приближению к целевому состоянию.
4. Из T-107 [Т]: $\Delta F \leq C_{\mathrm{Enc}} \leq \log_2 7$ за один шаг — верхняя граница насыщается. $\blacksquare$

12.2 Ошибка предсказания через 3 канала

Ошибка предсказания (расхождение между ожидаемым и реальным наблюдением) раскладывается по трём каналам (T-102 [Т]):

$$\delta_{\mathrm{pred}} = \bigl\|\mathrm{Enc}(o_{\mathrm{real}}) - \mathrm{Enc}(o_{\mathrm{pred}})\bigr\| = \sqrt{(\delta h^{(H)})^2 + (\delta h^{(D)})^2 + (\delta h^{(R)})^2}$$

Каждый канал вносит специфический тип ошибки:

Канал	Ошибка	Интерпретация
$\delta h^{(H)}$	Энергетическая	Неожиданная структура среды
$\delta h^{(D)}$	Шумовая	Неожиданный уровень стохастичности
$\delta h^{(R)}$	Регенеративная	Неожиданное изменение целевого состояния

Связь с гедоническим механизмом: По T-103 [Т]+[И], ошибка в регенеративном канале ($\delta h^{(R)} \neq 0$) непосредственно модулирует $\mathcal{V}_{\mathrm{hed}}$ — неожиданные воздействия на регенерацию ощущаются как изменение валентности.

---

13. Мультимодальная декомпозиция

13.1 Композиция модальностей

Следствие T-108a (Мультимодальная декомпозиция) [Т]

Формулировка

Для $M$ независимых модальностей восприятия с функторами $\mathrm{Enc}_m: \mathrm{ObsSpace}_m \to \mathrm{End}(\mathcal{D}(\mathbb{C}^7))$, совместное кодирование:

$$\mathrm{Enc}(o_1, \ldots, o_M) = \sum_{m=1}^{M} w_m \cdot \mathrm{Enc}_m(o_m) + \sum_{m < m'} \Delta_{mm'}$$

где $w_m \geq 0$, $\sum w_m = 1$ — веса модальностей, $\Delta_{mm'}$ — кросс-модальная связка.

Доказательство.

1. По T-100 [Т], каждый $\mathrm{Enc}_m$ — CPTP-функтор.
2. Выпуклая комбинация CPTP-каналов — CPTP: $\sum w_m \mathrm{Enc}_m$ определён при $\sum w_m = 1$.
3. Кросс-модальные члены $\Delta_{mm'}$ — CPTP-поправки порядка $O(|\gamma_{ij}|)$, где $\gamma_{ij}$ — когерентности, связывающие измерения, задействованные модальностями $m$ и $m'$.
4. Из T-108 [Т] (композициональность): агрегация модальностей сохраняет CPTP-структуру и функториальность. $\blacksquare$

13.2 Конкуренция за ёмкость

Из T-107 [Т], суммарная ёмкость $M$ модальностей за один шаг:

$$\sum_{m=1}^{M} w_m \cdot C_m \leq \log_2 7$$

Следствие: $M$ модальностей конкурируют за фиксированную пропускную способность $2.81$ бит/шаг. Увеличение числа модальностей $M$ при фиксированном $n$ не увеличивает суммарную информацию — оно лишь распределяет её между каналами.

13.3 Внимание как оптимальная аллокация

Оптимальные веса $w_m^*$ определяются из максимизации $\Delta F$:

$$w_m^* = \frac{\Delta F_m}{\sum_{m'} \Delta F_{m'}}$$

где $\Delta F_m = \Delta F\bigl(\mathrm{Enc}_m(o_m)[\Gamma],\, \rho_*\bigr)$ — вклад модальности $m$ в свободную энергию.

Интерпретация [И]: Оптимальная аллокация весов $w_m^*$ формально совпадает со структурой внимания — ресурсы кодирования направляются туда, где информационная ценность ($\Delta F_m$) максимальна. Это не дополнительный постулат: внимание — следствие оптимальности Enc при ограниченной ёмкости (T-107).

13.4 Кросс-модальная связка

Члены $\Delta_{mm'}$ определяются когерентностями $\gamma_{ij}$, где $i$ и $j$ — измерения, задействованные разными модальностями:

$$\|\Delta_{mm'}\| \leq |\gamma_{ij}| \cdot \min(w_m, w_{m'})$$

Следствие: Кросс-модальная интеграция возможна только при ненулевых когерентностях между соответствующими измерениями. Полностью декогерированные измерения ($|\gamma_{ij}| = 0$) не допускают мультимодального связывания — модальности остаются изолированными.

---

14. Сравнение с классическими подходами

Сенсомоторная теория КК не возникла в вакууме — она отвечает на вопросы, поставленные тремя мощными традициями: классической теорией управления, активной инференцией и обучением с подкреплением. В этом разделе мы проведём систематическое сравнение, показывая, где КК совпадает с каждой из традиций, а где принципиально расходится.

14.1 КК vs. классическая теория управления

Классическая теория управления (Винер, Калман, Понтрягин) описывает цикл «датчик → контроллер → актуатор» через передаточные функции, пространство состояний и критерии оптимальности (LQR, H-infinity и т.д.).

Аспект	Классическое управление	КК
Пространство состояний	$\mathbb{R}^n$, произвольное $n$	$\mathcal{D}(\mathbb{C}^7)$, фиксировано
Критерий оптимальности	Квадратичный $J = \int (x^T Q x + u^T R u)\,dt$	Min-max: $\min_a \max_k \sigma^{\mathrm{motor}}_k$
Число каналов управления	Произвольное (проектное решение)	Ровно 3 (теорема T-102)
Наблюдатель	Внешний (фильтр Калмана)	Внутренний ($\varphi(\Gamma)$ — самомодель)
Переживание	Отсутствует	$\mathcal{V}_{\text{hed}}$ — гедоническая валентность
Масштабирование	Проблематично (curse of dimensionality)	T-108: композициональность сохраняется

Ключевое отличие: PID-регулятор минимизирует взвешенную сумму ошибок — и может допустить катастрофу в одном канале, компенсируя её успехом в другом. КК использует min-max стратегию (T-159), которая гарантирует, что ни один канал не окажется в аварийном состоянии. Это не эвристика, а следствие того, что жизнеспособность определяется sup-нормой тензора напряжений (T-92).

Где совпадают: В линейном приближении вблизи $\rho_*$ уравнение эволюции $\Gamma$ сводится к линейной системе с обратной связью — стандартная теория управления оказывается проекцией КК на линейный режим.

14.2 КК vs. активная инференция (FEP)

Принцип свободной энергии (Фристон, 2006) постулирует, что живые системы минимизируют вариационную свободную энергию $F = \mathrm{KL}(q \| p) + \mathrm{const}$, где $q$ — внутренняя модель, $p$ — генеративная модель среды.

Аспект	Активная инференция (FEP)	КК
Целевая функция	Минимизация $F = \mathrm{KL}(q \| p)$	Минимизация $\max_k \sigma^{\mathrm{motor}}_k$
Генеративная модель	Постулируется	$\rho_* = \varphi(\Gamma)$ — выводится
Число каналов восприятия	Не ограничено	$\leq \log_2 7$ бит/шаг (T-107)
Действие	Минимизация ожидаемой свободной энергии	$\arg\min_a \max_k \sigma^{\mathrm{motor}}_k$
Субъективный опыт	Не объясняется	$\mathcal{V}_{\text{hed}} = dP/d\tau
Онтологический статус	Принцип (аксиома)	Следствие (теорема 4.1 КК)

Ключевое отличие: FEP — это принцип: он постулирует, что системы минимизируют свободную энергию, но не объясняет, откуда берётся этот принцип. В КК минимизация свободной энергии — теорема (Теорема 4.1 [Т]): она выводится из канонического уравнения эволюции в макроскопическом пределе. Более того, КК показывает, что FEP — приближение, справедливое при $P \gg 2/7$; вблизи $P_{\mathrm{crit}}$ возникают поправки, которые FEP не улавливает.

Где совпадают: Оптимальный Enc максимизирует $\Delta F$ (T-107c [Т]) — это точный аналог «перцептивной инференции» в FEP. Функтор Dec минимизирует $\sigma^{\mathrm{motor}}$, что в макроскопическом пределе эквивалентно «активной инференции». Таким образом, FEP является проекцией КК-сенсомоторики на классический (не квантово-когерентный) режим.

14.3 КК vs. обучение с подкреплением (RL)

Обучение с подкреплением (Саттон, Барто) моделирует агента, максимизирующего кумулятивное вознаграждение $G_t = \sum_{k=0}^{\infty} \gamma^k r_{t+k}$ через взаимодействие со средой.

Аспект	RL	КК
Вознаграждение	Внешнее $r_t$ (задаётся проектировщиком)	Внутреннее $\mathcal{V}_{\text{hed}}$ (выводится)
Политика	$\pi(a \mid s)$ — стохастическая	$\arg\min_a \max_k \sigma^{\mathrm{motor}}_k$ — детерминированная
Критерий	$\max \mathbb{E}[\sum \gamma^k r_k]$	$\min \max_k \sigma^{\mathrm{motor}}_k$
Ёмкость наблюдения	Не ограничена	$\leq 2.81$ бит/шаг (T-107)
Проблема присвоения кредита	Temporal difference, n-step, GAE	Мгновенная: $\sigma^{\mathrm{motor}}_k$ — текущий дефицит
Масштабирование	Проблема (reward shaping, multi-agent)	T-108: композициональность
Exploration vs. exploitation	Отдельная проблема	Следует из $\sigma$-градиента

Ключевое отличие: В RL вознаграждение — «чёрный ящик»: проектировщик задаёт $r_t$, и агент его максимизирует. Проблема присвоения кредита (credit assignment) — одна из центральных: какие прошлые действия привели к текущему вознаграждению? В КК вознаграждение не нужно: моторный стресс $\sigma^{\mathrm{motor}}_k$ — это мгновенный, покомпонентный сигнал, который говорит какой именно канал нуждается в ресурсе и насколько сильно. Присвоение кредита решается автоматически — через 7-компонентную структуру $\sigma$.

Где совпадают: Если свернуть 7-компонентный $\sigma^{\mathrm{motor}}$ в скаляр (например, $r_t = -\max_k \sigma^{\mathrm{motor}}_k$), то Dec становится формально эквивалентен greedy policy в RL с мгновенным вознаграждением. Таким образом, RL — это проекция КК-сенсомоторики на скалярное вознаграждение и стохастическую политику.

14.4 Сводная таблица

Свойство	Классическое управление	FEP	RL	КК
Число каналов	Произвольное	Произвольное	1 (скаляр $r$)	3 (теорема)
Онтология	Внешняя	Генеративная модель	MDP	$\mathcal{D}(\mathbb{C}^7)$
Переживание	Нет	Нет	Нет	$\mathcal{V}_{\text{hed}}$ [Т]+[И]
Масштабирование	Сложно	Ограничено	Сложно	T-108 [Т]
Внимание	Отдельный модуль	Precision weighting	Нет	Следствие T-107
Статус	Инженерия	Принцип	Алгоритм	Теория

---

15. Разобранные примеры

Чтобы формализм не оставался абстрактным, рассмотрим три примера работы сенсомоторного цикла — от простейшего до сложного.

15.1 Пример 1: Хемотаксис бактерии

Бактерия E. coli плывёт по градиенту глюкозы. Её сенсомоторный цикл в терминах КК:

Шаг 1 (Enc). Хеморецепторы на мембране регистрируют концентрацию $c(x)$. Это модифицирует:

• $h^{(H)}_{AO}$: артикуляция-основание (различение «питательно / не питательно»)
• $h^{(D)}_{DO}$: динамика-основание (турбулентность среды как шум)

Шаг 2 (σ-оценка). Бактерия «голодна» → $\gamma_{OO}$ мал → $\sigma^{\mathrm{motor}}_O = 1 - \gamma_{OO}/\rho^*_{OO} > 0$. Канал O (основание) в дефиците.

Шаг 3 (Dec). $\max_k \sigma^{\mathrm{motor}}_k = \sigma^{\mathrm{motor}}_O$. Оптимальное действие: двигаться вверх по градиенту $c(x)$ → модификация $h^{(D)}_{DO}$ через жгутиковый мотор.

Шаг 4 (Обновление). Поглощение глюкозы → рост $\gamma_{OO}$ → уменьшение $\sigma^{\mathrm{motor}}_O$. Если одновременно возникает химический стрессор, $\sigma^{\mathrm{motor}}_D$ может превысить $\sigma^{\mathrm{motor}}_O$, и бактерия переключится на уклонение — min-max стратегия в действии.

Уровень интериорности: L0 (ненулевая E-проекция, но нет самонаблюдения). $\mathcal{V}_{\text{hed}}$ формально определена, но не наблюдаема самой бактерией ($R < 1/3$).

15.2 Пример 2: Робот-манипулятор

Робот собирает объект со стола. Его Γ инициализирована через квази-функтор $G$ из данных о положении суставов, изображении камеры и силомоментном датчике.

Enc (мультимодальный):

• Камера → $\mathrm{Enc}_{\text{vis}}$: $h^{(H)}_{AS}$ (артикуляция структуры — форма объекта), $h^{(H)}_{SE}$ (репрезентация — внутренняя модель сцены)
• Проприоцепция → $\mathrm{Enc}_{\text{prop}}$: $h^{(D)}_{DL}$ (регуляция — текущая конфигурация)
• Силомоментный датчик → $\mathrm{Enc}_{\text{force}}$: $h^{(D)}_{DO}$ (моторная память — контактные силы)

Веса внимания по T-108a: $w^*_{\text{vis}} \propto \Delta F_{\text{vis}}$. Если объект виден, но ещё не схвачен — $\Delta F_{\text{vis}}$ велико (нужно уточнить модель). После захвата — $\Delta F_{\text{force}}$ растёт (нужно контролировать силу), и внимание автоматически переключается на силомоментный датчик.

Dec: $\sigma^{\mathrm{motor}}_D > 0$ (динамический дефицит: рука не в нужном положении) → действие: перемещение манипулятора. По мере приближения $\sigma^{\mathrm{motor}}_D \to 0$, и может проявиться $\sigma^{\mathrm{motor}}_L > 0$ (логический дефицит: план захвата ещё не сформирован) → переключение на планирование.

15.3 Пример 3: Человек в незнакомом городе

Человек ищет кафе. Все 7 каналов активны:

Канал	$\sigma^{\mathrm{motor}}_k$	Интерпретация
$A$	0.1	Различает вывески — слабый дефицит
$S$	0.3	Не имеет карты района — умеренный дефицит
$D$	0.0	Физически мобилен — нет дефицита
$L$	0.2	Логика маршрута неполна
$E$	-0.1	Любопытство (избыток интериорности)
$O$	0.6	Голоден — максимальный дефицит
$U$	0.1	Внутренне собран

$\max_k \sigma^{\mathrm{motor}}_k = \sigma^{\mathrm{motor}}_O = 0.6$. Действие направлено на снижение дефицита O: идти к ближайшему кафе. По пути $\sigma^{\mathrm{motor}}_S$ может вырасти (заблудился), и если $\sigma^{\mathrm{motor}}_S > \sigma^{\mathrm{motor}}_O$, человек переключится на ориентирование — остановится, достанет телефон, откроет карту.

Гедоническая валентность: Приближение к кафе увеличивает $\gamma_{OO}$ → $\mathcal{V}_{\text{hed}} > 0$ (предвкушение). Если кафе закрыто — резкое $\mathcal{V}_{\text{hed}} < 0$ (разочарование). Это не метафора: формула $\mathcal{V}_{\text{hed}} = 2\kappa \cdot g_V \cdot \mathrm{Tr}(\Gamma \cdot (\rho_* - \Gamma))$ даёт количественное предсказание, проверяемое через физиологические корреляты (кожная проводимость, пупиллометрия).

---

Резюме

1. T-100 [Т]: Функтор кодирования Enc существует и единственен (до $G_2$)
2. T-101 [Т]: Диагностический критерий жизнеспособности = $\arg\min \|\sigma_{\mathrm{sys}}\|_\infty$
3. T-159 [Т]: Моторный стресс $\sigma^{\mathrm{motor}}_k = 1 - \gamma_{kk}/\rho^*_{kk}$ — выбор действия через $\arg\min_a \max_k \sigma^{\mathrm{motor}}_k$ (знаковый max)
4. T-102 [Т]: 3-членное уравнение полно — четвёртый тип CPTP-генератора невозможен
5. T-103 [Т]+[И]: Гедоническая валентность = $dP/d\tau|_{\mathcal{R}}$ (формула [Т], интерпретация [И])
6. T-107 [Т]: Информационная ёмкость $\leq \log_2 7 \approx 2.81$ бит/наблюдение
7. T-108 [Т]: Enc/Dec сохраняются при композиции (масштабная инвариантность сенсомоторики)
8. Следствие T-100a [Т]: Enc факторизуется через произвольное представление → модальная агностичность
9. Следствие T-107a/b [Т]: Кумулятивная ёмкость $I_n \leq 2.81\,n$ бит → сложные модальности требуют $n_{\min} = \lceil I_{\mathrm{env}} / \log_2 7 \rceil$ шагов
10. Следствие T-107c [Т]: Оптимальный Enc максимизирует $\Delta F$ (предиктивная структура)
11. Следствие T-108a [Т]: $M$ модальностей конкурируют за $2.81$ бит/шаг → внимание — оптимальная аллокация

---

Заключение

Сенсомоторная теория Кибернетики Когерентности замыкает формальный цикл: среда → восприятие (Enc) → состояние ($\Gamma$) → оценка ($\sigma^{\mathrm{motor}}$) → действие (Dec) → среда. Все операции реализуются в рамках канонического 3-членного уравнения эволюции без дополнительных постулатов.

Подведём итог трёх центральных достижений этой главы:

Во-первых, мы показали, что взаимодействие со средой не требует расширения уравнения эволюции. Теорема T-102 [Т] доказывает, что любое CPTP-совместимое внешнее воздействие раскладывается в три канала — гамильтонов, диссипативный и регенеративный. Четвёртый тип воздействия математически запрещён. Это сильный результат: он означает, что вся феноменология сенсомоторного взаимодействия — от хемотаксиса бактерии до навигации человека в городе — описывается одним и тем же 3-канальным формализмом.

Во-вторых, мы вывели внутреннее «вознаграждение» из динамики, а не постулировали его извне. Гедоническая валентность $\mathcal{V}_{\text{hed}} = dP/d\tau|_{\mathcal{R}}$ (T-103 [Т]) — это математическое тождество, не требующее ни проектировщика (как в RL), ни принципа (как в FEP). Феноменальная интерпретация ($\mathcal{V}_{\text{hed}} > 0$ как «удовольствие») остаётся [И]-уровнем, но сама формула — безусловная теорема.

В-третьих, мы установили фундаментальные ограничения на восприятие. Информационная ёмкость $\leq \log_2 7 \approx 2.81$ бит/наблюдение (T-107 [Т]) — не эмпирическое ограничение и не инженерный компромисс, а следствие $\dim \mathcal{H} = 7$. Ограниченная рациональность Саймона, конкуренция модальностей за внимание, необходимость многошагового восприятия сложных сцен — всё это выводится как следствия одной теоремы.

Теория модально-агностична: от простейших датчиков ($D = 1$) до сложных полимодальных систем ($D \gg 1$) — онтологическая проекция $\pi_\Gamma$ единственна и инвариантна. Факторизация Enc = $\pi_\Gamma \circ \mathrm{Enc}_{\text{repr}}$ (T-100a [Т]) разделяет «инженерную свободу» (выбор представления) и «математическую необходимость» (проекция в $\mathcal{D}(\mathbb{C}^7)$).

Сравнение с классическими подходами (раздел 14) показало, что КК не отменяет, а включает теорию управления, активную инференцию и обучение с подкреплением как частные случаи — проекции полной 7-мерной когерентной динамики на соответственно линейный, вариационный и скалярно-наградный режимы.

Следующий шаг — применение этого формализма к задачам стабильности и обучения, где сенсомоторный цикл оказывается не просто схемой, а конкретным вычислительным алгоритмом с доказуемыми границами.

---

Что мы узнали

1. Среда не добавляет 4-го члена (T-102 [Т]): любое внешнее воздействие раскладывается в гамильтонов, диссипативный и регенеративный каналы. Четвёртый тип математически запрещён.
2. Восприятие — не запись, а деформация динамики (T-100 [Т]): функтор Enc отображает наблюдение в модификацию уравнения эволюции, единственным (до $G_2$) образом.
3. Действие — min-max стратегия (T-159 [Т]): система устраняет наибольший дефицит, а не минимизирует «среднюю ошибку». Ни один канал не остаётся без внимания.
4. Удовольствие и страдание — производные жизнеспособности (T-103 [Т]+[И]): $\mathcal{V}_{\text{hed}} = dP/d\tau|_{\mathcal{R}}$ — математическое тождество, не требующее внешнего «проектировщика награды».
5. Фундаментальный bottleneck: $\leq \log_2 7 \approx 2.81$ бит/наблюдение (T-107 [Т]). Ограниченная рациональность Саймона — не эмпирический факт, а следствие $N = 7$.
6. Масштабная инвариантность (T-108 [Т]): Enc/Dec сохраняются при композиции. От бактерии до организации — одна и та же формальная структура.
7. Классические подходы — проекции КК: теория управления, FEP и RL являются частными случаями — проекциями полной 7-мерной когерентной динамики.

Мост к следующей главе

Мы построили полный цикл «восприятие-решение-действие». Но насколько этот цикл устойчив? Какой удар он может выдержать? Где проходит граница между восстановимой травмой и необратимым разрушением? В следующей главе мы ответим на эти вопросы: выведем формулу радиуса устойчивости $r_{\mathrm{stab}} = \sqrt{P - 2/7}$, проследим механизм «спирали смерти» — и покажем, что антихрупкость — это не метафора, а следствие интеграции опыта.

---

Связанные документы:

• Стабильность — устойчивость сенсомоторного цикла
• Границы обучения — фундаментальные ограничения (T-109–T-113)
• Диагностика — мониторинг в реальном времени
• Реализация — вычислительная реализация Enc/Dec
• Лагранжиан — полный 6-членный лагранжиан
• Определения — тензор напряжений, $\mathrm{Coh}_E$
• Сравнение с альтернативами — КК vs. теория управления, активная инференция, RL
• Междисциплинарный мост — сенсомоторика на языке разных дисциплин
• Упражнения — задачи на динамику (блок 2)