综述：神经网络中令人困扰的“绑定问题”（Binding Problem）

《Consciousness and Cognition》：The phenomenal binding problem for neural networks

本文旨在探索人工神经网络（ANN）机制如何实现现象性绑定（p-binding），即整合微观信息单元形成宏观主观体验。通过构建简化ANN模型，证明其能实现功能绑定（f-binding）但无法解决现象性绑定，并对比IIT、Orch-OR、CEMI等理论的解决方案，指出需进一步调整模型或理论。

　　

克里斯·珀西（Chris Percy）| 高塔姆·阿加瓦尔（Gautam Agarwal）

Qualia研究所，美国旧金山

摘要

我们的目标是探索神经网络机制在现象性结合（phenomenal binding）中的作用，即将微观信息单元整合为人类现象学中常见的宏观层面的意识体验。这种体验复杂性是任何关于现象性意识的理论都必须解释的关键特征。我们以一种有助于将其转化为计算神经科学的方式来阐述现象性结合，将其与相关但不同的主题联系起来：功能结合（functional binding）、意识的难题（the hard problem of consciousness）以及意识的统一性（unity of consciousness）。

我们定义了一个故意设计得相当简单的人工神经网络（ANN）模型，以探索其实现现象性结合的所有可能性。我们证明了该模型能够实现“功能性”结合（functional binding），但无法实现“现象性”结合（phenomenal binding），同时保持了无意识与有意识处理之间的关键区别。我们利用这一模型结构来分析可能的解决方案，这些方案取决于它们是细化了模型的哪些部分，还是拒绝了模型的哪些部分。

几种已建立的意识理论都可以与我们的解决方案结构相对应，例如整合信息理论（Integrated Information Theory, IIT）中提出的节点聚合成复合体的概念、Orch-OR模型中的纠缠崩溃机制，或者意识电磁信息理论（Conscious Electromagnetic Information Theory, CEMI）中对场结构的利用。我们也讨论了其他理论可能提出的解决方案，如全局神经元工作空间理论（Global Neuronal Workspace Theory, GNWT）和树突整合理论（Dendritic Integration Theory, DIT）。尽管如此，目前每条解决方案路径都需要进一步的研究，以发现研究人员能够丰富现有理论、从而更好地解释现象性结合的机会。

引言

我们的日常生活中充满了信息复杂的体验。当代神经连接主义研究认为，每种行为（比如走回家）都可以分解为一系列不同的计算过程（如视觉对象识别、导航和运动），这些过程通过大脑相应回路（如视觉皮层、海马体和运动皮层）中的物理活动来实现（Doerig等人，2023年）。在这种物理主义框架下，各种“结合问题”探讨了分散的电化学活动模式是如何被整合成看似“统一”的体验和行为的（例如Roskies，1999年）。

本文基于结合问题探讨了人类意识体验的一个特定方面，即信息复杂性是如何被同时体验到的，而不是作为多个简单的信息单元在独立的体验中串联起来的。Kozuch（2024a:1）提供了一个熟悉的例子：主观视野，其中“许多属性（如物体、形状或颜色”同时在视野的不同部分被体验到。我们探讨了在一个完全指定的简单ANN中有哪些架构工具可以用来构建这种同时性体验的机制，这种机制被称为现象性结合（phenomenal binding）机制。

标准的分类学和结合机制研究通常更关注功能性结合（functional binding），后者探讨了认知处理背后的信息转换（例如Feldman，2013年；Plate，2007年；详见第2节）。我们认为这种有限的关注是一个错失的机会，因为现象性结合对基于人工神经网络（ANN）的现象性意识理论构成了重要的限制，其中著名的例子包括全局神经元工作空间理论（GNWT）和整合信息理论（IIT）。

我们的论文通过三个主要贡献支持神经网络理论在人类意识研究中的发展，从而对现象性结合给予了建设性的关注：

首先，我们为现象性结合（phenomenal binding, p-binding）提供了一个明确的定义，将其与功能性结合（functional binding, f-binding）区分开来。第2节将p-binding描述为一个需要在多种结合问题中得到专门解释的可观察现象，并将其置于结合分类学的文献背景中，并将其与意识的统一性和意识的难题区分开来。

其次，我们证明了简单的ANN模型天然适合实现功能性结合（f-binding），但无法实现现象性结合（phenomenal binding），同时还能区分有意识和无意识的处理过程。第3节提供了一个简单神经网络模型的完整规范，明确说明了模型中允许的因果互动类型和存在的实体类型（例如本文所称的模型的“形而上学”）。第4节展示了我们的核心结果：该模型可以实现功能性结合，但无法实现现象性结合。因此，我们的论文为识别解决这一“神经网络现象性结合问题”的方案空间提供了一个框架。任何试图用与ANN相关的逻辑来解释人类大脑复杂体验的理论，要么需要一个更复杂的模型，要么需要拒绝我们模型设置中的某些部分。

第三，我们探讨了对简化神经网络模型的潜在扩展或对模型设置的改进，这些改进可能有助于解决现象性结合问题。第5节描述了文献中提出的几种现有解决方案，以及那些尚未完全指定解决方案的理论选项。

我们的方法受到了对日益增多且所谓的“令人困惑”的意识理论（Doerig等人，2021:42）的关注；受到了Giere基于模型的推理哲学的启发¹；以及整合哲学和神经科学意识理论的潜力（Kozuch，2024b）。例如，Kozuch（2024b）表明，通过将哲学意识理论映射到特定的神经科学意识理论上，可以使这些理论更加精确，从而为这些新变体增加实证支持。我们的方法采取了相反的方向：从哲学/心理学文献中详细探讨的一个观察结果（现象性结合）出发，指出需要进一步阐述某些神经科学理论才能解释这一现象。随着理论家们进行这样的阐述，我们可以期待一套更强大、更精确的理论体系，其中关键的心理事实能够明确地锚定在神经网络模型的具体特征上，从而便于在实验神经科学中对这些特征进行实证检验。

除了在神经科学文献中的重要性（Yu & Lau，2023年；另见第2.1节）之外，我们还注意到现象性结合对心灵哲学文献的重要性。例如，它是Bayne（2010年）所描述的意识统一性的前提条件，也是对意识理论要求进行文献综述时发现的两个最常见问题之一（Percy，2025年）。

章节片段

背景：阐述现象性结合的必要性

第2节首先回顾了结合问题的相关文献，指出在神经科学分类学中现象性结合的描述还不够详细（第2.1节）。然后我们提出了现象性结合的定义和示例，从概念上将其与功能性结合区分开来，尽管某些机制最终可能能够同时实现两者（第2.2节）。最后，我们将现象性结合与意识的统一性和意识的难题区分开来（第2.3节），为后续讨论奠定了基础。

方法：简化神经网络中的现象性结合

第2节定义了功能性结合（f-binding）和现象性结合（p-binding），认为两者并非先验相同，但留下了某些类型的功能性结合在结合额外解释或机制的作用下可以实现现象性结合的可能性。第3节提出了我们探索这一问题的方法。我们指定了一个简化的神经网络模型，以测试其实现功能性结合和现象性结合的能力，结果在第4节中给出。

结果：模型中的功能性结合和现象性结合

第4节表明，第3节中的模型具备实现功能性结合机制的必要基础，但无法实现现象性结合的关键特征（即跨越多个信息基础单元的信息复杂性的同时性），同时保持了有意识和无意识体验之间的明确区分。如果要维持所描述的现象性结合，那么需要对模型进行一些非平凡的扩展，要么通过增加额外的功能

讨论：调整模型和现有神经网络理论的选项

本文提出了一个问题，任何可能的解决方案都必须拒绝或调整至少其中一个问题组成部分，包括所定义的现象性结合的存在（D2）、基于感知器的ANN模型（在第3节中通过具体的行为和形而上学公理定义），以及人类意识体验的三个特征（F1-F3：“复杂体验”、“无意识共存”、“无意识先行性”）。我们现在讨论特定的意识理论如何在这个框架内解决现象性结合问题。

结论

现象性结合现象对神经科学来说既深刻又简单。内省证据揭示了充满信息复杂体验的意识，尽管这些体验基于可分解为信息简单单元的系统（例如单个神经元、突触）。

最初将现象性结合简化为功能性结合的答案并不能自动解决问题，因为两者有不同的要求和在不同的理论立场中有不同的解释

CRediT作者贡献声明

克里斯·珀西（Chris Percy）：概念化、撰写——初稿、形式分析、方法论、可视化、研究。

高塔姆·阿加瓦尔（Gautam Agarwal）：撰写——审稿与编辑、可视化、验证、监督、研究。

资助

克里斯·珀西的工作部分是在“Co-Sentience Initiative”框架下进行的，该计划旨在研究人工意识的可能性，该项目得到了由David Langer领导的慈善联盟的资助，该联盟包括Lionheart Ventures、Amphibian Capital和Winslow Strong等机构。

致谢

我们要感谢两位匿名审稿人提供的深思熟虑和建设性的反馈。我们还要感谢QRI社区和同事们就这一主题进行的讨论，特别是Andrés Gómez-Emilsson，以及在我们ASSC28（克里特岛，2025年）的海报展示期间参与讨论的同事们。Edmundo Lopez-Sola也对早期草稿提供了宝贵的反馈，并在概念可视化方面给予了支持。