كتبها فريق Qubic العلمي نسبة التفرع والحرج في الشبكات البيولوجية، في الشبكات الاصطناعية، وكPrinciple مستوحاة بيولوجيًا في Neuraxon

ما الذي يجمع بين انهيار الثلج، حريق الغابة، الزلزال، والنشاط التلقائي للقشرة الدماغية؟

كلهم يتشاركون في حدود بين النظام والفوضى، ما يسمى بالحالة الحرجة. في الدماغ، يتم قياس تلك الحافة بواسطة معلمة بسيطة: نسبة التفرع (σ أو m). سيكون الأمر مشابهًا لمتوسط نسبة "نسل" الخلايا العصبية التي تنشطها كل خلية عصبية "أم". عندما تكون σ ≈ 1، لا تموت النشاطات ولا تنفجر؛ بل تتردد.

سجّل Beggs وPlenz (2003) النشاط التلقائي للقشرة المخية في الجرذان ووجدوا أن النشاط كوّن أنماطًا شبيهة بالسلاسل المتتابعة، ما يُسمى الانهيارات/التفجيرات العصبية، بنسبة تفرع قريبة من 1. بدا أن الدماغ يعيش عند نقطة حرِجة. وفي البشر، تظهر نسبة التفرع σ مرة أخرى قريبة من الوحدة (Wang وآخرون، 2025; Plenz وآخرون، 2021; Wilting & Priesemann، 2019).

عند النقطة الحرجة، تُظهر الأنظمة في الوقت نفسه أقصى حساسية للاضطرابات (الاستجابية)، وأقصى قدرة ديناميكية (عدد الحالات المتاحة)، وأقصى نقل للمعلومات، وأقصى تعقيد (Timme وآخرون، 2016; Shew وآخرون، 2009، 2011).

ما هي نسبة التفرع وكيف يتم قياسها؟

من الناحية المفاهيمية، نسبة التفرع بسيطة: إذا كان في اللحظة t يوجد A(t) عصبونات نشطة، وفي t+1 يوجد A(t+1)، فإن:

σ = ⟨ A(t+1) / A(t) ⟩

تتبع من ذلك ثلاث أنظمة (de Carvalho & Prado، 2000؛ Haldeman & Beggs، 2005):

• دون حرجية (σ < 1): تتلاشى/تضعف النشاطات؛ ويقوم النظام بـ"نسيان" الاضطراب بسرعة. إنه مستقر لكنه ضعيف في الذاكرة وغير مُعبِّر بشكل كبير.

• فوق حرجية (σ > 1): يتفجّر النشاط إلى سلاسل متتابعة (cascades). هذه هي سمة الأنظمة المرضية مثل النوبات الصرعية (Hsu وآخرون، 2008؛ Hagemann وآخرون، 2021).

• حرِج (σ ≈ 1): كل نبضة، في المتوسط، تولد نبضة أخرى. يرتد/يتردد النشاط، وتخضع التفجيرات العصبية لقوانين القدرة، ويحافظ النظام على ذاكرة منظمة للمدخل.

جمال σ أنه رقم واحد يلخّص النظام الديناميكي العام. لكن قياسه ليس بالأمر السهل. عند تطبيقه على تسجيلات القشرة الحية في الجسم (in vivo)، تُظهر القياسات أن القشرة لا تعمل تمامًا عند σ = 1، بل أدنى قليلًا، في نظام يطلق عليه المؤلفون "الترنح/الارتداد" (reverberating) (Wilting وآخرون، 2018). والفرق مهم: كون σ=1 تمامًا يشبه قيادة دراجة متوازنة على حبل مشدود؛ بينما كون القيمة أدنى قليلًا يتيح ضبطًا سريعًا لمتطلبات المهمة دون خطر الانفجار غير المسيطر.

الحرجية في الشبكات العصبية الاصطناعية: من حافة الفوضى إلى الحوسبة الخزّانية (Reservoir Computing)

أظهر Bertschinger وNatschläger (2004) أن شبكات عتبة عَدَدية راجعة عشوائية تصل إلى أقصى سعتها الحوسبية في مهام المعالجة الزمنية تحديدًا عند انتقال النظام من النظام المُرتّب إلى الفوضى.

Boedecker وآخرون (2012) وسّعوا التحليل إلى شبكات صدى الحالة (echo state) ضمن نموذج الحوسبة الخزّانية (reservoir computing)، مؤكدين أن سعة نقل المعلومات والذاكرة الفعالة تُعظَّمان عند حافة الفوضى.

الشكل 3. شبكة عصبية نابضية مُورِّفية (neuromorphic) مع بلاستيكية مشبكية تُنظّم نفسها ذاتيًا نحو الحرجية تحت مدخل خارجي منخفض، مظهرةً توزيعات أحجام الانهيارات وفق قوانين القدرة — السمة المميِّزة للحالة الحرِجة في كل من الشبكات العصبية الحيوية والاصطناعية. تحت مدخل أعلى، تنتقل الشبكة إلى نظام دون حرجية بتوزيعات مُقَصَّة. أعيد إنتاجه من Cramer وآخرين (2020)، اتصالات الطبيعة (Nature Communications)، 11، 2853. CC BY 4.0.

في لغة الشبكات العصبية الاصطناعية، يُسمّى معامل القياس نصف القطر الطيفي (spectral radius). عندما يتجاوز 1، تتباعد المسارات أُسّيًا (فوضى); وعندما يكون أقل بكثير من 1 تنهار الشبكة إلى نقطة ثابتة وتفقد الذاكرة. نصف القطر الطيفي القريب من 1 هو، في هذا السياق، المكافئ الصوري لنظير الدماغ الحيوي σ ≈ 1 (Magnasco، 2022؛ Morales وآخرون، 2023). وفي الشبكات العصبية النابضية، يمكن قياس نسبة التفرع بطرق متشابهة تقريبًا لما يُستخدم في مزارع/ثقافات الخلايا العصبية (Cramer وآخرون، 2020؛ Zeraati وآخرون، 2024).

لماذا تُعظّم حرجية الدماغ الحوسبة العصبية؟

يوفر التشغيل قريبًا من σ ≈ 1 أربع مزايا مركزية لكلٍّ من فرضية الدماغ الحرج وتصميم أنظمة ذكاء اصطناعي مستوحاة من الدماغ:

• أقصى مجال ديناميكي. أظهر Shew وآخرون (2009) أن مجال شدة المدخلات الذي يمكن للقشرة تمييزه تكون قيمته القصوى حين يُضعِف توازن الإثارة–الكبح الشبكة عند الحرجية.

• تعظيم السعة المعلوماتية. تبلغ إنتروبي أنماط الانهيارات (avalanche) والمعلومة المتبادلة بين المدخل والمخرج ذروتها عند σ ≈ 1 (Shew وآخرون، 2011).

• ذاكرة باهتة مثلى (Optimal fading memory). في النظام الحرج، تستمر الاضطرابات لمدة كافية فقط للتأثير في المعالجة دون تلويث المستقبل البعيد؛ إنها النقطة المثالية بين الثبات والتكامل الزمني (Boedecker وآخرون، 2012).

• التعقيد كمقياس موحِّد. برهن Timme وآخرون (2016) أن تعقيد الشبكات العصبية يُعظَّم تمامًا عند النقطة الحَرِجة، رابطًا الحرجية بنظريات رسمية للوعي والمعالجة.

الشكل 4. أربع مزايا حوسبية للتشغيل قرب نسبة التفرع الحرجة (σ ≈ 1). عند الحرجية، تحقق الشبكات العصبية أقصى مجال ديناميكي، وتُعظّم السعة المعلوماتية، وتحقق ذاكرة باهتة مثلى، وتبلغ أقصى تعقيد — وهي خصائص مركزية لكلٍّ من فرضية الدماغ الحَرِج وتصميم الذكاء الاصطناعي المستوحى من الدماغ.

لا يعمل الدماغ دائمًا عند σ = 1

لا يعني ذلك أن الدماغ يعمل دائمًا عند σ = 1. بل إن الأدلة تشير إلى نظام دون حرجية قليل وقابل للضبط: أثناء المهام المرهقة يقترب الشبكة من الحرجية، وخلال النوم العميق يبتعد، والحالات المرضية (الصرع، التخدير العميق، بعض الحالات النفسية) ترتبط بانحرافات قابلة للقياس عن مدى التشغيل هذا (Meisel وآخرون، 2017؛ Zimmern، 2020). وتصبح نسبة التفرع مؤشّرًا حيويًا ديناميكيًا لحالة الجهاز العصبي الوظيفية.

لماذا نستخدم نسبة التفرع في Neuraxon: تصميم ذكاء اصطناعي مستوحى حيويًا على حافة الفوضى

Neuraxon نظام مُلهم حيويًا يعتمد مبادئ ديناميكية من القشرة كقيود تصميم. نسبة التفرع هي واحدة من أهم العوامل، ونستخدمها لأربعة أسباب:

كثابت تشغيلي في الزمن الحقيقي لثبات الشبكة العصبية

في البنى العميقة للنابض أو الراجعة (recurrent)، يكون خطر مزدوج الانهيار (شبكة صامتة، تلاشي التدرجات) وخطر الانفجار غير المسيطر (تشبّع، تدرجات متفجرة) خطرًا بنيويًا. إن مراقبة σ في الزمن الحقيقي تمنحنا قياسًا تشخيصيًا واحدًا عدديًا (scalar) مستقلًا عن البنية الملموسة، يشير إلى ما إذا كان النظام "حيًا" بالمعنى الحوسبي.

كهدف للتنظيم الذاتي المستوحى حيويًا عبر الحرجية ذاتية التنظيم

تُنظّم الشبكة نفسها ذاتيًا نحو الحرجية دون الحاجة إلى ضبط دقيق مركزي، مُكرِّرةً مبدأ الحرجية ذاتية التنظيم (Bornholdt & Röhl، 2003؛ Levina وآخرون، 2007). وهذا يُقلِّص بشكل كبير الحساسية لفرط معاملات الضبط (hyperparameters) ويمنح النظام متانة تجاه تغيّرات التوزيعات. كما استكشفنا في المجلد السابع من NIA حول الحياة الاصطناعية والنظم البيئية الرقمية، فهذا بالضبط هو ما يجعل التعقيد الناشئ يظهر من القواعد المحلية دون سيطرة مركزية.

الشكل 5. شبكة Neuraxon ثلاثية الأبعاد أثناء محاكاة نشطة، تُظهر نشاطًا متسلسلًا عبر عصبونات ثلاثية حالات. تُنقل الإشارات عبر الوصلات المثيرة (بالأخضر) والمثبِّطة (بالوردي) بواسطة العقد شديدة النشاط (بالوردي)، بينما تبقى العصبونات الأخرى في حالة سكون (بالرمادي)، مما يوضح نظام ارتداد قريب من نسبة التفرع الحرجة (σ ≈ 1). هذه الحالة المتوازنة — لا صمت ولا انفجار — هي ما يُنظّم Neuraxon نفسه نحوه باستخدام مبادئ الحرجية المستوحاة حيويًا. جرّب العرض التفاعلي عبر athuggingface.co/spaces/DavidVivancos/Neuraxon. المصدر: فريق Qubic العلمي.

كجسر بين الملاحظة في علم الأعصاب وتصميم الذكاء الاصطناعي

تُعد نسبة التفرع واحدة من القلة القليلة جدًا من المقادير التي تُقاس بنفس الصياغة الشكلية في علم وظائف الكهرباء (electrophysiology) وfMRI والشبكات الاصطناعية. وهذا يسمح باختبار فروض ثنائية الاتجاه: إذا أدى تدخل ما إلى تحسين حرجية حيوية، فيمكننا أن نسأل هل يحسّن التدخل ذاته — بعد ترجمته إلى البنية الاصطناعية — حوسبة النموذج، وبالعكس. هذا المبدأ محوري في إطار التعديل النيوروموديولي (neuromodulation) وآليات "بوّابة" الخلايا النجمية التي طوّرناها في مجلدات سابقة من هذه الأكاديمية.

كمعيار وظيفي لا جمالي للذكاء الاصطناعي المستوحى من الدماغ

الحَرَجية قيدٌ تشغيلي له نتائج تجريبية. إن العمل قرب نظام الارتداد/الترنح يُحسّن — كما قِسنا ذلك في تقييماتنا الداخلية والمنشورات المقدمة — القدرة على التعميم، والاستقرار تحت اضطرابات المدخل، وغِنى التمثيل، والتماسك الزمني للاستدلال. وتتطابق هذه التأثيرات نوعيًا مع ما ورد في الأدبيات الحيوية (Cocchi وآخرون، 2017) والاصطناعية (Cramer وآخرون، 2020؛ Morales وآخرون، 2023).

نسبة التفرع: من فيزياء الإحصاء إلى بنية ذكاء اصطناعي مستوحاة من الدماغ

نسبة التفرع هي من تلك "الندرة المفاهيمية" (rara avis): بسيطة بما يكفي لتُختزل إلى معادلة واحدة، وعميقة بما يكفي لربط فيزياء إحصاء، وعلم أعصاب، وذكاء اصطناعي، وتصميم الأنظمة. بالنسبة للدماغ الحيوي، يبدو أن σ ≈ 1 هي النظام الذي يظهر فيه الاقتران الفضيل بين الحساسية والذاكرة والتعبيرية والمتانة. أما في الشبكات الاصطناعية، فإن الحدود نفسها — المسمّاة من جديد "حافة الفوضى" — تتنبأ بأقصى سعة حوسبية.

وبالنسبة لـ Neuraxon، فهي مبدأ موجِّه في التصميم المُلهم حيويًا: مقياس قابل للتدقيق ذاتي التنظيم وذو معنى بيولوجي يساعدنا على إبقاء النظام حيًا، بأغنى معنى للكلمة.

المراجع

• Beggs, J. M., & Plenz, D. (2003). التفَجُّرات العصبية في الدوائر القشرية الجديدة (neocortical). مجلة علم الأعصاب، 23(35)، 11167–11177. https://doi.org/10.1523/JNEUROSCI.23-35-11167.2003

• Bertschinger, N., & Natschläger, T. (2004). الحوسبة في الزمن الحقيقي عند حافة الفوضى في الشبكات العصبية الراجعة. الحوسبة العصبية (Neural Computation)، 16(7)، 1413–1436. https://doi.org/10.1162/089976604323057443

• Boedecker, J., Obst, O., Lizier, J. T., Mayer, N. M., & Asada, M. (2012). معالجة المعلومات في شبكات صدى الحالة (echo state) عند حافة الفوضى. النظرية في علوم الأحياء (Theory in Biosciences)، 131(3)، 205–213. https://doi.org/10.1007/s12064-011-0146-8

• Bornholdt, S., & Röhl, T. (2003). الشبكات العصبية ذاتية التنظيم الحَرِجة. المراجعة الفيزيائية E، 67(6)، 066118. https://doi.org/10.1103/PhysRevE.67.066118

• Cocchi, L., Gollo, L. L., Zalesky, A., & Breakspear, M. (2017). الحرجية في الدماغ: تركيب/توليف بين علم الأعصاب والنماذج والمعرفة. تقدم في علم الأحياء العصبي (Progress in Neurobiology)، 158، 132–152. https://doi.org/10.1016/j.pneurobio.2017.07.002

• Cramer, B., Stöckel, D., Kreft, M., Wibral, M., Schemmel, J., Meier, K., & Priesemann, V. (2020). التحكم في الحرجية والحوسبة في الشبكات العصبية النابضية المُورِّفية مع بلاستيكية. اتصالات الطبيعة، 11، 2853. https://doi.org/10.1038/s41467-020-16548-3

• de Carvalho, J. X., & Prado, C. P. C. (2000). الحرجية ذاتية التنظيم في نموذج Olami-Feder-Christensen. رسائل المراجعة الفيزيائية (Physical Review Letters)، 84(17)، 4006–4009. https://doi.org/10.1103/PhysRevLett.84.4006

• Derrida, B., & Pomeau, Y. (1986). الشبكات العشوائية من الآلات: تقريب مُعَدَّل/مُآجل بسيط. رسائل الفيزياء الأوروبية (Europhysics Letters)، 1(2)، 45–49. https://doi.org/10.1209/0295-5075/1/2/001

• Hagemann, A., Wilting, J., Samimizad, B., Mormann, F., & Priesemann, V. (2021). تقييم الحرجية في نشاط عصبون واحد قبل النوبة في القشرة الصرعية البشرية. PLOS Computational Biology، 17(3)، e1008773. https://doi.org/10.1371/journal.pcbi.1008773

• Haldeman, C., & Beggs, J. M. (2005). الحرجية ذات التفرع تُلتقط النشاط في الشبكات العصبية الحية وتُعظّم عدد الحالات شبه المستقرة (metastable). رسائل المراجعة الفيزيائية (Physical Review Letters)، 94(5)، 058101. https://doi.org/10.1103/PhysRevLett.94.058101

• Hsu, D., Chen, W., Hsu, M., & Beggs, J. M. (2008). فرضية مفتوحة: هل يتعلم الصرع، وهل يمكن أن يُزال التعلم؟ الصرع والسلوك (Epilepsy & Behavior)، 13(3)، 511–522. https://doi.org/10.1016/j.yebeh.2008.05.007

• Langton, C. G. (1990). الحوسبة عند حافة الفوضى: انتقالات الطور وحوسبة ناشئة. Physica D: الظواهر غير الخطية، 42(1–3)، 12–37. https://doi.org/10.1016/0167-2789(90)90064-V

• Levina, A., Herrmann, J. M., & Geisel, T. (2007). وصلات مشبكية ديناميكية تُسبب الحرجية ذاتية التنظيم في الشبكات العصبية. فيزياء الطبيعة (Nature Physics)، 3(12)، 857–860. https://doi.org/10.1038/nphys758

• Magnasco, M. O. (2022). المرونة وقوة التحمل لوظيفة عصبية عبر النقاط الحرجة الديناميكية. مجلة الإنتروبي، 24(5)، 591. https://doi.org/10.3390/e24050591

• Meisel, C., Klaus, A., Vyazovskiy, V. V., & Plenz, D. (2017). التداخل بين الارتباطات الزمنية طويلة وقصيرة المدى يشكّل ديناميكيات القشرة عبر حالات اليقظة. مجلة علم الأعصاب، 37(42)، 10114–10124. https://doi.org/10.1523/JNEUROSCI.0448-17.2017

• Morales, G. B., di Santo, S., & Muñoz, M. A. (2023). كشف الديناميكيات الذاتية للشبكات العصبية الحيوية والاصطناعية: من الحرجية إلى التمثيلات المثلى. مجلات/Frontiers في الأنظمة المعقدة، 1، 1276338. https://doi.org/10.3389/fcpxs.2023.1276338

• Plenz, D., Ribeiro, T. L., Miller, S. R., Kells, P. A., Vakili, A., & Capek, E. L. (2021). الحرجية ذاتية التنظيم في الدماغ. مجلات/Frontiers في الفيزياء، 9، 639389. https://doi.org/10.3389/fphy.2021.639389

• Shew, W. L., Yang, H., Petermann, T., Roy, R., & Plenz, D. (2009). تَفَجُّرات عصبية تشير إلى أقصى مجال ديناميكي في الشبكات القشرية عند الحرجية. مجلة علم الأعصاب، 29(49)، 15595–15600. https://doi.org/10.1523/JNEUROSCI.3864-09.2009

• Shew, W. L., Yang, H., Yu, S., Roy, R., & Plenz, D. (2011). تُعظَّم السعة المعلوماتية والنقل في الشبكات القشرية المتوازنة مع التفَجُّرات العصبية. مجلة علم الأعصاب، 31(1)، 55–63. https://doi.org/10.1523/JNEUROSCI.4637-10.2011

• Spitzner, F. P., Dehning, J., Wilting, J., Hagemann, A., Neto, J. P., Zierenberg, J., & Priesemann, V. (2021). MR. Estimator، مجموعة أدوات لتحديد الأزمنة الجوهرية من نشاط إطلاقات عصبية مُعايَّن جزئيًا. PLOS ONE، 16(4)، e0249447. https://doi.org/10.1371/journal.pone.0249447

• Timme, N. M., Marshall, N. J., Bennett, N., Ripp, M., Lautzenhiser, E., & Beggs, J. M. (2016). الحرجية تُعظّم التعقيد في نسيج عصبي. مجلات/Frontiers في علم وظائف الأعضاء، 7، 425. https://doi.org/10.3389/fphys.2016.00425

• Turrigiano, G. G. (2008). العصبون ذاتي الضبط: موازنة/توسيع القياس المشبكي للوصلات المثيرة. الخلية، 135(3)، 422–435. https://doi.org/10.1016/j.cell.2008.10.008

• Wang, J., Cao, R., Brunton, B. W., Smith, R. E. W., Buckner, R. L., & Liu, T. T. (2025). المساهمات الوراثية في حرجية الدماغ وعلاقتها بوظائف معرفية بشرية. وقائع الأكاديمية الوطنية للعلوم، 122(26)، e2417010122. https://doi.org/10.1073/pnas.2417010122

• Wilting, J., Dehning, J., Pinheiro Neto, J., Rudelt, L., Wibral, M., Zierenberg, J., & Priesemann, V. (2018). العمل في نظام مُرتد/مُترنِّح (reverberating) يتيح ضبطًا سريعًا لحالات الشبكة بما يتوافق مع متطلبات المهمة. مجلات/Frontiers في علم الأعصاب/الأنظمة العصبية، 12، 55. https://doi.org/10.3389/fnsys.2018.00055

• Wilting, J., & Priesemann, V. (2018). استنتاج الحالات الديناميكية الجماعية من أنظمة لا نُرصَد إلا بشكل واسع النطاق. الاتصالات الطبيعية، 9، 2325. https://doi.org/10.1038/s41467-018-04725-4

• Wilting, J., & Priesemann, V. (2019). 25 عامًا من الحرجية في علم الأعصاب — نتائج راسخة، جدل مفتوح، مفاهيم جديدة. الرأي الحالي في علم الأحياء العصبي (Current Opinion in Neurobiology)، 58، 105–111. https://doi.org/10.1016/j.conb.2019.08.002

• Yu, C. (2022). نحو تحليل موحّد لفَرْضية حرجية الدماغ: مراجعة عدة أدوات متاحة. مجلات/Frontiers في الدوائر العصبية (Frontiers in Neural Circuits)، 16، 911245. https://doi.org/10.3389/fncir.2022.911245

• Zeraati, R., Engel, T. A., & Levina, A. (2024). تقدير الأزمنة الجوهرية والحرجية من تسجيلات عصبية: الأساليب والمزالق. الرأي الحالي في علم الأحياء العصبي (Current Opinion in Neurobiology)، 86، 102871. https://doi.org/10.1016/j.conb.2024.102871

• Zimmern, V. (2020). لماذا تعتبر حرجية الدماغ ذات صلة سريريًا: مراجعة نطاقية. مجلات/Frontiers في الدوائر العصبية، 14، 54. https://doi.org/10.3389/fncir.2020.00054

استكشف أكاديمية Neuraxon للذكاء كاملة

هذا هو المجلد 8 من #Neuraxon أكاديمية #academy الاستخبارات/الذكاء العلمي #Qubic للفريق العلمي. إذا كنت تنضم إلينا للتو، استكشف السلسلة الكاملة لبناء فهم كامل للعلم وراء Neuraxon، #aigarth ، ونهج Qubic في ذكاء اصطناعي مُستوحى من الدماغ، #decentralized :

• NIA المجلد 1: لماذا لا يتم حساب الذكاء على خطوات، بل في الزمن — يستكشف لماذا تعمل الذكاءات البيولوجية في زمن مستمر بدل خطوات حسابية متقطعة مثل نماذج LLM التقليدية.

• NIA المجلد 2: ديناميكيات ثلاثية كما نموذج للذكاء الحي — يشرح الديناميكيات الثلاثية ولماذا تُعد منطقية ثلاث الحالات (مثيرة، محايدة، مثبِّطة) مهمة عند نمذجة الأنظمة الحية.

• NIA المجلد 3: التعديل النيوروموديولي والإيهام بالذكاء الاصطناعي المستوحى من الدماغ — يغطي التعديل النيوروموديولي وكيف تلهم الإشارات الكيميائية في الدماغ (الدوبامين، السيروتونين، الأسيتيل كولين، النورإبينفرين) بنية Neuraxons.

• NIA المجلد 4: الشبكات العصبية في الذكاء الاصطناعي وعلم الأعصاب — مقارنة عميقة بين الشبكات العصبية الحيوية والشبكات العصبية الاصطناعية، واتباع Neuraxons الثالث.

• NIA المجلد 5: الخلايا النجمية والذكاء الاصطناعي المستوحى من الدماغ — كيف يحوّل بوّاب الخلايا النجمية مرونة الشبكات العصبية عبر إطار AGMP في Neuraxon.

• NIA المجلد 6: الآلات الواعية مقابل الكائنات الذكية: شرح وعي الذكاء الاصطناعي — يستكشف وعي الذكاء الاصطناعي عبر منظور نظرية المساحة/المستودع الشامل (Global Workspace Theory) ونظرية المعلومات المتكاملة (Integrated Information Theory) والـترميز التنبؤي (predictive coding).

• NIA المجلد 7: لعبة كونواي للحياة، الحياة الاصطناعية، والنظم البيئية الرقمية — العلم وراء Qubic وAigarth ومنهج Neuraxon في التعقيد الناشئ والحرجية ذاتية التنظيم في الذكاء الاصطناعي اللامركزي.

Qubic شبكة لامركزية ومفتوحة المصدر للتقنيات التجريبية. لمعرفة المزيد، تفضل بزيارة qubic.org. انضم للنقاش على X وDiscord وTelegram.