AKSIOMKOLLAPS

Hvor den gaussiske fordeling bryder sammen, og verden begynder

Gaussfordelingen er ikke forkert.

Det er en model, som kun forbliver stabil under bestemte strukturelle betingelser.

En normalfordeling opstår naturligt i mange aggregeringsprocesser og er fortsat et af de mest kraftfulde værktøjer inden for fysik, ingeniørvidenskab og statistik.

Men dens stabilitet afhænger af flere antagelser.

I forenklet form omfatter disse:

1. Tilnærmet uafhængighed — variabler påvirker ikke hinanden stærkt.

2. Stationaritet — den underliggende proces ændrer sig ikke væsentligt over tid.

3. Neutral observation — måling ændrer ikke systemet.

4. Svag feedback — output former ikke fremtidige input i væsentlig grad.

5. Begrænset drift — middelværdi og varians forbliver omtrent stabile.

Når disse betingelser er opfyldt, er gaussiske modeller ofte præcise og effektive.

Når flere af disse antagelser bryder sammen samtidig, kan den gaussiske model dog forblive nyttig lokalt, samtidig med at den bliver strukturelt ustabil over længere tidshorisonter.

Gaussfordelingen er ikke i sig selv forkert.

Problemer opstår, når stabilitetsbaserede modeller anvendes på systemer, som ikke længere opfylder deres strukturelle betingelser.

Hvorfor mange virkelige systemer driver væk fra gaussiske antagelser

Mange virkelige systemer rummer agenter, observatører, feedback, tilpasning eller læring.

I sådanne miljøer:

• Variabler påvirker hinanden → uafhængigheden svækkes.

• Adfærd udvikler sig over tid → stationariteten svækkes.

• Måling påvirker beslutninger → observatørens neutralitet bryder sammen.

• Handlinger omformer fremtidige tilstande → feedback opstår.

• Små afvigelser ophobes → drift opstår.

Disse betingelser er ikke sjældne anomalier.

De er almindelige egenskaber ved systemer, som rummer interaktion, tilpasning eller intelligens.

Over korte tidshorisonter kan gaussiske approksimationer stadig fungere.

Over længere tidshorisonter begynder strukturel drift at omforme fordelingen.

Drift som en strukturel egenskab ved indlejrede systemer

Drift er ofte blevet fortolket som støj, målefejl eller midlertidige udsving.

Men i indlejrede systemer er situationen en anden.

Observatører påvirker systemet.

Systemet reagerer på at blive observeret.

Disse reaktioner akkumuleres.

Som følge heraf udvikler selve fordelingen sig.

Drift er derfor ikke altid tilfældig.

Det kan være det naturlige resultat af feedback, tilpasning og indlejret observation.

Så længe observatøren og systemet deler det samme miljø, bliver fuldstændig stabile fordelinger stadig mere skrøbelige over lange tidshorisonter.

Når drift akkumuleres

Vedvarende drift fører til:

• forskydninger i middelværdier

• varierende varianser

• asymmetriske fordelinger

• tunge haler

• forstærkning af ekstreme hændelser

Over lange tidshorisonter bevæger mange virkelige systemer sig mod skæve fordelinger, adfærd med lange haler eller regimer, der ligner potenslove.

I sådanne systemer er ekstreme hændelser ikke længere anomalier.

De bliver strukturelle træk ved systemet.

RCC og strukturel drift

RCC (rekursive kollapsbegrænsninger) skaber ikke drift.

Det forklarer, hvorfor drift opstår naturligt i indlejrede systemer.

Fire strukturelle mekanismer er særligt vigtige.

Indlejring

Observatøren er en del af systemet. Observation ændrer adfærd og svækker dermed antagelsen om neutral måling.

Delvis intern adgang

Ingen agent kan fuldt ud observere hele systemets indre tilstand. Skjulte afhængigheder opstår og gør streng uafhængighed vanskelig at opretholde.

Trinvis tilnærmelse

Virkelige systemer opdateres trinvist. Små tilnærmelsesfejl akkumuleres over tid.

Ophobning af feedback

Handlinger skaber reaktioner, og disse reaktioner former fremtidige handlinger og bryder gradvist stationariteten.

Fra RCC's perspektiv er drift ikke blot et fejlled.

Det er en strukturel signatur for indlejrede, adaptive systemer.

Ethvert system, der rummer interaktion, læring eller intelligens, vil typisk udvise en form for drift over en lang tidshorisont.

Hvorfor gaussisk tænkning historisk dominerede

Gaussiske modeller er matematisk elegante, analytisk løsbare, beregningsmæssigt effektive og visuelt intuitive.

For mange systemer—især dem med svag feedback og korte tidshorisonter—fungerer disse modeller ekstremt godt.

Men når systemer indeholder stærk feedback, tilpasning og interaktion, svækkes de stabilitetsbaserede antagelser gradvist.

Dette kan føre til:

• undervurdering af halerisiko

• fejlprissætning af ekstreme hændelser

• overdreven tillid til stabilitet

• fejlklassificering af strukturel drift som tilfældig støj

Problemet var aldrig selve den gaussiske fordeling.

Problemet var at anvende en stabilitetsbaseret model på systemer, der grundlæggende formes af feedback og tilpasning.

Afsluttende sammenfatning

• Gaussiske modeller forbliver lokalt gyldige og ofte optimale.

• Indlejrede, adaptive systemer skaber naturligt drift.

• Når drift ophobes, svækkes den gaussiske symmetri, og tunge haler opstår.

• RCC forklarer, hvorfor en sådan drift ikke kan elimineres fuldstændigt i indlejrede systemer.

Gaussfordelingen var den idealiserede rendering.

Virkeligheden — med drift, feedback og indlejrede observatører —

er den underliggende struktur.