KOLAPS AKSJOMATU

Tam, gdzie załamuje się rozkład Gaussa, a zaczyna świat

Rozkład Gaussa nie jest błędny.

To model, który pozostaje stabilny tylko w określonych warunkach strukturalnych.

Rozkład normalny wyłania się naturalnie w wielu procesach agregacji i pozostaje jednym z najpotężniejszych narzędzi fizyki, inżynierii i statystyki.

Ale jego stabilność zależy od kilku założeń.

W uproszczeniu obejmują one:

1. Przybliżona niezależność — zmienne nie wpływają silnie na siebie nawzajem.

2. Stacjonarność — proces leżący u podstaw nie zmienia się istotnie w czasie.

3. Neutralna obserwacja — pomiar nie zmienia systemu.

4. Słabe sprzężenie zwrotne — dane wyjściowe nie kształtują silnie przyszłych danych wejściowych.

5. Ograniczony dryf — średnia i wariancja pozostają w przybliżeniu stabilne.

Gdy te warunki są spełnione, modele gaussowskie są często dokładne i wydajne.

Jednak gdy kilka z tych założeń przestaje obowiązywać jednocześnie, model gaussowski może pozostać lokalnie użyteczny, a zarazem stać się strukturalnie niestabilny w dłuższych horyzontach czasowych.

Sam rozkład Gaussa nie jest fałszywy.

Problemy pojawiają się, gdy modele oparte na stabilności stosuje się do systemów, które nie spełniają już ich warunków strukturalnych.

Dlaczego wiele rzeczywistych systemów oddala się od założeń gaussowskich

Wiele rzeczywistych systemów zawiera agentów, obserwatorów, sprzężenia zwrotne, adaptację lub uczenie się.

W takich środowiskach:

• Zmienne wpływają na siebie → niezależność słabnie.

• Zachowanie ewoluuje w czasie → stacjonarność słabnie.

• Pomiar wpływa na decyzje → neutralność obserwatora zostaje naruszona.

• Działania przekształcają przyszłe stany → pojawia się sprzężenie zwrotne.

• Małe odchylenia się kumulują → pojawia się dryf.

Te warunki nie są rzadkimi anomaliami.

Są to powszechne właściwości systemów, w których występuje interakcja, adaptacja lub inteligencja.

W krótkich horyzontach przybliżenia gaussowskie mogą nadal działać.

W dłuższej perspektywie dryf strukturalny zaczyna przekształcać rozkład.

Dryf jako strukturalna właściwość systemów osadzonych

Dryf często interpretowano jako szum, błąd pomiaru lub przejściową fluktuację.

Jednak w systemach osadzonych sytuacja jest inna.

Obserwatorzy wpływają na system.

System reaguje na to, że jest obserwowany.

Reakcje te się kumulują.

W rezultacie sam rozkład ewoluuje.

Dryf nie zawsze jest więc losowy.

Może być naturalnym wynikiem sprzężenia zwrotnego, adaptacji i obserwacji osadzonej w systemie.

Dopóki obserwator i system dzielą to samo środowisko, idealnie stabilne rozkłady stają się coraz bardziej kruche w długich horyzontach czasowych.

Gdy dryf się kumuluje

Utrzymujący się dryf prowadzi do:

• przesuwające się średnie

• zmieniające się wariancje

• rozkłady asymetryczne

• ciężkie ogony

• wzmacnianie zdarzeń ekstremalnych

W długich horyzontach czasowych wiele rzeczywistych systemów zmierza ku rozkładom skośnym, zachowaniom o długich ogonach lub reżimom przypominającym prawo potęgowe.

W takich układach zdarzenia ekstremalne przestają być anomaliami.

Stają się strukturalnymi cechami systemu.

RCC i dryf strukturalny

RCC (ograniczenia rekurencyjnego załamania) nie wywołuje dryfu.

Wyjaśnia, dlaczego dryf naturalnie pojawia się w systemach osadzonych.

Szczególnie istotne są cztery mechanizmy strukturalne.

Osadzenie

Obserwator jest częścią systemu. Obserwacja zmienia zachowanie, osłabiając założenie neutralnego pomiaru.

Częściowy dostęp do wnętrza

Żaden agent nie może w pełni obserwować całego wewnętrznego stanu systemu. Ujawniają się ukryte zależności, przez co ścisłą niezależność trudno utrzymać.

Przybliżanie krok po kroku

Rzeczywiste systemy aktualizują się przyrostowo. Drobne błędy aproksymacji kumulują się z czasem.

Akumulacja sprzężeń zwrotnych

Działania wywołują reakcje, a te kształtują przyszłe działania, stopniowo naruszając stacjonarność.

Z perspektywy RCC dryf nie jest jedynie składnikiem błędu.

To strukturalna sygnatura osadzonych systemów adaptacyjnych.

Każdy system obejmujący interakcję, uczenie się lub inteligencję zazwyczaj przejawia jakąś formę dryfu w długim horyzoncie.

Dlaczego myślenie gaussowskie dominowało w przeszłości

Modele Gaussa są matematycznie eleganckie, rozwiązywalne analitycznie, wydajne obliczeniowo i intuicyjne wizualnie.

W wielu systemach — zwłaszcza tych o słabym sprzężeniu zwrotnym i krótkich horyzontach czasowych — modele te sprawdzają się niezwykle dobrze.

Jednak gdy systemy zawierają silne sprzężenia zwrotne, adaptację i interakcje, założenia oparte na stabilności stopniowo tracą moc.

Może to prowadzić do:

• niedoszacowanie ryzyka ogonowego

• błędna wycena zdarzeń ekstremalnych

• nadmierna pewność stabilności

• błędne klasyfikowanie dryfu strukturalnego jako losowego szumu

Problemem nigdy nie był sam rozkład Gaussa.

Problem polegał na stosowaniu modelu opartego na stabilności do systemów zasadniczo kształtowanych przez sprzężenie zwrotne i adaptację.

Podsumowanie końcowe

• Modele Gaussa pozostają lokalnie poprawne i często optymalne.

• Osadzone systemy adaptacyjne w naturalny sposób generują dryf.

• W miarę narastania dryfu symetria gaussowska słabnie i pojawiają się ciężkie ogony.

• RCC wyjaśnia, dlaczego takiego dryfu nie można całkowicie wyeliminować w systemach osadzonych.

Rozkład Gaussa był wyidealizowanym renderowaniem.

Rzeczywistość — z dryfem, sprzężeniem zwrotnym i osadzonymi obserwatorami —

jest strukturą leżącą u podstaw.