局限性（Limitations）¶
耦合预测环自我生成假说（Self from Coupled Predictive Loops Hypothesis）
一、说明¶
本文件用于明确该理论当前的边界、不足与未解决问题。 目的在于：
- 避免过度解释
- 区分已提出与尚未完成部分
- 为后续研究提供清晰方向
二、未解决的核心问题¶
1. 主观体验本体问题（Hard Problem）¶
本模型未解释：
为什么信息处理过程会产生主观体验本身
当前立场：
- 仅描述体验的结构条件
- 不涉及体验存在的本体论解释
2. 不可分辨性到体验的推导缺口¶
模型提出：
- 多信号不可分辨 → 单一体验
但尚未严格说明：
为什么“不可分辨的表示”必然对应“被体验”
该问题是：
- 从信息结构 → 主观现象 的关键理论跳跃
三、形式化不足（核心限制）¶
3. 连续性误差未严格定义¶
虽然提出：
E = D(trajectory_actual || trajectory_predicted)
但仍缺乏：
- 距离或散度函数的选择
- 时间窗口定义
- 权重与尺度设定
4. 轨迹选择机制未形式化¶
提出：
Self = argmin (continuity error over trajectories)
但未明确：
- 优化过程是连续还是离散
- 是否存在近似或启发式机制
- 是否存在路径依赖或切换成本
即：
“argmin”仅为描述性表达，而非可执行机制
5. 归因机制未数学化¶
虽然提出：
主动性 = 基于预测—演化匹配的归因机制
但尚未定义：
- 归因函数形式
- 归因置信度
- 归因切换条件
因此：
agency 仍停留在结构描述层
6. 缺乏完整动力系统表达¶
当前模型：
- 以结构约束为主
- 尚未转化为动态系统
未明确：
- 状态演化方程
- 稳定性条件（稳定轨迹 / 吸引子）
- 收敛与分岔机制
四、实验与可验证性不足¶
7. 缺乏直接实验验证¶
目前：
- 无实验直接验证“轨迹选择”机制
- 仅存在与已有研究的间接一致性
8. 可观测量尚未完全操作化¶
虽然提出变量：
- 连续性误差（E）
- 预测—演化匹配
- 耦合强度
- 轨迹稳定性
- 归因稳定性
但：
- 尚未定义具体测量方法
- 未建立实验指标体系
9. 与现有理论的区分度仍有限¶
本模型与以下理论高度兼容：
- Predictive Processing
- Integrated Information Theory
- Global Workspace Theory
但尚未完全明确：
哪些实验结果可以唯一支持该模型而排除其他理论
五、结构假设的限制¶
10. 单一主导轨迹假设¶
模型假设：
系统趋向单一主导轨迹
但未严格证明：
- 多轨迹是否可能长期共存
- 在何条件下会出现轨迹分裂
11. 多预测结构的实现机制¶
模型假设：
系统能够生成多个预测轨迹
但未明确：
- 这些预测如何生成（采样 / 分布 / 并行模拟）
- 计算资源如何限制预测数量
- 多预测如何被裁剪或筛选
12. 时间尺度整合问题¶
模型涉及：
- 多时间尺度过程（预测 / 匹配 / 压缩）
但尚未说明：
- 各时间尺度如何耦合
- 如何在主观上呈现为统一过程
13. 系统边界未严格定义¶
尚未明确：
- 什么构成“系统内部”
- 外界如何进入模型（输入 vs 约束）
该问题影响：
- 模型适用范围
- 多系统交互情境
六、理论外推限制¶
14. 异常状态解释仍为结构性假设¶
虽然模型可解释：
- 自我归因异常
- 体验分裂
但：
- 尚无直接因果证据
- 不构成医学解释
15. 人工系统适用性未验证¶
模型暗示：
满足结构条件的系统可能表现出自我
但尚未解决：
- 如何在人工系统中实现该结构
- 如何验证其“主观性”
七、概念层局限¶
16. 部分概念仍依赖直觉¶
如：
- “体验”
- “统一性”
- “自我”
尽管已结构化定义，但仍部分依赖直观理解。
17. 语言与结构之间的偏差¶
模型试图使用结构性语言，但仍不可避免使用：
- “我”
- “体验”
- “感觉”
可能导致：
- 概念误读
- 与哲学语义混淆
八、总结¶
当前理论具备：
- 统一结构框架（多预测 + 轨迹选择 + 归因）
- 跨现象解释能力
- 与现有研究的兼容性
但仍存在关键不足：
- 核心变量未完全形式化
- 动态机制未建立
- 实验验证缺失
- 部分推导存在理论跳跃
九、最关键限制¶
当前最核心未解决问题：
连续性误差（E）的严格定义及其最小化机制的形式化
以及：
轨迹选择与归因机制的动态实现
这些问题直接决定：
- 理论可计算性
- 模型可模拟性
- 科学可验证性
十、发展方向¶
为克服上述局限，需要：
- 建立连续性误差的数学定义
- 构建轨迹选择与归因的动力系统模型
- 定义可观测变量与实验指标
- 提出可区分本模型的关键预测