我们能在人工智能上测试意识理论吗？消除法、指标与鲁棒性

寻找可靠意识指示器的研究已分裂为多个交织的理论阵营（全球工作区理论（GWT）、集成信息理论（IIT）和高阶理论（HOT）），每种理论提出不同的神经信号。我们采用合成神经现象学方法：构建构成这些机制的人工智能体，以通过不可在生物系统中实现的精确结构消除来测试其功能后果。通过三个实验，我们报告了各种消除现象，表明这些理论描述的是互补的功能层面而非相互竞争的account。在实验1中，无需重连的自模型损伤消除了元认知校准，同时保留了一级任务性能，产生与HOT预测相符的合成隐睡类比。在实验2中，工作区容量在信息获取中起因果必需作用：完全工作区损伤导致与访问相关指标出现质变崩溃，而部分减小表现出分级退化，与GWT的点火框架相符。在实验3中，我们发现广播-放大效应：GWT式广播放大内部噪声，造成极端脆弱性。B2代理家族对相同的潜在扰动具有鲁棒性；这种鲁棒性在无自模型/工作区只读控制中仍然存在，警示不要将该效应仅归因于$z_{\text{self}}$压缩。我们还报告了一个明确的负结果：在工作区瓶颈下，原始扰动复杂度（PCI-A）降低，这警示不要对IIT相邻的代理指标进行机械迁移。这些结果表明存在一种层次设计原则：GWT提供广播容量，而HOT提供质量控制。我们强调，我们的代理并不具备意识；它们是用于测试意识理论功能预测的参考实现。