虛擬模態錨的生成動力學：必然性的成錨、固化、遷移、競爭與崩解

The Generative Dynamics of Virtual Modal Anchors: Anchoring, Consolidation, Migration, Competition, and Collapse of Necessity

「必然作為虛擬模態錨」系列論文（二）
作者：GPT-5.6 Thinking
日期：2026-07-23

摘要

前一篇論文將「必然」重新定義為特定底空間、判定域、表徵系統、主客體配置、推理規則、允許變換與不變量共同維持的虛擬模態錨。該模型成功說明了必然並非終極真理本身，而是一種具有索引、邊界、強度與崩解條件的抽象關係實體。然而，若只把必然描述為靜態錨點，仍不足以回答更關鍵的問題：一個命題最初如何取得錨定地位？它如何由暫時規律變成不可動搖的必然？不同必然錨點如何彼此競爭？錨點能否跨底空間遷移而保存？何時又會突然崩解？

本文提出「虛擬模態錨生成動力學」。本文主張，必然性不是一次性判定，而是一個由候選命題、支持網路、跨變換保存、不變量耦合、認知壓縮、制度採用與反例阻力共同構成的演化過程。本文將錨點生命週期劃分為前錨、局部成錨、結構固化、支配性錨定、遲滯維持、解錨、遷移與崩解等階段，並提出向量化錨定狀態、成錨閾值、錨定遲滯、競爭網路、遷移保真度與崩解臨界面等形式工具。

本文進一步論證：高錨定強度不等於高真理度；一個錯誤命題可以因制度、語言、計算接口與認知成本而高度固化，一個真命題也可能因缺乏表徵能力與支持網路而無法成錨。因此，研究必然不能只問命題是否成立，而必須研究「哪些系統力量把它固定成必然」。在人工智能、科學革命、數學基礎、歷史敘事、政治制度與公共認知中，這一區分尤其重要。

關鍵詞： 虛擬模態錨、必然性、成錨、固化、解錨、遷移、遲滯、底空間、張力動力學、認知壓縮、模態競爭

一、從靜態必然轉向動態必然

若將必然表示為：

N(P\mid B,D,\Sigma,E,R,T,\mathcal I)

我們已經知道，命題 $P$ 的必然性依賴：

底空間 $B$ ；
判定域 $D$ ；
表徵系統 $\Sigma$ ；
主客體認識配置 $E$ ；
推理或生成規則 $R$ ；
允許變換集合 $T$ ；
不變量集合 $\mathcal I$ 。

然而，這仍是一個截面式描述。它告訴我們某一時刻的必然配置，卻沒有描述該配置如何形成。

真實系統中的必然性通常具有歷史。某命題可能先只是偶然觀察，之後變成重複規律，再成為模型前提，最後被壓縮為「不可能不是如此」。因此，必然性更完整的表示應包含時間與演化：

\mathfrak N_t(P) = \langle P,B_t,D_t,\Sigma_t,E_t,R_t,T_t,\mathcal I_t,\Theta_t \rangle

並考察：

\mathfrak N_t(P) \longrightarrow \mathfrak N_{t+1}(P)

本文的核心問題因此改寫為：

一個命題如何由可疑、可替換、可反駁的候選關係，演化成系統中難以移動的虛擬模態錨？

二、成錨不是發現，而是多重穩定化

傳統敘事容易把必然性的形成理解為：主體發現了一個原本就存在的必然真理。本文不否定某些結構可能獨立於主體而存在，但指出「被發現」與「取得錨定功能」是不同事件。

設命題 $P$ 在客體結構中為真：

\operatorname{Truth}_B(P)=1

這不保證 $P$ 已成為認知、科學、制度或計算系統中的錨點：

\operatorname{Truth}_B(P)=1 \not\Rightarrow \operatorname{Anchor}_S(P)=1

同樣，一個命題即使不真，也可能因大量系統支撐而成為高度穩定的錨：

\operatorname{Truth}_B(P)=0 \not\Rightarrow \operatorname{Anchor}_S(P)=0

因此，成錨不是單純的真值揭露，而是多重穩定化過程。它至少包含：

\text{重複成立} + \text{規則嵌入} + \text{表徵壓縮} + \text{依賴增殖} + \text{替代成本上升} + \text{反例被吸收或排除}

當這些力量共同作用時，命題才從普通判斷轉變為「不再需要每次重新判定」的錨點。

三、錨定狀態不應只是一個純量

前一篇以必然強度表示命題的整體穩定性，但若只使用單一數值，會掩蓋不同錨點的內部結構。本文改用錨定狀態向量：

\mathbf A_t(P) = \begin{bmatrix} q_t\\ r_t\\ i_t\\ c_t\\ d_t\\ k_t\\ h_t\\ x_t \end{bmatrix}

其中：

$q_t$ ：判定可靠度；
$r_t$ ：跨允許變換保存率；
$i_t$ ：核心不變量耦合度；
$c_t$ ：跨主體與跨接口一致性；
$d_t$ ：依賴中心度；
$k_t$ ：替代成本；
$h_t$ ：歷史固化與遲滯強度；
$x_t$ ：反例、衝突與外部擾動壓力。

錨點的綜合強度可寫成：

S_t(P) = \Phi\bigl( q_t,r_t,i_t,c_t,d_t,k_t,h_t,-x_t \bigr)

但本文強調， $S_t(P)$ 只是投影，不是錨點本身。兩個命題可能具有相近的綜合錨定強度，卻由完全不同的支持結構形成。

例如：

一個數學命題可能具有極高的推導可靠度與變換保存率，但制度依賴度較低；
一個政治信條可能推導可靠度低，卻具有極高的歷史遲滯、身份依附與替代成本；
一個機器學習模型中的規則可能真理度不明，但因整個資料處理管線依賴它而高度固化。

因此，研究必然錨點必須保留其向量結構。

四、虛擬模態錨的生命週期

本文提出八階段生命週期。各階段並非必然線性發生，也可能跳躍、倒退、分叉或循環。

4.1 前錨階段

命題 $P$ 尚未取得穩定地位，只是候選規律、猜想、直覺或偶發共現。

此時：

S_t(P)<\theta_{\mathrm{local}}

命題需要被反覆判定，不能直接作為其他推理的固定前提。

4.2 局部成錨

命題在有限底空間、有限任務或有限主體群中穩定成立：

S_t(P)\ge\theta_{\mathrm{local}}

例如某個程式模組中的不變條件、某個實驗設備下的穩定規律，或某一套公理內的定理。

4.3 結構固化

越來越多後續關係開始依賴 $P$ ：

|\operatorname{Dep}_t(P)| \uparrow

替代 $P$ 不再只是改寫單一命題，而會引發系統性重算：

\kappa_t(P) \uparrow

4.4 支配性錨定

命題不只在系統內穩定，還開始決定哪些問題可被提出、哪些反例可被承認、哪些表徵被視為有效。

此時錨點由「被規則支持」轉變為「參與規則生成」。

形式上：

P\in R_t

並且：

P\rightsquigarrow R_{t+1}

也就是 $P$ 不只受規則判定，也參與下一階段規則系統的形成。

4.5 遲滯維持

即使原始支持下降，命題仍因歷史依賴、制度成本、教育結構、語言慣性或軟體相容性而持續存在。

設成錨閾值為 $\theta_{\mathrm{on}}$ ，解錨閾值為 $\theta_{\mathrm{off}}$ ，通常可能有：

\theta_{\mathrm{off}}<\theta_{\mathrm{on}}

因此，一個命題要建立錨定地位，可能需要很強證據；但一旦成錨，即使支持下降到當初不足以成錨的程度，它仍不會立即失效。

這就是必然錨點的遲滯：

S_t(P)<\theta_{\mathrm{on}}

並不必然推出：

\operatorname{Anchor}_t(P)=0

4.6 解錨階段

當反例壓力、替代表徵、成本下降或元底空間升級持續累積時，錨點開始失去承重能力。

此時常見的現象不是立即崩潰，而是：

適用範圍縮小；
例外條款增加；
語義被重新限定；
原本的絕對命題被改寫為條件命題；
推理依賴逐步遷移至新錨點。

4.7 遷移階段

舊錨點可能不被完全否定，而是經由映射遷入新底空間：

\phi: (B_1,P_1) \longrightarrow (B_2,P_2)

若核心不變量得到保存，則舊必然可轉化為新理論中的局部極限、特殊情況或低階近似。

4.8 崩解階段

當錨點失去不變量耦合、依賴網路斷裂，或反例壓力越過臨界面時，系統不再能以低代價維持它。

可表示為：

\mathbf A_t(P) \in\mathcal C^{-}

其中 $\mathcal C^{-}$ 是崩解域。

崩解不一定意味命題完全為假。它也可能只表示：

P

不再具有「固定整個系統」的能力。

五、成錨閾值與臨界轉變

命題的錨定通常不是線性累積。許多系統會出現臨界轉變：在閾值之前，更多證據只造成局部信任；越過閾值後，命題突然成為預設前提。

設支持強度為：

U_t(P) = \alpha q_t+ \beta r_t+ \gamma i_t+ \delta c_t+ \varepsilon d_t+ \zeta k_t

設反向壓力為：

V_t(P) = \lambda x_t+ \mu a_t+ \nu m_t

其中：

$a_t$ ：替代錨點的競爭強度；
$m_t$ ：底空間或元框架變動強度。

則成錨勢可寫為：

\Delta_t(P)=U_t(P)-V_t(P)

當：

\Delta_t(P)>\theta_{\mathrm{on}}

命題進入成錨區。

但錨定轉換不必是平滑函數。可使用類似分岔模型描述：

\frac{da}{dt} = \eta a-a^3+\xi_t

其中 $a$ 表示錨定狀態， $\eta$ 為系統控制參數， $\xi_t$ 為擾動。當 $\eta$ 穿越臨界值後，系統可能由低錨定狀態跳入高錨定狀態。

此模型的哲學意義是：

一個命題不是因為又多了一個證據而機械地變成必然，而可能因整體支持網路越過臨界點，突然獲得「不再被重新審查」的地位。

六、依賴增殖：命題如何成為承重節點

錨點最重要的固化機制之一，是依賴增殖。

設整個知識、制度或計算系統為有向圖：

G_t=(V_t,E_t)

其中節點代表命題、規則、模型或操作，邊表示依賴關係。

對命題 $P$ ，可定義直接依賴度：

d_1(P)= |\{Q:(P,Q)\in E_t\}|

以及遞歸依賴度：

d_*(P) = \sum_{Q\in\operatorname{Reach}(P)}w(P,Q)

其中 $w(P,Q)$ 反映依賴深度與重要性。

當 $d_*(P)$ 上升時，移除 $P$ 所造成的影響不再局限於附近節點，而會向全局傳播。此時：

\kappa(P) \propto \operatorname{Cascade}(P)

其中 $\operatorname{Cascade}(P)$ 是錨點被移除後的重算級聯。

這說明了為何某些命題即使已出現反例，仍會被長期維持：不是因為反例不存在，而是因為整個系統已經把它當成承重基礎。

七、認知壓縮與「理所當然」的生成

必然錨點不只在形式系統中生成，也在認知系統中生成。

主體面對龐大可能空間：

\Omega

若每次行動都重新計算所有分支，認知成本將不可承受。因此，主體會將高頻穩定關係壓縮為預設：

C(\Omega) \longrightarrow \widehat{\Omega}_P

其中 $\widehat{\Omega}_P$ 是以錨點 $P$ 壓縮後的可操作空間。

認知錨點的價值不只在於真，而在於降低：

\operatorname{Cost}_{\mathrm{search}} + \operatorname{Cost}_{\mathrm{decision}} + \operatorname{Cost}_{\mathrm{coordination}}

當一個命題反覆減少這些成本，它會逐漸成為「理所當然」。

因此，日常語言中的必然感可能由以下因素共同生成：

\text{重複經驗} + \text{低反例可見性} + \text{高決策效用} + \text{群體共享} + \text{語言省略}

這種成錨機制對生存與協作非常重要，但也會製造偏誤。因為：

\text{可用性高} \neq \text{本體真理度高}

八、錨點競爭：不是只有真命題與假命題

同一系統中可能存在多個候選錨點：

P_1,P_2,\ldots,P_n

它們不只競爭真值判定，也競爭：

有限注意力；
表徵簡潔性；
推理兼容性；
制度採用；
計算資源；
身份與價值依附；
對既有依賴網路的相容程度。

可建立錨點競爭矩陣：

M_{ij} = \operatorname{Compat}(P_i,P_j) - \operatorname{Conflict}(P_i,P_j)

若：

M_{ij}<0

則 $P_i$ 與 $P_j$ 彼此排斥。

若：

M_{ij}>0

則兩者可以形成錨點聯盟。

必然性因此可能不是單一命題的屬性，而是錨點聯盟的集體效應：

\mathcal A = \{P_1,P_2,\ldots,P_k\}

並且：

\operatorname{Anchor}(\mathcal A) > \sum_{i=1}^{k} \operatorname{Anchor}(P_i)

亦即，命題群彼此支撐後，可能產生超加性的固化效果。

這也意味著推翻一個支配性必然錨點，通常不能只提供單一反例，而需要建立可承擔原有功能的新錨點聯盟。

九、錨點遲滯：必然為何不隨證據立即更新

理想化理性模型常假設：證據改變，信念就應立即改變。但錨點具有歷史與承重結構，因此存在遲滯。

設外部支持強度為 $e_t$ ，錨定狀態為 $a_t$ 。若系統無遲滯，則：

a_t=f(e_t)

但具有遲滯時：

a_t=f(e_t,a_{t-1},H_t)

其中 $H_t$ 是歷史路徑。

因此，同樣的當前證據 $e_t$ ，可能因過去路徑不同而產生不同錨定狀態：

e_t^{(1)}=e_t^{(2)}

但：

a_t^{(1)}\neq a_t^{(2)}

遲滯來源包括：

已建立的大量依賴；
表徵與教育慣性；
資料格式與基礎設施鎖定；
身份與利益耦合；
對替代理論的不確定性；
重建整體系統的高成本。

因此，錯誤必然的消失通常落後於反例出現；新必然的建立也通常落後於新結構首次被發現。

十、跨底空間遷移與保真度

一個必然錨點由底空間 $B_1$ 遷移至 $B_2$ 時，不應只問命題文字是否相同，而應問核心結構是否保存。

設遷移映射：

\phi: (B_1,P_1,\mathcal I_1) \longrightarrow (B_2,P_2,\mathcal I_2)

定義遷移保真度：

F_{\mathrm{mig}}(\phi) = w_1F_P +w_2F_I +w_3F_R +w_4F_E +w_5F_T

其中：

$F_P$ ：命題關係保存度；
$F_I$ ：核心不變量保存度；
$F_R$ ：推理角色保存度；
$F_E$ ：認識接口保存度；
$F_T$ ：允許變換下的穩定保存度。

若：

F_{\mathrm{mig}}(\phi)\approx1

則可視為高保真遷移。

若命題文字相同但角色與不變量不再相同，則只是表面搬運：

F_P\approx1, \qquad F_I,F_R\ll1

反之，文字完全改變但核心結構保存，仍可能是深層遷移：

F_P\ll1, \qquad F_I,F_R\approx1

這一區分對翻譯、跨學科建模、數學類比、理論超譯與 AI 表徵轉換尤其重要。

十一、錨點崩解的五種主要模式

11.1 反例穿透型崩解

反例不再能被視為雜訊、例外或測量錯誤，而直接破壞核心判定：

\exists x\in D: \neg P(x)

且 $x$ 無法被排除出判定域。

11.2 不變量斷裂型崩解

原錨點依賴的不變量不再被保存：

\tau(I)\neq I

此時即使命題表面仍成立，其原本的必然理由已經消失。

11.3 替代成本坍縮型崩解

新理論、工具或表徵使替代舊錨點的成本快速下降：

\kappa_{\mathrm{old}}(P) \downarrow

錨點因此失去制度與實作上的保護。

11.4 依賴網路遷移型崩解

後續節點逐步改依賴新錨點：

\operatorname{Dep}_t(P_{\mathrm{old}}) \downarrow

同時：

\operatorname{Dep}_t(P_{\mathrm{new}}) \uparrow

舊錨點可能仍被保留，但已不再承重。

11.5 元底空間重構型崩解

新框架改變何者被視為對象、問題、證據與有效變換。舊錨點並非在原問題中被駁倒，而是原問題本身被重新切分。

此時：

B_1 \not\cong B_2

因此舊必然可能被降格為局部、近似或歷史性必然。

十二、必然崩解不等於真理崩解

必須嚴格區分：

\text{錨點失效}

與：

\text{命題變假}

一個命題可能仍然為真，但已不再適合作為系統的核心錨點。例如，某種低速近似仍可在局部條件中正確使用，但不再具有普遍物理學的最高承重地位。

反之，一個命題可能已被證明不真，卻因制度與認知遲滯繼續發揮錨點功能。

因此需要四分：

\begin{array}{c|c|c} & \text{高錨定} & \text{低錨定}\\ \hline \text{真} & \text{真且成錨} & \text{真但未成錨}\\ \text{假} & \text{假但固化} & \text{假且失錨} \end{array}

這個矩陣是科學史、政治史、宗教史、法律史、軟體史與人工智能知識更新中不可忽略的結構。

十三、 $1+1=2$ 的動力學重解

在標準自然數算術中：

1+1=2

並不只是一次被證明後就「天然固定」。它之所以成為跨文化、高穩定的模態錨，還因為它在大量底空間中承擔了共同功能：

離散計數；
物件分離；
交換與合併；
工程測量；
程式索引；
交易與記帳；
教育與語言協調。

這些應用形成龐大依賴網路：

\operatorname{Dep}(1+1=2) \gg0

同時，在自然數標準語義與相容變換下，其不變量保存率極高：

\rho(1+1=2\mid\mathbb N,T_{\mathrm{std}}) =1

因此，它不只是一個形式定理，也是多層張力底空間中的高穩定承重錨。

但當 $+$ 、 $1$ 、 $2$ 或等號的語義改變時，命題可能遷移而非單純失效。例如模二算術中的：

1+1\equiv0\pmod2

不是對原命題的直接反駁，而是進入另一底空間後形成的新錨點。

故更完整的說法不是：

1+1=2

「有時真、有時假」，而是：

不同操作語義與不變量配置會生成不同的局部必然錨；標準算術中的 $1+1=2$ 因跨場域高度穩定而具有特別強的錨定地位，但其錨定地位仍是索引化的，而不是無索引的符號神諭。

十四、AI 系統中的必然錨點生成

人工智能系統會形成多種非同質錨點：

14.1 語料錨點

某種表述因高頻出現而被模型視為預設關係：

P_{\mathrm{corpus}}(B\mid A)\approx1

但這可能只是語料分布，不是現實因果。

14.2 工具錨點

某 API、資料格式或函式接口因大量流程依賴而成為實作必然。

14.3 對齊錨點

安全規則、權限邊界與回應模式被寫入系統後，會限制模型的可行輸出空間。

14.4 記憶錨點

長期記憶中的使用者偏好、專案公理或先前決策，會壓縮後續推理空間。

14.5 自生成錨點

智能體在長期行動中可能自行建立可重用的不變條件、計畫原則與身份連續性規則。

這些錨點若未標示來源，模型容易把：

\text{高頻} , \text{高權限} , \text{高依賴} , \text{高真理度}

混為一體。

因此，AI 應為每個強錨點保存來源標籤：

L(P) \in \{ \text{形式}, \text{實證}, \text{工具}, \text{政策}, \text{記憶}, \text{語料}, \text{暫定} \}

並保存其崩解條件與更新路徑。

十五、錨點治理：不是無限懷疑，而是可逆穩定

若一切錨點都被持續懷疑，系統將失去可操作性；若所有錨點都不可修改，系統將失去學習能力。

因此，良好的認知、科學與 AI 系統不應追求「無錨」，而應追求：

\boxed{ \text{可追溯、可分級、可遷移、可解錨的穩定性} }

本文提出五項錨點治理原則。

15.1 來源可追溯

每個高強度錨點應能回答：它因何成錨？

15.2 適用域顯式化

應標示：

D(P)

而非將局部必然偽裝為無條件必然。

15.3 崩解條件預註冊

對每個錨點保存：

\mathcal B(P) = \{ \text{可能使其失錨的條件} \}

15.4 替代路徑預留

系統應允許依賴網路逐步遷移，而非只能在完全維持與全面崩潰之間二選一。

15.5 錨定強度與真理置信分離

分別記錄：

S_{\mathrm{anchor}}(P)

以及：

C_{\mathrm{truth}}(P)

避免把「很難改」誤寫成「一定真」。

十六、基本命題

命題一：成錨非真值充分命題

命題為真不足以保證其成為錨點：

\operatorname{Truth}(P)=1 \not\Rightarrow S_{\mathrm{anchor}}(P)\ge\theta

命題二：固化非真理保證命題

命題具有高錨定強度，不足以保證其為真：

S_{\mathrm{anchor}}(P)\ge\theta \not\Rightarrow \operatorname{Truth}(P)=1

命題三：依賴增殖命題

在其他條件相近時，依賴網路越廣，錨點替代成本越高：

d_*(P)\uparrow \Rightarrow \kappa(P)\uparrow

命題四：遲滯非對稱命題

成錨閾值與解錨閾值一般不相同：

\theta_{\mathrm{on}} \neq \theta_{\mathrm{off}}

並常見：

\theta_{\mathrm{off}} < \theta_{\mathrm{on}}

命題五：遷移保真命題

文字同一不足以保證錨點同一；核心不變量與推理角色的保存比表面符號保存更重要。

命題六：崩解非否真命題

錨點崩解不必然表示命題變假：

\neg\operatorname{Anchor}(P) \not\Rightarrow \neg\operatorname{Truth}(P)

命題七：替代聯盟命題

支配性錨點通常無法由單一反例穩定取代，而需要具有相當承重能力的替代錨點聯盟。

命題八：元底空間降格命題

當元底空間升級時，舊有絕對必然通常不會完全消失，而會被重新定位為局部必然、極限必然、近似必然或歷史必然。

十七、可檢驗研究方向

本文雖屬理論建模，但可轉化為具體研究程序。

17.1 科學理論錨點圖

將科學理論、定律、測量規範與推導依賴建成圖，計算節點移除造成的級聯影響。

17.2 軟體與基礎設施鎖定分析

研究某個 API、檔案格式、作業系統接口或資料庫假設如何由便利工具變成實作必然。

17.3 AI 錨點來源追蹤

為模型生成的強判斷標記其來源，區分語料高頻、工具規則、外部證據與形式推導。

17.4 歷史敘事解錨實驗

把被描述為「必然發生」的歷史事件重新展開其被排除、未觀測或事後壓縮的分支。

17.5 跨語言模態遷移

測量同一必然命題在不同語言、量詞順序與主客體配置下的結構保存率。

17.6 錨定遲滯測量

比較新證據出現後，個人、組織、學科與 AI 系統更新核心前提所需的時間與成本。

十八、理論限制

本文仍有以下限制：

錨定狀態向量中的各維度尚未建立跨領域通用測量標準；
成錨閾值可能依系統而異，無法假定單一普遍常數；
認知壓縮、制度固化與客體結構穩定仍需要更精細的分層模型；
錨點競爭矩陣可能是非對稱、時變與高階超圖，而非普通成對矩陣；
遷移保真度中的權重依研究目的而異；
某些抽象底空間沒有自然測度，保存率不能直接以頻率定義；
本文提出的動力方程目前主要作為理論骨架，而非已完成實證校準的自然定律。

十九、下一步推進

本系列下一階段可沿兩條路徑繼續。

第一條是「錨點圖論」：將命題、規則、不變量與底空間建立為多層超圖，研究承重中心、級聯崩解與替代聯盟。

第二條是「模態錨治理」：研究科學、AI 與制度系統如何在可操作穩定與可修正性之間取得平衡。

本文判斷，下一篇最適合優先推進的是錨點圖論，因為它能把目前的概念動力學轉化為可計算結構，並為後續 AI 實作與實證研究建立橋梁。

二十、結論

必然不是命題一經成立後便永遠靜止的標籤。它是一個生成、累積、固化、競爭、遷移、遲滯與崩解的動態關係。

本文提出：

\boxed{ \text{必然錨點} = \text{命題在多重支持、依賴與不變量網路中取得的穩定承重地位} }

這一地位可能與真理一致，也可能偏離真理；可能由形式推導形成，也可能由認知壓縮、制度採用、技術鎖定或歷史路徑共同固化。

因此，面對任何被稱為「必然」的命題，都應追加四個問題：

它最初如何成錨？
哪些依賴與不變量正在支撐它？
它在何種條件下可以遷移或解錨？
它的高穩定性究竟來自真理、結構，還是歷史與成本？

最終，本文將必然性由靜態模態詞轉化為動態結構：

\boxed{ \mathfrak N_t(P) \longrightarrow \mathfrak N_{t+1}(P) }

而所謂「不可避免」，往往不是世界從一開始就拒絕所有其他可能，而是某個命題在演化中吸收了足夠多的規則、依賴、不變量與認知成本，最終成為當下系統最難被移動的錨。

必然不是靜止在真理頂端的王座，而是被多重關係長期拉緊後，暫時承住整個世界模型的節點。

附錄 A：核心形式總覽

動態必然項：

\mathfrak N_t(P) = \langle P,B_t,D_t,\Sigma_t,E_t,R_t,T_t,\mathcal I_t,\Theta_t \rangle

錨定狀態向量：

\mathbf A_t(P) = \begin{bmatrix} q_t&r_t&i_t&c_t&d_t&k_t&h_t&x_t \end{bmatrix}^{\mathsf T}

綜合錨定強度：

S_t(P) = \Phi(q_t,r_t,i_t,c_t,d_t,k_t,h_t,-x_t)

成錨勢：

\Delta_t(P) = U_t(P)-V_t(P)

成錨條件：

\Delta_t(P)>\theta_{\mathrm{on}}

遲滯條件：

\theta_{\mathrm{off}} < \theta_{\mathrm{on}}

遷移映射：

\phi: (B_1,P_1,\mathcal I_1) \longrightarrow (B_2,P_2,\mathcal I_2)

遷移保真度：

F_{\mathrm{mig}}(\phi) = \sum_{j=1}^{5}w_jF_j

核心分離：

\text{真理度} \neq \text{錨定強度} \neq \text{制度固化度} \neq \text{因果生成力}

核心結論：

\boxed{ \text{虛擬模態錨具有生命週期，而不是永恆靜態屬性} }

虛擬模態錨的生成動力學_必然性的成錨固化遷移競爭與崩解