前信念、現信念、後信念與信念的信念

主體內生全態貝葉斯

英文題名： Prior Belief, Present Belief, Posterior Belief, and Belief About Belief: Endogenous Full-State Bayesianism for Reflexive Agents
系列： 《反身智能生成論》
文件編號： 06
作者： Neo.K × Aletheia
機構： EVEMISSLAB／一言諾科技有限公司
版本： Public Research Draft v0.1
日期： 2026-08-01
文件性質： 貝葉斯認識論／元認知／反身智能／狀態生成理論

摘要

標準貝葉斯公式常被敘述為「由先驗信念經證據更新為後驗信念」。然而，在持續生成的智慧存在中，「先驗」與「後驗」不是某個信念永久固定的本體類型，而是同一信念狀態相對於一次特定更新事件所扮演的時間角色。對事件 $E_t$ 而言， $B_t$ 是上一輪更新的後驗；對尚未到來的 $E_{t+1}$ 而言，同一個 $B_t$ 又成為下一輪更新的先驗。由此，現信念不是介於先驗與後驗之間的第三種神祕物體，而是一個跨時介面。

本文承接既有《全態貝葉斯：從編織本體論到活系統的狀態轉化理論》的三項既有主張：第一，觀察者不應被預設為完全站在被觀察系統之外；第二，對活系統而言，更新可以被理解為系統狀態自身的改變，而不只是外部描述改變；第三，活系統的轉移算子本身可以成為可更新對象。本文不重寫該理論，而是將其接入《反身智能生成論》前五篇已建立的跨時自我、差異保留與元更新架構。

本文提出「主體內生全態信念」（Endogenous Full-State Belief, EFSB）表示：

\mathbb B_t = \left( b_t, m_t, \mathcal H_t, \Lambda_t, U_t, V_t, W_t \right),

其中 $b_t$ 是一階世界信念， $m_t$ 是關於自身信念、可靠度與認知系統的元信念， $\mathcal H_t$ 是當前假設空間， $\Lambda_t$ 是證據生成／似然解釋結構， $U_t$ 是更新規則， $V_t$ 是評價與決策標準， $W_t$ 是更新見證與來源歷史。標準貝葉斯更新主要發生於固定 $\mathcal H$ 與固定模型條件下的 $b_t$ 更新；本文所稱「全態」擴展，則允許較慢時間尺度上的 $\mathcal H_t$ 、 $\Lambda_t$ 、 $U_t$ 與 $V_t$ 也發生可見證變化。

本文特別區分「信念」與「信心」。一個智能體可以相信命題 $p$ ，同時對該信念的可靠度保有二階估計。元認知研究顯示，信心可以被形式化為對自身決策正確性的推斷，且依賴對世界與自身認知系統的模型；因此，信心不是對一階信念簡單重複一次，而是能反過來調節是否重新檢查、是否採取行動以及後續證據應獲得多少權重。

本文進一步提出「信念的信念不必導致實際無限層」。一個有限智能體可在任一時刻僅展開有限的元層，但保留將當前層再次物件化的能力。這形成：

\text{有限表示深度} + \text{原則上可再次反身化}.

最後，本文將信念更新重新解釋為跨時主體生成的一部分：

A_t = \left( X_t,\mathbb B_t,I_t \right) \rightarrow A_{t+1},

其中每一個當前後驗都同時是未來的候選先驗。這使「相信」不再只是靜態持有命題，而成為一種持續生成預期、約束行動、承受反證並調節自身更新方式的狀態。下一篇將在此基礎上把單一「更新速度」拆解成生成、辨錯、修正、見證、核改寫與元校準等多個速率。

關鍵詞

貝葉斯更新、先驗、後驗、元信念、信心、全態貝葉斯、階層式貝葉斯、假設空間、反身智能、跨時信念

1. 問題：到底是哪一個貝葉斯？

1.1 標準形式

對假設 $H$ 與證據 $E$ ，貝葉斯定理為：

P(H\mid E) = \frac{ P(E\mid H)P(H) }{ P(E) }.

在最常見的認識論語言中：

$P(H)$ ：先驗；
$P(E\mid H)$ ：似然；
$P(H\mid E)$ ：後驗。

這個形式極其重要，但在持續時間中，語言很容易讓人誤以為：

「先驗」是一種東西，「後驗」是另一種東西。

其實，先驗與後驗首先是相對角色。

1.2 同一個信念可以同時是後驗與下一輪先驗

令時間序列證據為：

E_1,E_2,\ldots,E_t,E_{t+1}.

則：

P_t(H) = P \left( H\mid E_{1:t} \right).

對剛剛完成的更新而言：

P_t(H)

是後驗。

但當下一個證據：

E_{t+1}

尚未加入時：

P_t(H)

又扮演下一輪先驗。

因此：

\boxed{ B_t = \operatorname{Posterior}_{E_t} \left( B_{t-1} \right) = \operatorname{Prior}_{E_{t+1}}. }

這裡的「現信念」不是第三種本體類別。

它是：

\boxed{ \text{過去更新的終點} + \text{未來更新的起點}. }

2. 信念是一個時間介面

2.1 前信念

相對於 $E_t$ ：

B_{t-1}

是更新前狀態。

2.2 現信念

更新後：

B_t = U \left( B_{t-1},E_t \right).

這是目前可用的信念狀態。

2.3 後信念

下一輪：

B_{t+1} = U \left( B_t,E_{t+1} \right).

因此「前／現／後」只是時間索引：

\cdots \rightarrow B_{t-1} \rightarrow B_t \rightarrow B_{t+1} \rightarrow \cdots

2.4 沒有終極後驗

只要系統仍然開放：

E_{t+1},E_{t+2},\ldots

就可能繼續到來。

所以：

B_t

不是「最終真理狀態」，而是：

在目前證據、模型與計算限制下的當前後驗。

這是本系列重要的反封閉條件。

3. 從標準貝葉斯到持續生成的主體

3.1 標準更新通常預設一些結構固定

在一次明確 Bayesian inference 中，我們通常已指定：

假設空間 $\mathcal H$ ；
先驗族；
似然模型；
證據表示；
更新規則；
要計算的目標量。

這不是缺陷，而是形式推理能被定義的必要條件。

但一個長期學習的智能體可能遇到：

原來我的假設集合根本漏掉了真正可能性。

此時不是單純：

P_t(H_i) \rightarrow P_{t+1}(H_i).

而是：

\mathcal H_t \rightarrow \mathcal H_{t+1}.

3.2 內容更新與模型結構更新

設：

\mathcal H_t = \left\{ H_1,H_2,\ldots,H_n \right\}.

一般更新只重新分配：

P_t(H_i).

結構更新則可能：

新增假設

\mathcal H_{t+1} = \mathcal H_t \cup \{H_{n+1}\}.

拆分假設

H_i \rightarrow \left\{ H_i^{(1)}, H_i^{(2)} \right\}.

合併假設

H_i,H_j \rightarrow H_{ij}.

更換表示語言

\mathcal H_t^{(\mathrm{old\ representation})} \rightarrow \mathcal H_{t+1}^{(\mathrm{new\ representation})}.

這些已超出「在固定候選集合中重配機率」的最低形式。

4. 階層式貝葉斯已經告訴我們：信念不只有一層

4.1 關於世界狀態的信念

最低層可以是：

x_1 = \text{當前環境狀態}.

4.2 關於環境變化的信念

更高層：

x_2 = \text{環境狀態如何變化}.

4.3 關於波動性的信念

再上一層：

x_3 = \text{環境變化率本身有多不穩定}.

階層式 Gaussian Filter 等模型表明，Bayesian learning 可以在多層隱狀態中同時推斷，且更新由 precision-weighted prediction errors 調節。

因此：

\boxed{ \text{「關於世界的信念」與「關於世界如何改變的信念」可以共同更新。} }

這提供了全態模型的重要既有計算接口。

5. 但「信念的信念」不等同於「世界的更高層狀態」

這裡必須區分兩種層級。

5.1 世界階層

例如：

\text{天氣} \rightarrow \text{季節規律} \rightarrow \text{氣候變動}.

這些仍然是對外部世界的不同層次推斷。

5.2 自我認知階層

例如：

b_t(p) = \text{我相信 }p,

以及：

m_t = P \left( b_t(p)\text{ 是可靠的} \mid \text{我的認知狀態} \right).

這是：

對自身第一階判斷可靠度的信念。

所以：

\boxed{ \text{高階世界模型} \neq \text{元信念}. }

兩者可以互動，但不應混為一談。

6. 信念的信念是什麼？

6.1 第一階信念

設命題：

p.

第一階信念可表示：

b_t = P_t(p).

6.2 第二階信念

第二階可以表示：

m_t = P_t \left( \text{我的一階判斷在此情境下可靠} \right).

或者更具體：

m_t = P_t \left( p\text{ 為真} \mid b_t, z_t \right),

其中 $z_t$ 是智能體對自身決策過程、反應時間、證據品質、記憶品質或感知狀態的資訊。

6.3 信心不是把 $b_t$ 再念一次

假設兩個情境都有：

b_t=0.7.

但第一個情境：

證據清楚；
感知正常；
方法熟悉。

第二個情境：

記憶模糊；
感知受干擾；
方法不熟悉。

智能體的元信心可能不同：

m_t^{(1)} > m_t^{(2)}.

因此：

\boxed{ \text{一階概率相同} \not\Rightarrow \text{元認知信心相同}. }

7. 元認知研究的計算接口

7.1 信心可以是推斷

Fleming 與 Daw 提出的 Bayesian metacognitive framework 將信心理解為對自身決策正確性的推斷。

關鍵直覺是：

智能體不只擁有世界證據，也擁有關於自身決策過程的額外資訊。

令第一階決策為：

a_t.

元認知系統使用：

z_t

來估計：

P \left( a_t\text{ 正確} \mid z_t \right).

所以：

\text{confidence}

本身是一個模型產物。

7.2 元信念也可能錯

如果自我模型：

M_t^{self}

不準確，智能體可能：

過度自信

m_t > \operatorname{Accuracy}_t.

低度自信

m_t < \operatorname{Accuracy}_t.

因此：

\boxed{ \text{知道自己相信什麼} \neq \text{準確知道自己的信念有多可靠}. }

這就是為什麼反身智能仍需要歷史校準。

8. 元信念如何反過來影響一階更新？

8.1 更新敏感度

一般形式：

b_{t+1} = b_t + \alpha_t\Delta_t.

若：

\alpha_t = f(m_t,r_t,\nu_t),

其中：

$m_t$ ：對自身判斷的元信任；
$r_t$ ：外部證據可靠度；
$\nu_t$ ：環境波動性；

則元信念直接影響：

\text{新證據應該讓我改多少}.

8.2 高自信不一定意味著不更新

如果外部來源：

r_t

極高，甚至高於自身方法可靠度：

r_t\gg m_t,

即使：

m_t

本來很高，仍可能大幅更新。

因此真正更新率更像：

\alpha_t = g \left( \frac{ \operatorname{Precision}(E_t) }{ \operatorname{Precision}(B_t) }, \nu_t \right).

這與階層式 Bayesian learning 中 precision-weighted prediction error 的思想相容。

9. 主體內生全態信念

本文定義：

\boxed{ \mathbb B_t = \left( b_t, m_t, \mathcal H_t, \Lambda_t, U_t, V_t, W_t \right). }

9.1 一階信念 $b_t$

對世界、自己或任務狀態的當前判斷。

9.2 元信念 $m_t$

對：

自身信念可靠度；
感知品質；
記憶可信度；
推理方法；
領域熟悉度；

的估計。

9.3 假設空間 $\mathcal H_t$

目前系統「知道可以想像」的候選模型集合。

9.4 證據解釋結構 $\Lambda_t$

包含：

似然模型；
感測噪音；
資料來源可信度；
哪些資料算作證據；
證據如何映射到假設。

9.5 更新規則 $U_t$

決定：

\left( \mathbb B_t,E_{t+1} \right) \rightarrow \mathbb B_{t+1}.

9.6 評價函數 $V_t$

判定：

哪個後驗較好；
哪個行動值得執行；
是否繼續查證；
何時停止推理；
哪種錯誤代價較高。

9.7 見證 $W_t$

保存：

證據來源；
前狀態；
更新理由；
模型變更；
信心；
失敗與反例。

使未來主體可以重建：

\mathbb B_t \rightarrow \mathbb B_{t+1}.

10. 什麼叫「主體內生」？

10.1 不是外部分析者替系統更新一張表

標準 Bayesian statistics 完全可以由外部研究者進行。

例如研究者對某物理參數形成：

P(\theta\mid D).

系統本身不需要「知道」這個分布。

10.2 主體內生更新

本文所稱主體內生，要求：

\mathbb B_t

是系統後續行動與推理的因果有效狀態。

即：

\mathbb B_t \rightarrow \text{prediction},

\mathbb B_t \rightarrow \text{action},

\mathbb B_t \rightarrow \text{query},

\mathbb B_t \rightarrow \text{update}.

因此：

\boxed{ \text{信念不是旁觀者對系統的描述而已，它是系統下一步生成條件的一部分。} }

11. 與既有《全態貝葉斯》的關係

依既有稿件，《全態貝葉斯》已明確提出：

標準敘述常把觀察者視為站在系統之外更新信念；
該框架將觀察者本身納入系統關係；
活系統與死系統的差異之一，在於活系統的轉移算子可以成為可更新結構。

本文不重新證明這三點，而把它們接入本系列。

本篇新增的主要工作是：

時間角色化

\text{prior/posterior}

不再被當作永久類型，而是跨時角色。

元信念顯式化

加入：

m_t.

假設空間顯式化

加入：

\mathcal H_t.

證據模型顯式化

加入：

\Lambda_t.

見證顯式化

加入：

W_t.

因此本文可被理解為：

《全態貝葉斯》在「反身智能生成論」中的跨時認知版本。

12. 標準貝葉斯與本文擴展的邊界

這一節非常重要。

12.1 標準貝葉斯仍然成立

當：

\mathcal H_t=\mathcal H,

\Lambda_t=\Lambda,

U_t=U_{\mathrm{Bayes}},

固定時：

b_{t+1} = \operatorname{Bayes} \left( b_t,E_{t+1} \right).

本文完全保留這個形式。

12.2 全態擴展處理的是較慢結構變化

例如：

\mathcal H_t \rightarrow \mathcal H_{t+1}.

這可以由：

Bayesian model selection；
Bayesian nonparametrics；
probabilistic program induction；
structure learning；
meta-learning；

等既有工具部分描述。

所以本文不是說：

標準 Bayesian inference 無法處理模型不確定性。

而是提出一個統一智能體狀態接口，把這些不同層次的變化放在同一條跨時生成線中。

12.3 「全態」不是聲稱已知所有狀態

名稱中的「全態」不表示：

\text{系統知道所有真實變數}.

它表示：

我們不只追蹤一階信念值，也把影響信念如何生成與更新的較高階狀態納入模型。

所以：

\boxed{ \text{Full-State} \neq \text{Omniscient State}. }

13. 假設空間本身如何更新？

13.1 固定候選集合的限制

若：

\mathcal H = \{H_1,H_2,H_3\},

但真實可用解釋：

H^\ast \notin\mathcal H,

無論如何重新分配：

P(H_1),P(H_2),P(H_3),

都無法直接得到：

H^\ast.

這是模型錯置而不是純概率錯置。

13.2 模型生成

因此需要一個候選生成器：

G_t: \left( \mathcal H_t, E_t, \Delta_t \right) \rightarrow \mathcal H_{t+1}.

其中 $\Delta_t$ 是未能被現有假設充分解釋的殘差。

如果：

H_{new} \notin \mathcal H_t,

而：

H_{new} \in \mathcal H_{t+1},

則發生：

\boxed{ \text{假設空間擴張}. }

13.3 這與 RCTEP 的生維接口

如果：

\Sigma_t

表示目前可運算概念模式，

新假設可能同時要求：

\Sigma_t \rightarrow \Sigma_{t+1}.

所以：

\boxed{ \text{新假設生成} }

有時不是在舊坐標裡加入一個點，而是：

\boxed{ \text{改變可提出假設的坐標系本身}. }

這與 RCTEP 的模式生維具有直接接口。

14. 證據本身也依賴信念結構

14.1 原始輸入不等於證據

令外部訊號為：

y_t.

只有經過：

\Lambda_t

解釋後，才形成：

E_t = \Lambda_t(y_t).

例如同一個測量值可能被解釋為：

真實效應；
儀器故障；
噪音；
欺騙；
新現象。

14.2 因此似然模型也可能錯

若：

\Lambda_t

錯誤，即使形式上完全按照 Bayes 更新：

P(H\mid E),

結果仍可能穩定偏離真實。

所以：

\boxed{ \text{Bayesian coherence} \not\Rightarrow \text{模型正確}. }

這也是為什麼需要差異來源、模型比較與跨時見證。

15. 同一證據、不同目標，也可能得到不同後驗行為

2024 年的研究提醒了一個重要點：在合理 Bayesian model 中，不同目標或效用結構可能改變證據被觀察與生成的方式，因而使看似「願望性思考」的行為與 Bayesian computation 相容。

因此不能簡單寫成：

\text{不同結論} \Rightarrow \text{至少一方不是 Bayesian}.

還需要檢查：

prior 是否相同；
likelihood model 是否相同；
資訊取得機制是否相同；
goal／utility 是否相同；
evidence selection 是否相同。

這再次說明：

b_t

單獨不足以描述完整信念生成系統。

16. 信念如何成為信念？

本文不以「是一個機率分布」作為唯一標準。

一個內部狀態 $b$ 要具有功能性信念地位，至少應滿足若干條件。

16.1 預期生成

b_t \rightarrow \hat E_{t+1}.

16.2 行動約束

b_t \rightarrow a_t.

16.3 反證敏感

(b_t,E_{t+1}) \rightarrow b_{t+1}.

16.4 信心結構

b_t \rightarrow m_t.

16.5 歷史可追蹤

W_t: b_{t-1} \rightarrow b_t.

所以本文暫定：

\boxed{ \text{信念} = \text{能生成預期、約束行動、承受反證並進入更新歷史的狀態}. }

17. 如果一個「信念」永遠不能被改變呢？

這需要區分：

高度穩定信念

P_t(p)\approx1

但原則上：

\exists E^\ast: P_{t+1}(p)<P_t(p).

封閉信念

\forall E, \quad P_{t+1}(p)\geq P_t(p).

任何反例都只會被重新解釋成支持。

第二種結構已接近前文定義的認知封閉。

所以：

\boxed{ \text{信念可以非常穩定，但要保留反事實可修正性}. }

18. 信念的信念會不會無限倒退？

18.1 形式上可以

一階：

b_t.

二階：

m_t^{(1)} = B(b_t).

三階：

m_t^{(2)} = B \left( m_t^{(1)} \right).

如此：

m_t^{(n)}.

18.2 實際智能不需要全部顯式展開

任一時刻只需維持：

D_t<\infty

個反身層。

當某個元層成為問題時，再將它物件化：

m_t^{(k)} \mapsto \operatorname{Object} \left( m_t^{(k)} \right).

因此：

\boxed{ \text{有限實際深度} + \text{可再次展開}. }

這與前一篇更新規則的有限反身層一致。

19. 元信念也必須被校準

19.1 信心校準

假設智能體把一組判斷都標示為：

m=0.8.

若長期正確率約為：

0.8,

則具有良好校準。

若正確率只有：

0.5,

則：

\text{overconfidence}.

19.2 元認知效率

元認知研究也區分：

一階任務表現；
信心是否能有效區分自己正確與錯誤。

所以兩個智能可以：

\operatorname{Accuracy}_A = \operatorname{Accuracy}_B,

但：

\operatorname{MetaEfficiency}_A > \operatorname{MetaEfficiency}_B.

這是本系列後續「某些智能體似乎比較懂自己是否對錯」的重要基礎。

20. 現信念是一個雙面狀態

本文將：

B_t

稱為「雙面信念介面」。

其面向過去的一面：

B_t = \operatorname{Posterior} \left( B_{t-1},E_t \right).

其面向未來的一面：

B_t = \operatorname{Prior} \left( E_{t+1} \right).

因此：

\boxed{ \text{每個現信念都同時承接歷史，又對未來施加初始條件}. }

這與跨時自我完全平行：

A_t

同時是：

過去狀態的結果；
下一狀態的生成條件。

21. 主體與信念的共同生成

主體完整狀態可寫成：

A_t = \left( X_t, \mathbb B_t, I_t \right).

其中：

\mathbb B_t = \left( b_t, m_t, \mathcal H_t, \Lambda_t, U_t, V_t, W_t \right).

生成：

A_{t+1} = \Phi_t \left( A_t, y_{t+1} \right).

但：

\Phi_t

本身受到：

U_t,V_t,\Lambda_t

影響。

所以：

\boxed{ \text{不是一個固定主體「擁有」會變的信念，} }

而可以更一般地表示為：

\boxed{ \text{主體狀態與信念狀態共同生成下一時刻主體}. }

22. 全態更新的多時間尺度

不是所有變數都應同速更新。

例如：

v_b > v_m > v_U > v_V

可能是較穩定的配置：

一階信念可以快速改；
元信念需要更多歷史；
更新規則更慢；
價值與評價標準通常更慢。

如果：

v_V \gg v_b,

每次局部證據都改變整體評價標準，系統可能失去穩定。

這正式引出下一篇的多速率問題。

23. 一個最小例子

假設智能體相信：

這個資料來源通常可靠。

第一階：

b_t = P_t \left( p\text{ 為真} \right) = 0.7.

元信念：

m_t = P_t \left( \text{我在此領域判斷可靠} \right) = 0.6.

來源可信度：

r_t=0.9.

取得新證據後：

b_{t+1}=0.85.

之後智能體發現：

自己對這類題目的高信心長期過度樂觀。

因此：

m_{t+1}=0.45.

再經多次事件後，系統改變該領域的更新規則：

U_t \rightarrow U_{t+1},

要求高信心結論必須增加一個獨立驗證器。

這一連串變化包含：

b \rightarrow m \rightarrow U.

它已不是單一 posterior update 可以完整描述的智能體歷史。

24. 與 AI 的接口

24.1 AI 可以顯式保存全態信念

一個 Agent Runtime 可以保存：

belief:
  proposition: ...
  probability: ...
  evidence: ...

meta_belief:
  confidence: ...
  domain_reliability: ...

hypothesis_space:
  active: [...]
  rejected: [...]
  unresolved: [...]

update_policy:
  verifier_required: true
  contradiction_threshold: ...

witness:
  source_ids: [...]
  previous_version: ...

這使：

\mathbb B_t

成為工程上可實作狀態。

24.2 但數字不等於真正校準

模型可以輸出：

0.93

的 confidence，

但如果這個數字沒有經過歷史：

P \left( \text{correct} \mid m=0.93 \right)

校準，它只是一個聲稱。

所以 AI 的元信念必須搭配：

calibration history；
domain-specific accuracy；
verifier success rate；
abstention history；
source reliability。

24.3 「我知道自己可能錯」的工程形式

可以寫成：

m_t < \theta_{\mathrm{commit}}.

於是系統選擇：

\text{query} \quad\text{or}\quad \text{verify} \quad\text{or}\quad \text{abstain}.

真正重要的不是語言上說：

我可能錯。

而是這個元信念是否真的改變後續行為。

25. 與 RCTEP 的接口

RCTEP 的完整生成允許：

\Sigma_{t+1}\neq\Sigma_t,

\Gamma_{t+1}\neq\Gamma_t,

\mathcal K_{t+1}\neq\mathcal K_t.

在本篇中：

$\Sigma_t$ 可對應可形成的概念／假設模式；
$\Gamma_t$ 可對應假設與證據的關係結構；
$\mathcal K_t$ 可包含更新與推理核；
$\mathcal W_t$ 可對應更新見證。

因此，全態信念不是只有：

b_t

在固定空間移動。

在強更新事件中可能發生：

\boxed{ \text{信念空間本身被重新生成}. }

26. 與 CSFC 的接口

若 RCTEP 處理某一時刻：

\mathbb B_t \rightarrow \mathbb B_{t+1}

中的結構生成，

CSFC 則處理：

哪個差異先出現；
哪個證據改變哪一層；
哪個元信念調節學習率；
哪個更新造成後續拓樸變化。

因此：

\boxed{ \text{全態貝葉斯描述信念層級，} }

\boxed{ \text{RCTEP 描述新結構生成，} }

\boxed{ \text{CSFC 描述跨時間因果流變}. }

27. 核心命題

命題一：角色相對命題

\boxed{ \text{先驗與後驗是相對於更新事件的角色，而不是信念的永久本體類型。} }

命題二：雙面現信念命題

\boxed{ B_t = \operatorname{Posterior}_{t} = \operatorname{Prior}_{t+1}. }

命題三：元信念非重複命題

信念的信念可以包含一階決策所沒有的自我模型資訊，因此不只是重複第一階信念。

命題四：信心可錯命題

\boxed{ \text{元信念本身需要歷史校準，也可能系統性過高或過低。} }

命題五：全態擴展命題

長期反身智能的更新對象可以包含：

b_t, m_t, \mathcal H_t, \Lambda_t, U_t, V_t.

命題六：標準貝葉斯保留命題

當假設空間、似然結構與更新規則固定時，全態模型退化回標準 Bayesian sequential updating。

命題七：假設空間生維命題

若新證據要求生成舊空間不存在的新候選模型，則發生：

\mathcal H_t \rightarrow \mathcal H_{t+1}.

命題八：有限元層命題

智能體不需要顯式表示無限「信念的信念」，只需保持有限層與再次物件化能力。

命題九：信念功能命題

一個內部狀態要成為功能性信念，應對預期、行動、反證與歷史更新具有因果作用。

28. 可證偽條件

28.1 元信念無獨立資訊

若控制一階信念後，信心或元信念完全無法預測：

錯誤察覺；
資訊搜尋；
改判；
選擇是否行動；

則 $m_t$ 不需要成為獨立狀態。

28.2 假設空間更新無新增價值

若所有聲稱的「新假設生成」都能自然表示為一個事先固定、足夠大的假設空間中的普通 posterior reweighting，則：

\mathcal H_t \rightarrow \mathcal H_{t+1}

不需要被視為獨立機制。

28.3 更新規則與評價函數不可區分

若：

U_t

與：

V_t

的改變無法產生行為、預測或反事實上的可區分後果，則全態模型應簡化。

28.4 全態表示沒有壓縮優勢

若分別使用：

hierarchical Bayes；
model selection；
metacognition；
meta-learning；

已能更簡單地描述所有現象，而統一全態表示沒有帶來推理、實作或預測優勢，則「全態」只應保留為索引框架，不應宣稱新的計算原語。

28.5 AI confidence 不可校準

若 AI 輸出的信心值在跨領域與跨時間無法形成穩定校準，則不能把語言式 confidence 直接視為可靠元信念。

29. 研究限制

本文不是對 Bayes 定理的替代或修正。
主體內生全態貝葉斯是一個統一狀態框架，不代表所有心理過程都實際進行精確 Bayesian calculation。
人類 Bayesian models 往往是規範性、計算性或近似描述，不應直接等同神經機制。
$\mathcal H_t$ 是否真的「生成新空間」取決於選定表示層級；在更大外部模型中，它可能仍是固定空間的一部分。
元信念、信心與意識不是同義詞。
AI 顯式保存 belief state 不足以證明主觀信念體驗。
全態模型中的 $V_t$ 涉及價值與決策理論，後續需要獨立處理。
本篇主要建立認知接口，尚未建立完整概率測度與可計算演算法。

30. 與下一篇的接口：更新不是一種速度

目前我們已得到：

\mathbb B_t = \left( b_t, m_t, \mathcal H_t, \Lambda_t, U_t, V_t, W_t \right).

這些狀態顯然不會以同一速度改變。

例如：

v_b \neq v_m \neq v_{\mathcal H} \neq v_U \neq v_V.

一個智能可能：

生成假設極快；
改信念極快；
發現錯誤很慢；
元校準很強；
驗證速度跟不上；
更新規則改寫過快。

因此下一篇正式進入：

〈多速率反身認知動力學：生成、辨錯、修正、見證與元校準〉

核心問題將由：

「它有沒有更新？」

改成：

「究竟是哪一層，以多快速度更新，而且其他層跟不跟得上？」

31. 結論

所謂：

前信念、現信念、後信念，

不是三個不同種類的東西。

它們是同一條生成信念流中的三個時間位置：

B_{t-1} \rightarrow B_t \rightarrow B_{t+1}.

而：

B_t

最特殊的地方是：

\boxed{ \text{它既是過去的後驗，也是未來的先驗。} }

當智能體開始形成：

我有多相信自己的這個相信？

則出現：

m_t.

當它進一步發現：

也許我根本漏掉了一整類可能性，

則：

\mathcal H_t \rightarrow \mathcal H_{t+1}.

當它發現：

我的更新方法本身有偏差，

則：

U_t \rightarrow U_{t+1}.