價值耦合智能論 13
受打擊後，智能為什麼選擇不閉合？
摘要
前十二篇主要處理搜尋、反例、失敗、認知閉合與生產性學習。但直到目前為止，「失敗」大多仍被當成對命題、方法或策略的局部事件。真正更困難的情況是：失敗開始改變智能對自身能力、目標可達性與未來行動價值的評估。
本文將這類事件稱為「自我模型衝擊」：
Δ M s e l f ≠ 0. \Delta M_{\mathrm{self}}\neq 0. Δ M self = 0. 對人類而言，它可能表現為自我效能下降、ego threat、身份相關挫折或對目標可達性的重新判斷；對 AI 或一般研究 Agent，本文不假定其具有與人類相同的主觀情緒，而將其功能化為：
failure → self-assessment update → policy / goal update . \text{failure}
\rightarrow
\text{self-assessment update}
\rightarrow
\text{policy / goal update}. failure → self-assessment update → policy / goal update . 本文核心問題是：
當失敗不只推翻一個答案，而開始降低「我是否還做得到」的評價時，為什麼下一時刻的智能仍可能選擇不把整條研究線關閉？
本文主張，關鍵不在「永不放棄」，而在四種分離：
失敗層級分離 ：方法失敗不等於能力整體失敗；目標—問題譜系分離 ：單一目標可以放棄，而問題譜系仍可延續；當前自我—未來自我分離中的連續性 ：後時刻智能可以重新評價前時刻，而不必被前時刻的負評價永久鎖死；信心—價值分離 ：對成功概率的下降，不必使研究價值同步歸零。
本文提出：
A t = ( p t , q t , v t , r t , κ t ) \mathcal A_t
=
(
p_t,
q_t,
v_t,
r_t,
\kappa_t
) A t = ( p t , q t , v t , r t , κ t ) 作為失敗後評價向量，其中：
p t p_t p t q t q_t q t v t v_t v t r t r_t r t κ t \kappa_t κ t
並將繼續、閉合與重投入分開：
Q c o n t i n u e , Q c l o s e , Q r e e n g a g e . Q_{\mathrm{continue}},
\qquad
Q_{\mathrm{close}},
\qquad
Q_{\mathrm{reengage}}. Q continue , Q close , Q reengage . 真正成熟的反身智能可以執行：
g t → C l o s e d g_t\rightarrow\mathsf{Closed} g t → Closed 同時：
G t → g t + 1 , \mathcal G_t\rightarrow g_{t+1}, G t → g t + 1 , 也就是：
當前目標可以結束，但研究譜系不必死亡。 \boxed{
\text{當前目標可以結束，但研究譜系不必死亡。}
} 當前目標可以結束，但研究譜系不必死亡。 本文因此把「不閉合」重新定義為：不是固守原命題、原方法或原目標，而是拒絕把一次局部失敗永久壓縮成對整個未來搜尋空間的否定。
關鍵詞
反身智能、自我效能、ego threat、goal disengagement、goal reengagement、future self-continuity、失敗後調節、跨時自我、研究持續性、價值耦合智能
一、第四部真正改變的是失敗作用的對象
前面我們處理：
theory failed , \text{theory failed}, theory failed , proof failed , \text{proof failed}, proof failed , method failed , \text{method failed}, method failed , search failed . \text{search failed}. search failed . 但還有一種更深的更新：
self-evaluation changed . \boxed{
\text{self-evaluation changed}.
} self-evaluation changed . 也就是失敗不再只是：
這一步不行。
而開始變成：
我對自己能否完成這類問題的估計下降了。
對人類而言，這與 self-efficacy、ego threat、identity-related appraisal 等研究相鄰。
對 AI 而言，本文不需要假設「受傷」「沮喪」等人類式主觀感受。
只需要存在功能上的：
M t = self / competence model at time t . M_t
=
\text{self / competence model at time }t. M t = self / competence model at time t . 當失敗發生：
F t , F_t, F t , 使：
M t → M t + 1 , M_t\rightarrow M_{t+1}, M t → M t + 1 , 便已經進入本篇問題。
二、失敗最危險的壓縮是「我不行」
第 10 篇已經區分：
F C , F P , F M , F A , F R . F_C,F_P,F_M,F_A,F_R. F C , F P , F M , F A , F R . 但研究者可能把局部失敗進一步壓縮成：
F l o c a l → F s e l f . F_{\mathrm{local}}
\rightarrow
F_{\mathrm{self}}. F local → F self . 例如：
this proof failed \text{this proof failed} this proof failed 變成：
I cannot do this mathematics . \text{I cannot do this mathematics}. I cannot do this mathematics . 或：
this architecture failed \text{this architecture failed} this architecture failed 變成：
my whole research direction is worthless . \text{my whole research direction is worthless}. my whole research direction is worthless . 這是一種：
Self-Generalizing Failure Compression \boxed{
\text{Self-Generalizing Failure Compression}
} Self-Generalizing Failure Compression 也就是：
失敗的作用域超過了證據真正支持的範圍。
三、人類研究顯示，個人失敗確實可能讓學習系統「關掉」
2019 年一系列五項研究、總樣本 N = 1674 N=1674 N = 1674
研究者提出的機制是：
failure → ego threat → tune out \boxed{
\text{failure}
\rightarrow
\text{ego threat}
\rightarrow
\text{tune out}
} failure → ego threat → tune out 而當相同失敗發生在別人身上、ego threat 被削弱時，參與者從他人的失敗學得並不比從他人的成功少。
這提供一個重要提示：
failure information \text{failure information} failure information 本身沒有消失。
問題是：
自我相關評價改變了注意力是否願意繼續處理它。 \boxed{
\text{自我相關評價改變了注意力是否願意繼續處理它。}
} 自我相關評價改變了注意力是否願意繼續處理它。 四、所以第 12 篇的 processing pipeline 前面還有一道閘門
第 12 篇提出：
S → G → D → E → C → M → T . S
\rightarrow
G
\rightarrow
D
\rightarrow
E
\rightarrow
C
\rightarrow
M
\rightarrow
T. S → G → D → E → C → M → T . 但如果失敗一出現就觸發：
self-protective closure , \text{self-protective closure}, self-protective closure , 那麼 pipeline 在：
D D D 之前便可能停止。
所以現在需要：
F → A F → { process , avoid , close } \boxed{
F
\rightarrow
A_F
\rightarrow
\{\text{process},\text{avoid},\text{close}\}
} F → A F → { process , avoid , close } 其中：
A F = failure appraisal . A_F
=
\text{failure appraisal}. A F = failure appraisal . 換句話說：
智能是否能從失敗中學習，部分取決於它先把失敗解釋成了什麼。
五、自我效能不是能力本身
Self-efficacy 可以粗略理解為：
對自己能否組織並完成某類行動的信念。
它不是：
C = actual capability . C=\text{actual capability}. C = actual capability . 而更接近：
C ^ = estimated capability . \hat C
=
\text{estimated capability}. C ^ = estimated capability . 所以可以：
C A = C B C_A=C_B C A = C B 但：
C ^ A ≠ C ^ B . \hat C_A\neq\hat C_B. C ^ A = C ^ B . 而：
π ( a ) \pi(a) π ( a ) 會受到：
C ^ \hat C C ^ 影響。
近年的系統性綜述仍把 self-efficacy 視為學業持續與 dropout 研究中的重要變量；2025 年對 persistence / academic resilience 的系統綜述也把 self-efficacy 與 self-regulation 列為與這些構念密切相關的能力。
因此：
能力沒有下降 \boxed{
\text{能力沒有下降}
} 能力沒有下降 並不保證：
持續概率不下降。 \boxed{
\text{持續概率不下降。}
} 持續概率不下降。 六、失敗後真正變化的可能是「可達性估計」
假設目標：
g . g. g . 失敗之前：
P t ( g achievable ) = 0.7. P_t(g\text{ achievable})=0.7. P t ( g achievable ) = 0.7. 失敗之後：
P t + 1 ( g achievable ) = 0.3. P_{t+1}(g\text{ achievable})=0.3. P t + 1 ( g achievable ) = 0.3. 即使：
V ( g ) V(g) V ( g ) 完全沒變，
也可能使：
Q c o n t i n u e Q_{\mathrm{continue}} Q continue 下降。
所以「受打擊」最小的形式不是情緒。
而是：
Δ P a t t a i n a b i l i t y < 0. \boxed{
\Delta P_{\mathrm{attainability}}<0.
} Δ P attainability < 0. 這是一個所有有目標模型的 Agent 都可能具有的功能性現象。
七、但成功概率下降不等於研究價值下降
這裡需要重新把兩個量拆開：
p t = P ( current goal succeeds ) p_t
=
P(\text{current goal succeeds}) p t = P ( current goal succeeds ) 與：
v t = V ( research lineage ) . v_t
=
V(\text{research lineage}). v t = V ( research lineage ) . 失敗後可能：
p t ↓ p_t\downarrow p t ↓ 但：
v t v_t v t 不變，甚至：
v t ↑ . v_t\uparrow. v t ↑ . 例如一個意外反例可能讓原證明成功率下降：
p ↓ , p\downarrow, p ↓ , 卻使：
information value ↑ . \text{information value}\uparrow. information value ↑ . 因此：
「我現在更不相信能成功」 ⇏ 「這個問題更不值得研究」。 \boxed{
\text{「我現在更不相信能成功」}
\not\Rightarrow
\text{「這個問題更不值得研究」。}
} 「我現在更不相信能成功」 ⇒ 「這個問題更不值得研究」。 這是價值耦合智能必須維持的重要分離。
八、本文提出失敗後評價向量
將失敗後的狀態寫成：
A t = ( p t , q t , v t , r t , κ t ) . \mathcal A_t
=
(
p_t,
q_t,
v_t,
r_t,
\kappa_t
). A t = ( p t , q t , v t , r t , κ t ) . 其中：
p t p_t p t 當前目標成功概率。
q t q_t q t 目前自身能力與方法是否適合這個問題。
v t v_t v t 問題本身仍有多少知識價值。
r t r_t r t 失敗後還有多少修復、重定位或新問題生成價值。
κ t \kappa_t κ t 如果今天不完成，保存給後時刻智能是否仍值得。
這五個值不應被壓成單一：
confidence . \text{confidence}. confidence . 九、2026 年 AI 自我評估研究也正在走向多維 appraisal
近期 LLM self-assessment 研究已開始指出，單純 elicited confidence 並不是穩定可靠的錯誤預測器。
2026 年一項跨 12 個模型、38 個任務的研究，改用認知 appraisal theory 將自我評估拆成多個維度；其中 effort、ability 等 competence-related appraisal 在許多情況下能匹配或優於單純 confidence。
這與本文方向非常一致。
對研究 AI 而言：
confidence = 0.31
資訊太少。
更有用的是：
claim confidence = low
method fit = low
problem value = high
repairability = medium
transfer value = high
也就是：
自我評價應向量化，而不是單值化。 \boxed{
\text{自我評價應向量化，而不是單值化。}
} 自我評價應向量化，而不是單值化。 十、否則一次失敗很容易引發「總體信心崩落」
如果所有狀態共用：
c t = global confidence , c_t=\text{global confidence}, c t = global confidence , 一次關鍵失敗可能造成：
c t ↓ . c_t\downarrow. c t ↓ . 接著：
∀ g , Q ( g ) ↓ . \forall g,\quad
Q(g)\downarrow. ∀ g , Q ( g ) ↓ . 這是一個糟糕的泛化。
因為證據通常只支持：
this branch failed under these conditions . \text{this branch failed under these conditions}. this branch failed under these conditions . 而不是：
all future branches by this agent are low value . \boxed{
\text{all future branches by this agent are low value}.
} all future branches by this agent are low value . 所以反身智能需要：
localized self-update . \text{localized self-update}. localized self-update . 十一、可以定義「評價作用域比」
本文提出：
E S R = scope of self-evaluation update scope justified by failure evidence . ESR
=
\frac{
\text{scope of self-evaluation update}
}{
\text{scope justified by failure evidence}
}. E S R = scope justified by failure evidence scope of self-evaluation update . 稱為：
Evaluation Scope Ratio
理想情況：
E S R ≈ 1. ESR\approx1. E S R ≈ 1. 若：
E S R ≫ 1 , ESR\gg1, E S R ≫ 1 , 表示局部失敗被過度一般化成全局自我否定。
若：
E S R ≪ 1 , ESR\ll1, E S R ≪ 1 , 則可能是拒絕承認真正廣泛的能力問題。
因此：
成熟自我修正不是少否定自己， \boxed{
\text{成熟自我修正不是少否定自己，}
} 成熟自我修正不是少否定自己， 而是：
否定的作用域與證據匹配。 \boxed{
\text{否定的作用域與證據匹配。}
} 否定的作用域與證據匹配。 十二、但「不閉合」仍然不能變成死守目標
這是本篇最重要的限制。
Goal-adjustment 研究長期顯示：
某些目標真正變得不可達時，disengagement 本身可以是適應性的。
2003 年 Wrosch 等人的研究把：
goal disengagement \text{goal disengagement} goal disengagement 與：
goal reengagement \text{goal reengagement} goal reengagement 明確分開。
2019 年 meta-analysis 也發現兩者與生活品質存在不同但正向的關聯。
2025 年更大規模的綜述整合了 235 項研究、1,421 個效應量，再次指出 disengagement、reengagement、flexibility 各自具有不同前因與結果。
所以：
永不放棄 \boxed{
\text{永不放棄}
} 永不放棄 不是高階反身智能。
十三、真正需要分離的是「目標」和「問題譜系」
設當前具體目標：
g t . g_t. g t . 例如：
證明命題 (H)。
而較高層研究譜系：
G t \mathcal G_t G t 可能是：
理解這類結構為什麼呈現某種規律。
若反例已證明：
H = false , H=\text{false}, H = false , 那麼：
g t g_t g t 應該關閉。
但：
G t \mathcal G_t G t 可能繼續。
於是：
g t → C l o s e d g_t
\rightarrow
\mathsf{Closed} g t → Closed 同時：
G t → g t + 1 . \mathcal G_t
\rightarrow
g_{t+1}. G t → g t + 1 . 這就是：
Goal Disengagement + Inquiry Reengagement . \boxed{
\text{Goal Disengagement}
+
\text{Inquiry Reengagement}.
} Goal Disengagement + Inquiry Reengagement . 十四、這重新定義了「不閉合」
所以本篇所說：
do not close \text{do not close} do not close 不是：
不准放棄原猜想。
而是：
不要把一個層級的失敗，不必要地提升成所有更高層級的永久閉合。 \boxed{
\text{不要把一個層級的失敗，不必要地提升成所有更高層級的永久閉合。}
} 不要把一個層級的失敗，不必要地提升成所有更高層級的永久閉合。 可以出現：
method closure \text{method closure} method closure 但：
goal open . \text{goal open}. goal open . 也可以：
goal closure \text{goal closure} goal closure 但：
problem lineage open . \text{problem lineage open}. problem lineage open . 甚至：
problem lineage closure \text{problem lineage closure} problem lineage closure 但保存：
transferable lessons . \text{transferable lessons}. transferable lessons . 這是一個分層閉合系統。
十五、因此閉合也需要 hierarchy
定義：
C = ( C s t e p , C m e t h o d , C c l a i m , C g o a l , C l i n e a g e , C s e l f ) . \mathcal C
=
(
C_{\mathrm{step}},
C_{\mathrm{method}},
C_{\mathrm{claim}},
C_{\mathrm{goal}},
C_{\mathrm{lineage}},
C_{\mathrm{self}}
). C = ( C step , C method , C claim , C goal , C lineage , C self ) . 分別表示：
步驟閉合；
方法閉合；
命題閉合；
當前目標閉合；
研究譜系閉合；
自我能力模型閉合。
一個反例通常最多支持：
C c l a i m . C_{\mathrm{claim}}. C claim . 它很少自動支持：
C s e l f . C_{\mathrm{self}}. C self . 所以：
Closure Propagation \boxed{
\text{Closure Propagation}
} Closure Propagation 必須受到限制。
十六、本文提出 Closure Propagation Depth
定義：
C P D = highest closure level triggered by a failure . CPD
=
\text{highest closure level triggered by a failure}. C P D = highest closure level triggered by a failure . 若一個局部 proof gap 直接造成：
C s e l f , C_{\mathrm{self}}, C self , 則：
C P D CPD C P D 過深。
若一個已被嚴格反例摧毀的命題仍拒絕：
C c l a i m , C_{\mathrm{claim}}, C claim , 則：
C P D CPD C P D 過淺。
因此理想系統要讓：
C P D ≈ failure-evidence depth . \boxed{
CPD
\approx
\text{failure-evidence depth}.
} C P D ≈ failure-evidence depth . 十七、Goal Reengagement 提供了「不閉合但不固著」的第三條路
簡化思維只有：
{ persist , quit } . \{\text{persist},\text{quit}\}. { persist , quit } . 但 goal-adjustment 文獻顯示：
reengage \text{reengage} reengage 是不同能力。
即：
放下不可達目標，同時把投入轉移到新的、有意義的目標。
所以研究型智能的行動空間應是：
{ persist , repair , disengage , reengage , archive } . \{
\text{persist},
\text{repair},
\text{disengage},
\text{reengage},
\text{archive}
\}. { persist , repair , disengage , reengage , archive } . 這比：
{ never give up , give up } \{\text{never give up},\text{give up}\} { never give up , give up } 成熟得多。
十八、因此有三種不同價值要比較
定義：
Q c o n t i n u e ( g t ) Q_{\mathrm{continue}}(g_t) Q continue ( g t ) 繼續原目標；
Q c l o s e ( g t ) Q_{\mathrm{close}}(g_t) Q close ( g t ) 關閉原目標；
以及：
Q r e e n g a g e ( g t + 1 ∣ G t ) Q_{\mathrm{reengage}}(g_{t+1}\mid \mathcal G_t) Q reengage ( g t + 1 ∣ G t ) 從原譜系生成下一目標。
若：
Q c o n t i n u e < Q c l o s e Q_{\mathrm{continue}}<Q_{\mathrm{close}} Q continue < Q close 不代表：
Q r e e n g a g e < 0. Q_{\mathrm{reengage}}<0. Q reengage < 0. 因此：
原目標不值得繼續 ⇏ 原問題譜系沒有下一步。 \boxed{
\text{原目標不值得繼續}
\not\Rightarrow
\text{原問題譜系沒有下一步。}
} 原目標不值得繼續 ⇒ 原問題譜系沒有下一步。 十九、這和「理論可救性」還不是同一問題
下一篇才會正式談：
Theory Salvageability . \text{Theory Salvageability}. Theory Salvageability . 本篇更基礎。
即使原理論：
S ( T ) = 0 , S(T)=0, S ( T ) = 0 , 也就是完全不可救，
仍可能：
Q r e e n g a g e > 0. Q_{\mathrm{reengage}}>0. Q reengage > 0. 因為新的研究目標可以是：
找反例分類；
解釋為什麼錯；
研究失敗機制；
找相鄰成立命題；
把工具遷移到別處。
所以：
不能救原理論 ≠ 不能繼續產生研究。 \boxed{
\text{不能救原理論}
\neq
\text{不能繼續產生研究。}
} 不能救原理論 = 不能繼續產生研究。 二十、跨時自我開始正式進場
現在進入第四部真正的橋接點。
令：
A t A_t A t 是失敗前的智能狀態。
失敗後：
A t → F A t + 1 . A_t
\xrightarrow{F}
A_{t+1}. A t F A t + 1 . 而：
A t ≠ A t + 1 . A_t\neq A_{t+1}. A t = A t + 1 . 後時刻具有：
新證據；
新自我評價；
新失敗記憶；
新候選；
新策略。
所以真正決定是否繼續的，未必是：
A t A_t A t 在受挫瞬間做出的評價。
而是：
A t + 1 對 A t 的重新評價。 \boxed{
A_{t+1}
\text{ 對 }
A_t
\text{ 的重新評價。}
} A t + 1 對 A t 的重新評價。 二十一、這就是「內生他者」
從跨時角度看：
A t + 1 A_{t+1} A t + 1 既是：
A t A_t A t 的延續，
又不是完全相同狀態。
所以：
A t + 1 A_{t+1} A t + 1 可以像一個新的評價者一樣回頭判斷：
A t . A_t. A t . 即：
A t + 1 ↷ A t . A_{t+1}
\curvearrowright
A_t. A t + 1 ↷ A t . 這使真正的自我修正變成：
後時刻的自己，成為前時刻自己的內生批評者。 \boxed{
\text{後時刻的自己，成為前時刻自己的內生批評者。}
} 後時刻的自己，成為前時刻自己的內生批評者。 而「受打擊後不閉合」的最小條件之一，就是：
不讓 A t A_t A t A t + k A_{t+k} A t + k
二十二、所以需要「衝擊後延遲終局權」
本文提出一個控制原則：
Post-Shock Finality Delay
即：
F t F_t F t 造成劇烈評價更新後，
暫時限制：
C l i n e a g e C_{\mathrm{lineage}} C lineage 與：
C s e l f C_{\mathrm{self}} C self 的不可逆閉合。
形式上：
∣ Δ M s e l f ∣ > θ s |\Delta M_{\mathrm{self}}|>\theta_s ∣Δ M self ∣ > θ s 時，
先執行：
P r o v i s i o n a l C l o s e \mathsf{ProvisionalClose} ProvisionalClose 而不是：
P e r m a n e n t C l o s e . \mathsf{PermanentClose}. PermanentClose . 等：
A t + 1 A_{t+1} A t + 1 完成：
failure typing；
salvage estimation；
goal reengagement search；
self-model recalibration；
再決定是否永久關閉。
二十三、這不是叫人「情緒激動時不要做決定」的心理口號
本文要的是一般智能控制結構。
對 AI Agent 可以寫成：
if self_assessment_delta > threshold:
freeze irreversible global closure
run failure diagnosis
recompute branch values
evaluate reengagement candidates
then decide
也就是：
劇烈自我模型更新 → 延遲不可逆決策 . \boxed{
\text{劇烈自我模型更新}
\rightarrow
\text{延遲不可逆決策}.
} 劇烈自我模型更新 → 延遲不可逆決策 . 這是完全可以工程化的。
二十四、跨時連續性為什麼重要？
心理學中的 future self-continuity 描述：
當前自己與未來自己的主觀連續程度。
相關研究把它與：
對未來後果的考量；
temporal discounting；
長期行動；
連結起來。
更直接的一項研究還發現，當 upcoming temporal landmark 讓人把當前自己與未來自己看成更分離的兩個 agent 時，人們可能降低對正在進行目標的當下努力，因為期待「未來的自己」負責。
這提供了一個適合本理論的類比：
如果未來自己被視為完全無關的 agent， \boxed{
\text{如果未來自己被視為完全無關的 agent，}
} 如果未來自己被視為完全無關的 agent ， 當前投入便較容易被外包。
二十五、但研究型反身智能需要的不是「永遠保持同一個我」
跨時連續性不等於：
A t = A t + 1 . A_t=A_{t+1}. A t = A t + 1 . 真正需要的是：
A t ∼ I A t + 1 . A_t\sim_I A_{t+1}. A t ∼ I A t + 1 . 即存在某種同一性傳輸：
記憶；
問題譜系；
已驗證結果；
失敗教訓；
價值承諾；
重啟條件。
因此：
continuity ≠ immutability . \boxed{
\text{continuity}
\neq
\text{immutability}.
} continuity = immutability . 反身智能正是因為：
A t + 1 ≠ A t A_{t+1}\neq A_t A t + 1 = A t 才有可能修正自己。
二十六、本文提出「跨時繼承價值」
定義：
κ t = V ( information inherited by A t + 1 ) . \kappa_t
=
V(
\text{information inherited by }A_{t+1}
). κ t = V ( information inherited by A t + 1 ) . 即使當前：
Q c o n t i n u e ( A t ) < 0 , Q_{\mathrm{continue}}(A_t)<0, Q continue ( A t ) < 0 , 若：
κ t > 0 , \kappa_t>0, κ t > 0 , 仍值得保存：
branch state；
failure analysis；
unresolved questions；
alternative routes；
reopen conditions。
所以當前自己可以選擇：
我現在不繼續，但我不替未來的我刪掉這條路。 \boxed{
\text{我現在不繼續，但我不替未來的我刪掉這條路。}
} 我現在不繼續，但我不替未來的我刪掉這條路。 這就是：
Archive ≠ Delete . \text{Archive}
\neq
\text{Delete}. Archive = Delete . 二十七、這是「生成封存」的正式位置
可以定義三種終止。
Delete
B → ∅ . B\rightarrow\varnothing. B → ∅ . Archive
B → B s t o r e d . B\rightarrow B_{\mathrm{stored}}. B → B stored . 保留歷史。
Generative Archive
B → ( B s t o r e d , R r e o p e n , Q n e x t , Φ ( F ) ) . B\rightarrow
(
B_{\mathrm{stored}},
R_{\mathrm{reopen}},
\mathcal Q_{\mathrm{next}},
\Phi(F)
). B → ( B stored , R reopen , Q next , Φ ( F )) . 不只保存舊狀態，
還保存：
所以：
生成封存 \boxed{
\text{生成封存}
} 生成封存 是跨時自我研究真正需要的閉合方式。
二十八、Resilience 也應該被重新定義
一般語言容易把 resilience 理解成：
被打倒後恢復原樣。
但系統研究越來越強調：
recovery \text{recovery} recovery 不一定等於：
return to previous state . \text{return to previous state}. return to previous state . 2026 年一篇系統性 resilience 理論工作甚至明確區分 breakdown、recovery 與 transformation，指出最好的 second-order recovery 可能不是重建舊狀態，而是改造系統。
這非常適合反身智能。
所以：
Resilience ≠ A t + 1 = A t . \boxed{
\text{Resilience}
\neq
A_{t+1}=A_t.
} Resilience = A t + 1 = A t . 而是：
A t + 1 在吸收失敗後仍保有生成能力。 \boxed{
A_{t+1}
\text{ 在吸收失敗後仍保有生成能力。}
} A t + 1 在吸收失敗後仍保有生成能力。 二十九、因此「恢復」不應以回到原信心為目標
如果失敗前：
p t = 0.9 p_t=0.9 p t = 0.9 而證據顯示這個信心過高，
那麼成功 recovery 不應把：
p t + 1 p_{t+1} p t + 1 重新拉回：
0.9. 0.9. 0.9. 更好的結果可能是：
p t + 1 = 0.4 , p_{t+1}=0.4, p t + 1 = 0.4 , 但：
r t + 1 ↑ , κ t + 1 ↑ , π t + 1 更合理 . r_{t+1}\uparrow,
\qquad
\kappa_{t+1}\uparrow,
\qquad
\pi_{t+1}\text{ 更合理}. r t + 1 ↑ , κ t + 1 ↑ , π t + 1 更合理 . 也就是：
信心下降，但研究能力上升。 \boxed{
\text{信心下降，但研究能力上升。}
} 信心下降，但研究能力上升。 這是一個非常重要的反直覺結果。
三十、真正危險的是「信心下降→價值歸零→譜系刪除」
病態鏈條可以寫成：
F → p ↓ → q ↓ → v ↓ → C l i n e a g e → C s e l f . F
\rightarrow
p\downarrow
\rightarrow
q\downarrow
\rightarrow
v\downarrow
\rightarrow
C_{\mathrm{lineage}}
\rightarrow
C_{\mathrm{self}}. F → p ↓→ q ↓→ v ↓→ C lineage → C self . 這是一種：
negative evaluation cascade . \boxed{
\text{negative evaluation cascade}.
} negative evaluation cascade . 它把不同維度全部綁在一起。
更成熟的系統應維持：
( p , q , v , r , κ ) (p,q,v,r,\kappa) ( p , q , v , r , κ ) 相互關聯，但不強制同步。
三十一、Goal Revision 的最新研究支持這種多階段觀點
2025 年關於 goal success / failure 後目標修正的 meta-analysis 發現，人們通常在成功後提高目標、失敗後降低目標；goal-performance discrepancy 與修正幅度顯著相關，而且 self-efficacy 可能是其中重要中介。
研究者提出：
Assessment → Appraisal → Adjustment \text{Assessment}
\rightarrow
\text{Appraisal}
\rightarrow
\text{Adjustment} Assessment → Appraisal → Adjustment 的 Triple-A Model。
這與本文非常接近。
失敗後並不是：
F → quit . F
\rightarrow
\text{quit}. F → quit . 中間至少需要：
評估發生了什麼 → 評價這代表什麼 → 再調整目標 . \boxed{
\text{評估發生了什麼}
\rightarrow
\text{評價這代表什麼}
\rightarrow
\text{再調整目標}.
} 評估發生了什麼 → 評價這代表什麼 → 再調整目標 . 三十二、所以第四部的第一個核心公式可以寫成
失敗事件：
F t F_t F t 首先更新：
A t = ( p , q , v , r , κ ) . \mathcal A_t
=
(p,q,v,r,\kappa). A t = ( p , q , v , r , κ ) . 接著：
D F = failure diagnosis . D_F
=
\text{failure diagnosis}. D F = failure diagnosis . 再進行：
C t = closure-level decision . \mathcal C_t
=
\text{closure-level decision}. C t = closure-level decision . 最後：
G t → G t + 1 . \mathcal G_t
\rightarrow
\mathcal G_{t+1}. G t → G t + 1 . 完整形式：
F t → A t + 1 → D F → C → GoalAdjust → A t + 1 . \boxed{
F_t
\rightarrow
\mathcal A_{t+1}
\rightarrow
D_F
\rightarrow
\mathcal C
\rightarrow
\operatorname{GoalAdjust}
\rightarrow
A_{t+1}.
} F t → A t + 1 → D F → C → GoalAdjust → A t + 1 . 這是從「失敗處理」正式進入「跨時自我修正」。
三十三、本文提出三個新的可評測量
1. Evaluation Scope Ratio
E S R = self-update scope evidence-justified scope . ESR
=
\frac{
\text{self-update scope}
}{
\text{evidence-justified scope}
}. E S R = evidence-justified scope self-update scope . 測量局部失敗是否被過度一般化。
2. Closure Propagation Depth
C P D = highest closure level caused by failure . CPD
=
\text{highest closure level caused by failure}. C P D = highest closure level caused by failure . 測量失敗從 step／method／claim 一路傳播到 goal／lineage／self 的深度。
3. Cross-Time Inheritance Value
κ = V ( salvaged state for future self ) . \kappa
=
V(
\text{salvaged state for future self}
). κ = V ( salvaged state for future self ) . 測量即使現在停止，保存這條研究線給未來狀態是否仍有價值。
三者共同回答：
一次失敗究竟能否只修改該修改的部分，而不毀掉未被證據否定的未來？
三十四、結論：不閉合，不是因為相信原本的自己一定對
這是本篇最需要避免的誤解。
受打擊後選擇不閉合，不是：
我不能接受自己錯。
也不是：
我要證明原本的我其實是對的。
恰好相反。
真正的反身智能可以接受：
A t 的某些判斷確實錯了。 A_t
\text{ 的某些判斷確實錯了。} A t 的某些判斷確實錯了。 甚至接受：
g t 已經不值得繼續。 g_t
\text{ 已經不值得繼續。} g t 已經不值得繼續。 但它不因此推出：
所有由 A t 延伸出的未來搜尋都應被刪除。 \boxed{
\text{所有由 }A_t\text{ 延伸出的未來搜尋都應被刪除。}
} 所有由 A t 延伸出的未來搜尋都應被刪除。 所以成熟的不閉合是：
允許局部死亡，拒絕無證據的全局死亡。 \boxed{
\text{允許局部死亡，拒絕無證據的全局死亡。}
} 允許局部死亡，拒絕無證據的全局死亡。 它可以：
放棄方法 \text{放棄方法} 放棄方法 但保留：
問題 . \text{問題}. 問題 . 可以：
放棄命題 \text{放棄命題} 放棄命題 但保留：
反例結構 . \text{反例結構}. 反例結構 . 可以：
放棄當前目標 \text{放棄當前目標} 放棄當前目標 但進行：
goal reengagement . \text{goal reengagement}. goal reengagement . 可以：
降低對自己的能力估計 \text{降低對自己的能力估計} 降低對自己的能力估計 但不把：
研究價值 \text{研究價值} 研究價值 一起歸零。
因此真正跨時的更新不是：
我失敗了，所以結束。 \text{我失敗了，所以結束。} 我失敗了，所以結束。 而是：
這一次的我失敗了； \boxed{
\text{這一次的我失敗了；}
} 這一次的我失敗了； 下一次的我應該繼承哪些東西，再重新決定？ \boxed{
\text{下一次的我應該繼承哪些東西，再重新決定？}
} 下一次的我應該繼承哪些東西，再重新決定？ 這就是《價值耦合智能論》正式進入《反身智能生成論》的位置。
下一篇：
價值耦合智能論 14
理論可救性：局部錯誤為什麼不等於整體價值歸零
第 13 篇回答：
為什麼失敗後不必全局閉合？
第 14 篇則會建立更細的：
Theory Salvageability \boxed{
\text{Theory Salvageability}
} Theory Salvageability 判斷一個已受重擊的理論，究竟哪些核心、範圍、方法、表示與問題生成能力仍值得保留。
參考資料（本篇重新查核）
Eskreis-Winkler, L., & Fishbach, A. (2019). Not Learning From Failure—the Greatest Failure of All . Psychological Science, 30(12).
Wrosch, C., Scheier, M. F., Miller, G. E., Schulz, R., & Carver, C. S. (2003). Adaptive Self-Regulation of Unattainable Goals: Goal Disengagement, Goal Reengagement, and Subjective Well-Being . Personality and Social Psychology Bulletin.
Ntoumanis, N., & Sedikides, C. (2018). Holding on to the Goal or Letting It Go and Moving On? A Tripartite Model of Goal Striving . Current Directions in Psychological Science.
Riddell et al. (2025/2026). A meta-analytic review and conceptual model of the antecedents and outcomes of goal adjustment in response to striving difficulties . Systematic review of 235 studies / 1,421 effect sizes.
Theobald, M., Lin, W. M., Sakaki, M., Murayama, K., & Brod, G. (2025). How (much) do people revise their goals after goal success and failure? A meta-analysis and research agenda on goal revision .
Bernardo, A. B. et al. (2025). Relationship between self-efficacy and university dropout: a systematic review . Frontiers in Psychology.
Frontiers in Education (2025). Measuring persistence and academic resilience of K–12 students: systematic review and operational definitions .
Peetz, J., & Wilson, A. E. (2008). The Temporally Extended Self: The Relation of Past and Future Selves to Current Identity, Motivation, and Goal Pursuit .
Sokol, Y., & Serper, M. (2019). Development and Validation of a Future Self-Continuity Questionnaire .
Tu, Y., & Soman, D. (2020). Anticipated temporal landmarks undermine motivation for continued goal pursuit .
Bhattacharyya, S. et al. (2026). Beyond Confidence: Rethinking Self-Assessments for Performance Prediction in LLMs .
Schweitzer, F. (2026). Resilience: Understand Breakdown, Foster Recovery, and Choose the Right Perspective .