← Archive
lm-002172 · 2026-08

15_結構回收遷移與重新定位

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

價值耦合智能論 15

結構回收、遷移與重新定位

摘要

第 14 篇回答了：

一個受損理論究竟有哪些成分仍值得保留？

但「保存」本身並不是回收的終點。

一個方法、表示、引理、反例模式或問題生成框架如果只是被放進 archive，卻再也沒有進入後續問題，那麼它只有：

Retention\text{Retention}

而沒有：

Reuse.\text{Reuse}.

本文因此把問題從「什麼值得留下」推進到：

留下來的結構應該被重新放到哪裡？\boxed{ \text{留下來的結構應該被重新放到哪裡？} }

本文提出「結構重新定位」（Structural Relocation）概念，將失敗後殘餘資產表示為：

xi=(ϕi,ψi,Λi,Ai,Ei),x_i = ( \phi_i, \psi_i, \Lambda_i, \mathcal A_i, \mathcal E_i ),

其中：

  • ϕi\phi_i：形式結構；
  • ψi\psi_i：原功能；
  • Λi\Lambda_i：使其有效的關係／不變結構；
  • Ai\mathcal A_i：適用假設；
  • Ei\mathcal E_i：已有證據。

真正的遷移不是：

xi→new domainx_i \rightarrow \text{new domain}

這麼簡單，而是：

Abstract→Match→Adapt→Validate→Relocate.\boxed{ \text{Abstract} \rightarrow \text{Match} \rightarrow \text{Adapt} \rightarrow \text{Validate} \rightarrow \text{Relocate}. }

本文借用類比推理的 structure-mapping 理論、case-based reasoning 的 retrieval–reuse–revision–retention 循環，以及 far-transfer 研究的條件化觀點，主張高品質遷移應優先匹配：

relational structure\text{relational structure}

而非：

surface similarity.\text{surface similarity}.

因此定義結構匹配：

σrel(x,d)\sigma_{\mathrm{rel}}(x,d)

與表面匹配：

σsurf(x,d).\sigma_{\mathrm{surf}}(x,d).

真正值得遷移的候選通常需要：

σrel≫0\sigma_{\mathrm{rel}}\gg0

即使：

σsurf≈0.\sigma_{\mathrm{surf}}\approx0.

本文進一步提出：

TV(x→d)=ασrel+βCconstraint+γVtransfer−δCadapt−ϵRmismatch,TV(x\rightarrow d) = \alpha \sigma_{\mathrm{rel}} + \beta C_{\mathrm{constraint}} + \gamma V_{\mathrm{transfer}} - \delta C_{\mathrm{adapt}} - \epsilon R_{\mathrm{mismatch}},

作為 Transfer Viability（遷移可行性）。

並定義：

SRR=Structural Relocation RateSRR = \text{Structural Relocation Rate}

衡量被保存的結構中，有多少被正確重新放入有價值的新位置；

以及：

MTR=Mis-Transfer RateMTR = \text{Mis-Transfer Rate}

衡量多少遷移只是錯誤類比、表面套用或不相容方法搬運。

本文最終主張：

真正的失敗回收，不是把殘骸保存起來，\boxed{ \text{真正的失敗回收，不是把殘骸保存起來，} }

而是：

讓仍有價值的結構脫離原理論身份，重新進入新的問題網路。\boxed{ \text{讓仍有價值的結構脫離原理論身份，重新進入新的問題網路。} }

關鍵詞

結構回收、知識遷移、重新定位、Analogical Reasoning、Structure Mapping、Case-Based Reasoning、Far Transfer、Scientific Discovery、研究記憶、反身智能、價值耦合智能

一、第 14 篇只回答了「什麼活下來」

第 14 篇把理論拆成：

T=(C,S,A,L,M,R,E,Q).T = ( C,S,A,L,M,R,E,Q ).

並提出：

O={Keep,Restrict,Repair,Transfer,Archive,Discard}.\mathcal O = \{ \text{Keep}, \text{Restrict}, \text{Repair}, \text{Transfer}, \text{Archive}, \text{Discard} \}.

其中真正還沒有充分展開的是：

Transfer.\boxed{ \text{Transfer}. }

因為「方法仍然有用」這句話仍然缺少下一層：

對什麼有用？

在什麼條件下有用？

需要改多少才能用？

如何知道不是錯誤類比？

所以第 15 篇的任務是：

從保存進入重新安置。\boxed{ \text{從保存進入重新安置。} }

二、保存不是回收的完成態

假設一條失敗研究路徑留下：

x.x.

系統把它放進：

H.H.

這只是：

Retention.\text{Retention}.

如果未來從未被檢索：

P(Retrieve⁡(x))≈0,P(\operatorname{Retrieve}(x))\approx0,

則其實際未來價值：

Vfuture(x)≈0.V_{\mathrm{future}}(x)\approx0.

因此：

Archive≠Reuse.\boxed{ \text{Archive} \neq \text{Reuse}. }

失敗記憶若永遠只存在於 archive，

那只是：

better cemetery.\text{better cemetery}.

不是：

better research intelligence.\text{better research intelligence}.

三、真正需要的是「資產脫離原理論身份」

假設某方法：

MTM_T

最初屬於失敗理論：

T.T.

如果系統記憶方式是：

method M = part of failed theory T

未來檢索很可能受到：

T=rejectedT=\text{rejected}

連帶壓低。

但實際上可能：

MTM_T

對另一個問題：

P′P'

仍然非常有用。

所以回收必須允許：

MT→M\boxed{ M_T \rightarrow M }

也就是：

方法不再只以「舊理論的一部分」存在，而取得獨立資產身份。

同理：

RT→R,R_T\rightarrow R, LT→L,L_T\rightarrow L, QT→Q.Q_T\rightarrow Q.

這一步稱為：

Decontextualized Salvage.\boxed{ \text{Decontextualized Salvage}. }

四、但「脫離上下文」也有危險

若把一個方法完全去上下文化：

x→generic reusable tool,x \rightarrow \text{generic reusable tool},

可能同時刪掉：

  • 原假設；
  • 邊界；
  • 失效條件；
  • 依賴結構。

最後新問題一來：

xx

被套用到：

d′d'

卻不再符合原先成立條件。

所以理想回收不是：

remove context.\text{remove context}.

而是：

separate identity from validity conditions.\boxed{ \text{separate identity from validity conditions}. }

也就是：

可以脫離舊理論名稱，但不能脫離它真正依賴的條件。

五、本文定義「可遷移資產包」

對每個回收結構：

xi,x_i,

保存：

xi=(ϕi,ψi,Λi,Ai,Ei).x_i = ( \phi_i, \psi_i, \Lambda_i, \mathcal A_i, \mathcal E_i ).

其中：

ϕi\phi_i：Form

它在形式上是什麼？

例如：

  • 演算法；
  • 引理；
  • 圖結構；
  • 方程；
  • heuristic；
  • proof pattern。

ψi\psi_i：Original Function

原來被用來做什麼？

Λi\Lambda_i：Relational / Invariant Structure

真正使它有效的關係是什麼？

Ai\mathcal A_i：Applicability Conditions

在哪些條件下才能使用？

Ei\mathcal E_i：Evidence

我們到底憑什麼相信它？

這比只保存：

useful method

強得多。

六、真正的遷移首先是一個「抽象」問題

要把：

xx

從問題：

PP

移到：

P′,P',

不能只比較：

P 和 P′P\text{ 和 }P'

看起來像不像。

必須先找：

Λ(x),\Lambda(x),

也就是：

到底是哪個結構使方法成功？

因此需要：

Abstract⁡(x)=Λx.\operatorname{Abstract}(x) = \Lambda_x.

若這一步做不好，

後續類比只會依賴：

  • 名稱； -詞彙；
  • 對象外觀；
  • 領域標籤。

這就是：

surface transfer.\boxed{ \text{surface transfer}. }

七、類比推理的重要思想：映射關係，而不是表面屬性

Gentner 的 Structure-Mapping Theory 對本篇非常重要。

其核心思想可以抽象成：

good analogy maps relations, not merely attributes.\boxed{ \text{good analogy maps relations, not merely attributes}. }

也就是：

兩個領域的物件可以長得完全不同，但如果它們之間的關係結構相似，仍可能形成深層類比。

因此定義：

σrel(P,P′)\sigma_{\mathrm{rel}}(P,P')

表示 relational similarity。

另定義：

σsurf(P,P′)\sigma_{\mathrm{surf}}(P,P')

表示 surface similarity。

高品質跨域遷移往往允許：

σsurf↓\sigma_{\mathrm{surf}}\downarrow

但要求：

σrel↑.\sigma_{\mathrm{rel}}\uparrow.

八、這就是為什麼遠距類比有創造力

如果：

PP

和：

P′P'

表面非常相似，

那麼遷移通常只是：

near transfer.\text{near transfer}.

真正有創造力的情況是：

surface distance↑\text{surface distance}\uparrow

但：

relational alignment↑.\text{relational alignment}\uparrow.

例如：

network congestion\text{network congestion}

與：

biological resource competition\text{biological resource competition}

表面不同，

但如果都共享：

limited resource→local optimization→global overload,\text{limited resource} \rightarrow \text{local optimization} \rightarrow \text{global overload},

就可能形成可研究的結構類比。

但仍然必須驗證。

九、科學中的類比確實具有發現功能

科學史與科學哲學長期把 analogy 視為重要的假說生成工具。

面對陌生系統：

Dtarget,D_{\mathrm{target}},

研究者會從熟悉系統：

DsourceD_{\mathrm{source}}

抽出結構：

Λ,\Lambda,

再映射：

Λsource→Λtarget.\Lambda_{\mathrm{source}} \rightarrow \Lambda_{\mathrm{target}}.

因此：

類比的核心不是「它們很像」，\boxed{ \text{類比的核心不是「它們很像」，} }

而是：

某套關係是否在兩邊都成立。\boxed{ \text{某套關係是否在兩邊都成立。} }

十、這與本系列的「理論殘餘」直接連接

第 14 篇 Type III component：

ei≈0,gi>0.e_i\approx0, \qquad g_i>0.

就是非常適合做：

source structure\text{source structure}

的資產。

也就是：

這個成分已不能留在原理論中當真理，但仍能作為結構模板。

因此：

失敗理論可以成為成功類比的 source domain。\boxed{ \text{失敗理論可以成為成功類比的 source domain。} }

這是「錯模型仍有生成價值」真正工程化的方式。

十一、Case-Based Reasoning 提供另一個直接框架

Case-Based Reasoning（CBR）的經典思想是：

新問題可以透過檢索過去相似案例、重用其解法、必要時修正，再將新經驗保存。

其經典循環可以寫成：

Retrieve→Reuse→Revise→Retain.\boxed{ \text{Retrieve} \rightarrow \text{Reuse} \rightarrow \text{Revise} \rightarrow \text{Retain}. }

這與本文非常接近。

但本篇增加一個更強的要求：

Reuse≠Copy.\boxed{ \text{Reuse} \neq \text{Copy}. }

真正重要的是：

Adapt.\text{Adapt}.

十二、所以完整的結構遷移循環應該是

本文提出：

Retrieve→Abstract→Match→Adapt→Validate→Relocate.\boxed{ \text{Retrieve} \rightarrow \text{Abstract} \rightarrow \text{Match} \rightarrow \text{Adapt} \rightarrow \text{Validate} \rightarrow \text{Relocate}. }

Retrieve

找到可能有用的舊結構。

Abstract

抽出真正可轉移的關係。

Match

尋找新問題中對應位置。

Adapt

修改不相容部分。

Validate

重新驗證，而不是繼承舊可信度。

Relocate

將新版本正式放入新的理論／方法／問題譜系。

這才算完成：

Transfer.\text{Transfer}.

十三、最容易犯的錯就是「繼承可信度」

假設舊方法：

MM

在：

PP

中已被驗證：

P(M works∣P)=0.95.P(M\text{ works}\mid P)=0.95.

移到：

P′P'

後不能直接：

P(M works∣P′)=0.95.P(M\text{ works}\mid P')=0.95.

真正需要重新估計：

P(M′ works∣P′).P(M'\text{ works}\mid P').

因此：

結構可以遷移，證據權重不能無條件遷移。\boxed{ \text{結構可以遷移，證據權重不能無條件遷移。} }

這是防止跨域理論污染的核心規則。

十四、Far Transfer 本身也不是單一現象

transfer 研究長期發現：

near transfer\text{near transfer}

與：

far transfer\text{far transfer}

不能只用一個距離數字概括。

Barnett 與 Ceci 的 taxonomy 之所以重要，就是因為 transfer 會沿：

  • knowledge domain；
  • physical context；
  • temporal context；
  • functional context；
  • social context；

等多個維度改變。

因此：

「這能不能遷移？」不是 yes/no 問題。\boxed{ \text{「這能不能遷移？」不是 yes/no 問題。} }

更合理的是：

Vtransfer=V(x,d,g,c).V_{\mathrm{transfer}} = V( x, d, g, c ).

十五、越遠的遷移，適配成本通常越高

設 source domain：

Ds,D_s,

target domain：

Dt.D_t.

其距離：

d(Ds,Dt).d(D_s,D_t).

通常：

d↑d\uparrow

會使：

Cadapt↑.C_{\mathrm{adapt}}\uparrow.

但不代表：

Vtransfer↓.V_{\mathrm{transfer}}\downarrow.

如果遠距領域共享一個非常強的：

Λ,\Lambda,

則可能：

Vnovelty↑.V_{\mathrm{novelty}}\uparrow.

所以遠距遷移真正是一種：

high-risk / high-generative-value operation.\boxed{ \text{high-risk / high-generative-value operation}. }

十六、本文提出 Transfer Viability

定義：

TV(x→d)=ασrel+βCconstraint+γVtransfer−δCadapt−ϵRmismatch.\boxed{ TV(x\rightarrow d) = \alpha \sigma_{\mathrm{rel}} + \beta C_{\mathrm{constraint}} + \gamma V_{\mathrm{transfer}} - \delta C_{\mathrm{adapt}} - \epsilon R_{\mathrm{mismatch}}. }

其中：

  • σrel\sigma_{\mathrm{rel}}：關係結構匹配；
  • CconstraintC_{\mathrm{constraint}}：有效條件相容度；
  • VtransferV_{\mathrm{transfer}}：新情境中的潛在價值；
  • CadaptC_{\mathrm{adapt}}：適配成本；
  • RmismatchR_{\mathrm{mismatch}}：錯配風險。

只有：

TV>0TV>0

時，

才值得進入 deeper adaptation。

十七、2026 年 AI 科學創造研究提供一個直接案例

2026 年一項針對 LLM 科學創造力的研究，明確使用跨領域 analogical reasoning：先尋找具有共享 relational structure 的其他領域問題，再將其解法結構帶回當前科學問題。

研究報告顯示，這種策略相較一般 baseline 顯著增加了解法多樣性，並在多個生醫問題中產生可實作的新方向。

這非常接近本篇提出的：

Relational Salvage→Cross-Domain Reuse.\boxed{ \text{Relational Salvage} \rightarrow \text{Cross-Domain Reuse}. }

失敗或舊領域中的結構，可能因重新定位而獲得第二生命。

十八、但 AI 類比有一個非常危險的錯配問題

近期 LLM analogical reasoning 研究也顯示：

模型可以很擅長生成候選類比，但未必同樣擅長判斷哪些類比具有真正的深層結構對應。

在策略決策實驗中，LLM 可能呈現：

high recall\text{high recall}

但：

low precision.\text{low precision}.

也就是：

想得到很多可能類比，但其中不少只共享表面或錯誤因果結構。

所以：

analogical creativity\boxed{ \text{analogical creativity} }

必須配上：

analogical verification.\boxed{ \text{analogical verification}. }

十九、這正是「生成器—驗證器」架構的新版本

在本篇裡：

Transfer Generator

負責：

GenerateTargets⁡(x).\operatorname{GenerateTargets}(x).

盡量擴張：

Dx.\mathcal D_x.

Transfer Verifier

檢查：

σrel,A,Rmismatch.\sigma_{\mathrm{rel}}, \quad \mathcal A, \quad R_{\mathrm{mismatch}}.

所以：

跨域想像可以大膽，\boxed{ \text{跨域想像可以大膽，} }

但：

跨域採用必須保守。\boxed{ \text{跨域採用必須保守。} }

這和第一部提出的：

生成性樂觀→嚴格懷疑\text{生成性樂觀} \rightarrow \text{嚴格懷疑}

完全一致。

二十、本文提出 Mis-Transfer Rate

定義：

MTR=P(transfer accepted∣structural incompatibility).MTR = P( \text{transfer accepted} \mid \text{structural incompatibility} ).

稱為：

Mis-Transfer Rate

高：

MTRMTR

表示系統經常：

  • 因表面相似套用錯方法；
  • 把比喻當機制；
  • 忽略領域條件；
  • 把舊證據無條件搬到新領域。

所以真正高 transfer intelligence 不只是：

generate more analogies.\text{generate more analogies}.

而是：

generate broadly, accept selectively.\boxed{ \text{generate broadly, accept selectively}. }

二十一、還需要 Structural Relocation Rate

對所有已保存資產：

S={x1,…,xn},\mathcal S = \{x_1,\ldots,x_n\},

其中有些真正存在新用途：

S∗.\mathcal S^*.

智能成功重新定位：

S^.\hat{\mathcal S}.

定義：

SRR=∣S^∩S∗∣∣S∗∣+ε\boxed{ SRR = \frac{ |\hat{\mathcal S}\cap\mathcal S^*| }{ |\mathcal S^*|+\varepsilon } }

稱為：

Structural Relocation Rate

它回答：

我們留下的東西，最後有多少真的被重新放進有價值的位置？

二十二、因此第 14 篇的 Salvage Recall 還不夠

第 14 篇有：

SR=Salvage Recall.SR = \text{Salvage Recall}.

表示：

該保留的有沒有留下來？

但即使：

SR=1,SR=1,

如果：

SRR=0,SRR=0,

仍然表示：

保存成功，遷移失敗。\boxed{ \text{保存成功，遷移失敗。} }

所以完整鏈條是：

Salvage→Retention→Retrieval→Relocation.\boxed{ \text{Salvage} \rightarrow \text{Retention} \rightarrow \text{Retrieval} \rightarrow \text{Relocation}. }

二十三、重新定位至少有七種去向

不是所有資產都應該跨領域。

本文提出：

ρ(x)∈{D1,…,D7}.\rho(x) \in \{ D_1,\ldots,D_7 \}.

D1D_1：Restricted Original Theory

原理論仍可在較窄 scope 使用。

D2D_2：Sibling Theory

轉移到相鄰問題或同領域新理論。

D3D_3：Method Library

理論死了，但方法成為通用工具。

D4D_4：Representation Library

保留圖形、符號、狀態表示或資料結構。

D5D_5：Negative Knowledge Base

保存：

  • 失效模式；
  • 反例；
  • 不可行條件。

D6D_6：Question Generator

理論主要價值變成：

Q(T).Q(T).

D7D_7：Cross-Domain Source

成為其他領域類比與方法移植的 source domain。

所以：

salvage value\boxed{ \text{salvage value} }

不只有一種目的地。

二十四、重新定位的核心是「功能重命名」

一個理論中的元素：

xx

原本功能：

ψold.\psi_{\mathrm{old}}.

遷移後可能：

ψnew≠ψold.\psi_{\mathrm{new}}\neq\psi_{\mathrm{old}}.

例如：

  • 原本是 proof tool；
  • 後來成為 counterexample generator；

或：

  • 原本是 explanatory model；
  • 後來只保留 benchmark value；

或：

  • 原本是核心假說；
  • 後來成為 null model。

所以：

結構保存\boxed{ \text{結構保存} }

不必等於：

功能保存.\boxed{ \text{功能保存}. }

這是重新定位最重要的概念之一。

二十五、這與 exaptation 有相似的抽象形式

在演化語境中，某個特徵可能原先為一種功能形成，後來被利用於另一種功能。

本文不把理論資產直接等同生物 exaptation。

但抽象結構相似：

structure retained\text{structure retained}

同時：

function reassigned.\text{function reassigned}.

因此理論回收也可能具有：

functional exaptation.\boxed{ \text{functional exaptation}. }

也就是：

原本服務 A 問題的結構，在 A 失敗後，被 B 問題重新使用。

二十六、這使「錯誤歷史」本身變成方法庫

如果研究 Agent 長期工作：

F1,F2,…,FnF_1,F_2,\ldots,F_n

不應只形成：

failure archive.\text{failure archive}.

而可以逐步形成：

MF={Λ1,Λ2,…}.\mathcal M_F = \{\Lambda_1,\Lambda_2,\ldots\}.

也就是：

Salvaged Structure Library

其中保存：

  • proof motifs；
  • failure patterns；
  • transformation rules；
  • useful representations；
  • boundary conditions；
  • transferable heuristics。

此時：

歷史不只是記憶，\boxed{ \text{歷史不只是記憶，} }

而成為：

未來搜尋算子的供應庫。\boxed{ \text{未來搜尋算子的供應庫。} }

二十七、但檢索本身也需要學習

Case-based reasoning 研究長期指出：

不只是案例要保存，連「怎麼找到適合的案例」也需要學習。

對本系列而言：

Retrieve⁡(x∣P′)\operatorname{Retrieve}(x\mid P')

不能只靠：

  • 關鍵詞；
  • 領域標籤；
  • 同名概念。

更需要索引：

Ix=(Λx,Ax,Fx,Gx).I_x = ( \Lambda_x, \mathcal A_x, F_x, G_x ).

即：

  • 關係結構；
  • 適用條件；
  • 失效機制；
  • 目標功能。

這樣才能提高真正：

deep retrieval.\text{deep retrieval}.

二十八、科學 analogical search 已經開始直接做這件事

2022 年的 scientific analogical search 工作嘗試讓科研文獻搜尋越過普通 keyword matching，尋找問題抽象上的類比，並發現中介層級的 abstraction matching 有助於科研創意。

這表示未來研究 Agent 的 memory retrieval 不應只問：

哪一篇舊研究和現在最像？

而要問：

哪一個舊問題具有現在需要的關係結構？\boxed{ \text{哪一個舊問題具有現在需要的關係結構？} }

這是完全不同的檢索方式。

二十九、2026 年這條路已經開始進入 AI 科學系統

2026 年 Cambridge 對 Analogical Reasoning in Science 的最新專論仍把 analogy 放在科學面對陌生系統與有限資訊時的重要推理位置。

同年 AI 科學研究更開始實驗：

cross-domain relational retrieval\text{cross-domain relational retrieval}

來擴張解法空間。

所以第 15 篇並不只是一個知識管理命題。

它正逐漸變成：

AI research architecture problem.\boxed{ \text{AI research architecture problem}. }

三十、本文提出 Structural Relocation Pipeline

綜合以上，完整流程可以寫成：

T→Salvage⁡→DetachIdentity⁡→AbstractStructure⁡→Index⁡→Retrieve⁡→Match⁡→Adapt⁡→Validate⁡→Relocate⁡.\boxed{ T \rightarrow \operatorname{Salvage} \rightarrow \operatorname{DetachIdentity} \rightarrow \operatorname{AbstractStructure} \rightarrow \operatorname{Index} \rightarrow \operatorname{Retrieve} \rightarrow \operatorname{Match} \rightarrow \operatorname{Adapt} \rightarrow \operatorname{Validate} \rightarrow \operatorname{Relocate}. }

其核心是：

Salvage

決定什麼值得留下。

Detach Identity

不讓「來自失敗理論」成為永久負標籤。

Abstract Structure

抽出真正可轉移關係。

Index

用結構而非只用名稱建立索引。

Retrieve

在新問題出現時召回。

Match

比較深層關係。

Adapt

修改領域不相容部分。

Validate

重新驗證。

Relocate

正式進入新的研究位置。

三十一、這一步真正把 FSR 變成跨時生成能力

第 08 篇：

FSR=Failure Salvage Rate.FSR = \text{Failure Salvage Rate}.

如果沒有第 15 篇：

FSRFSR

最多表示：

我們很會從失敗中留下東西。

現在則進一步：

FSR→SRR→Δπfuture.FSR \rightarrow SRR \rightarrow \Delta\pi_{\mathrm{future}}.

即：

留下來→重新找到→重新使用→改變未來行動.\boxed{ \text{留下來} \rightarrow \text{重新找到} \rightarrow \text{重新使用} \rightarrow \text{改變未來行動}. }

這才形成真正的：

跨時生成性記憶.\boxed{ \text{跨時生成性記憶}. }

三十二、這也使「跨時自我」開始具備具體載體

第 13 篇說：

At∼IAt+1.A_t\sim_I A_{t+1}.

那麼：

II

到底由什麼構成？

第 15 篇現在給出一部分答案：

I⊃StI \supset \mathcal S_t

其中：

St\mathcal S_t

就是前時刻留下的：

  • 有效結構；
  • 失敗模式；
  • 方法；
  • 表示；
  • 問題；
  • 遷移規則。

所以跨時同一性不需要：

At=At+1.A_t=A_{t+1}.

只需要：

上一時刻真正有價值的結構，能夠被下一時刻重新調用。\boxed{ \text{上一時刻真正有價值的結構，能夠被下一時刻重新調用。} }

三十三、最終需要防止兩種相反失敗

第一種：Archive Lock

salvaged→stored forever.\text{salvaged} \rightarrow \text{stored forever}.

有記憶，

但沒有生成。

第二種：Transfer Mania

everything resembles everything.\text{everything resembles everything}.

到處類比、到處套用，

造成：

MTR↑.MTR\uparrow.

所以理想研究智能需要：

SRR↑\boxed{ SRR\uparrow }

同時：

MTR↓.\boxed{ MTR\downarrow. }

也就是：

真正值得搬的結構要搬得出去，不值得搬的不能亂搬。

三十四、結論：真正的回收不是保存殘骸，而是讓結構找到新的家

第 14 篇說：

理論可以死，資產可以活。\boxed{ \text{理論可以死，資產可以活。} }

第 15 篇再往前一步：

資產活著，還不夠。\boxed{ \text{資產活著，還不夠。} }

它必須能：

找到新的作用位置。\boxed{ \text{找到新的作用位置。} }

因此真正的失敗回收不是：

F→Archive.F \rightarrow \text{Archive}.

而是：

F→Salvage→Abstract→Transfer→Validate→Relocate.\boxed{ F \rightarrow \text{Salvage} \rightarrow \text{Abstract} \rightarrow \text{Transfer} \rightarrow \text{Validate} \rightarrow \text{Relocate}. }

一個方法可以離開失敗理論，成為另一個問題的工具。

一個錯誤模型可以離開「錯答案」的位置，成為對照模型。

一個反例可以離開否定命題的位置，成為分類器。

一個失敗表示可以離開舊理論，成為新理論的語言。

所以：

結構真正被回收的標準，\boxed{ \text{結構真正被回收的標準，} }

不是：

它還存在。\boxed{ \text{它還存在。} }

而是：

它在新的問題裡再次產生了價值。\boxed{ \text{它在新的問題裡再次產生了價值。} }

下一篇：

價值耦合智能論 16

跨時自我與生成連續性：錯得起、回得來、帶得走

第 13 篇建立：

失敗後的自我評價與目標調整.\text{失敗後的自我評價與目標調整}.

第 14 篇建立：

哪些理論結構應該留下.\text{哪些理論結構應該留下}.

第 15 篇建立：

留下的結構如何重新進入未來.\text{留下的結構如何重新進入未來}.

第 16 篇將把三者正式合併成：

At→At+1\boxed{ A_t \rightarrow A_{t+1} }

的跨時生成連續性模型。

參考資料（本篇重新查核）

  1. Gentner, D. (1983). Structure-Mapping: A Theoretical Framework for Analogy. Cognitive Science, 7(2), 155–170.
  2. de Mántaras, R. L. et al. (2005/2006). Retrieval, reuse, revision and retention in case-based reasoning. The Knowledge Engineering Review, 20(3), 215–240.
  3. Barnett, S. M., & Ceci, S. J. (2002). When and Where Do We Apply What We Learn? A Taxonomy for Far Transfer. Psychological Bulletin, 128(4), 612–637.
  4. Kang, H. B., Qian, X., Hope, T., Shahaf, D., Chan, J., & Kittur, A. (2022). Augmenting Scientific Creativity with an Analogical Search Engine.
  5. Nappo, F., & Valente, G. (2026). Analogical Reasoning in Science. Cambridge University Press, Elements in the Philosophy of Science.
  6. Shen, A., Druckmann, S., & Zou, J. (2026). Unlocking LLM Creativity in Science through Analogical Reasoning.
  7. Musker, S., Duchnowski, A., Millière, R., & Pavlick, E. (2025). LLMs as models for analogical reasoning. Journal of Memory and Language.
  8. Puranam, P., Sen, P., & Workiewicz, M. (2025). Can LLMs Help Improve Analogical Reasoning for Strategic Decisions? Experimental Evidence from Humans and GPT-4.
  9. Minegishi, G. et al. (2026). Emergent Analogical Reasoning in Transformers.