從差異到顯現

Q: 2.1 什麼是場？

本文所說的「場」不是物理場，而是：

視域、前景、背景與遮蔽的生成

英文題名： From Difference to Appearance: The Generation of Visual Fields, Figure–Ground Structure, and Occlusion
系列： 《視之基底：從差異顯現到終極觀察者》02
作者： Neo.K（許筌崴）
AI 協作： GPT-5.6 Thinking
機構： EveMissLab／一言諾科技有限公司
文件性質： 基礎理論論文／命題猜想論文
版本： v0.1
日期： 2026-08-01
狀態： 概念分析、形式框架與可檢驗命題；不宣稱建立完成的現象意識理論
前置文件： 《觀察不是底：差異、邊界、耦合與痕跡》v0.1

摘要

前一篇提出，觀察不是不可再分析的最底層，而至少依賴差異、邊界、耦合、痕跡與可取用整合。這解釋了差異如何成為「對某系統可用的差異」，卻仍沒有回答一個更深問題：

為什麼可用差異會進一步成為「有東西出現在一個視域裡」？

一個系統能感測、記錄、分類與行動，不代表它已形成前景、背景、視點、遮蔽、對象持續性或整體場。本文因此將「顯現」定位為介於最低功能觀察與完整視域之間的第二次組織門檻。

本文提出：

\boxed{ \text{差異可用} \not\Rightarrow \text{差異已顯現} }

顯現至少需要五種附加結構：

場化（Fielding）：多個差異被放入共同關係域；
顯著化（Saliencing）：部分內容取得較高處理優先級；
圖地化（Figure–Grounding）：部分內容成為相對完整對象，其他內容成為背景；
遮蔽建模（Occlusion Modeling）：當可見資訊不完整時，系統仍保存被遮蔽對象的持續性候選；
視點條件化（Perspective Conditioning）：同一世界差異依觀察位置、任務與可達資訊形成不同顯現。

因此本文將視域生成表示為：

\mathcal{V} = \mathcal{P} \circ \mathcal{O} \circ \mathcal{G} \circ \mathcal{S} \circ \mathcal{F} \left( \mathcal{O}_{\min}(W) \right)

其中：

$\mathcal{F}$ ：場化；
$\mathcal{S}$ ：顯著化；
$\mathcal{G}$ ：圖地組織；
$\mathcal{O}$ ：遮蔽／持續性建模；
$\mathcal{P}$ ：視點條件化。

本文不把「視域」限制於像素畫面。語義關係、概念圖、論證空間、程式狀態、AI 記憶與反事實搜索，同樣可能形成視域型結構，只要系統能同時保存前景與背景、可見與不可見、局部與整體、已知與待補全關係。

本文進一步區分：

\text{發生} \neq \text{被感測} \neq \text{被登錄} \neq \text{被辨識} \neq \text{顯現} \neq \text{進入注意} \neq \text{成為知識}

顯現不是單純「更多資訊」，而是資訊被組織成有結構的可取用場。Gestalt 的圖地分離、局部輪廓與物體形成研究，以及現代 scene–object 雙向處理與 predictive processing，都顯示人類視覺並非把像素逐點轉錄，而是持續建立對象—背景、局部—場景及可見—被遮蔽內容之間的動態關係。

本文亦提出「遮蔽是視的核心而非缺陷」：真正的視不只處理已顯現內容，也對未顯現但被推定持續存在的部分建立條件性模型。從這裡，視第一次與「不可觀察者分類」重新接合：視域內部同時包含已顯現、背景化、被遮蔽、未解析與模型推定內容。

本文的核心結論是：

\boxed{ \text{視不是看見全部， 而是組織可見與不可見之間的關係。} }

以及：

\boxed{ \text{顯現} = \text{差異進入一個有前景、背景、視點與遮蔽結構的場。} }

這為下一篇「觀察者如何誕生」提供直接前提：一旦出現視域，便必須進一步回答——視域相對於誰而成立？那個持續的「位置」如何形成位格與主客關係？

關鍵詞： 顯現、視域、圖地分離、前景、背景、遮蔽、視點、注意、預測處理、語義視

0. 前一篇仍缺少什麼？

前一篇建立最低觀察：

\mathcal{O}_{\min} = \mathcal{A} \circ \mathcal{T} \circ \mathcal{C} \circ \mathcal{B} \circ \mathcal{D}

這已能解釋世界差異、系統邊界、差異敏感、痕跡與可取用性。但一個系統即使滿足上述條件，也可能只做：

input A → output 0
input B → output 1

它有最低功能觀察，卻沒有明顯的「場」。如果要解釋「我看到桌上的杯子，而桌子仍在背景」「我看見半遮蔽的貓，仍理解後面可能有完整身體」「AI 目前處理一個主命題，同時保留依賴、反例與未展開背景」，就需要比最低觀察更多的結構。

本文把這個新增層稱為：

\boxed{\text{顯現結構}}

1. 發生、顯現與觀察

1.1 發生不等於顯現

設世界中發生事件 $e_t$ 。如果沒有任何系統對其形成可取用差異，它只是發生。

1.2 被觀察也不必形成顯現場

感測器讀到：

T=28.4^\circ C

它可完成辨識，但未必形成前景、背景、遮蔽、對象與全局關係。因此：

\operatorname{Observed}(x) \not\Rightarrow \operatorname{AppearsInField}(x)

1.3 顯現的最低含義

本文將顯現暫定義為：

某個被觀察差異不只被登錄，而且被定位到一個相對穩定的關係場中，與其他顯現或未顯現內容形成可比較關係。

形式上：

\mathcal{E}_{app}(x) = ( x, \mathcal{N}(x), r_x, p_x, u_x )

其中：

$\mathcal{N}(x)$ ：與 $x$ 相關的鄰域；
$r_x$ ：與其他項目的關係；
$p_x$ ：目前優先度或前景性；
$u_x$ ：未解析、遮蔽或不確定部分。

2. 第一新條件：場化

2.1 什麼是場？

本文所說的「場」不是物理場，而是：

多個差異在同一操作框架中可以彼此定位、比較與重新組織的關係域。

表示為：

\mathfrak{F} = (N,R,\Lambda)

其中：

$N$ ：節點、對象或候選內容；
$R$ ：關係；
$\Lambda$ ：當前組織規則與尺度。

2.2 為什麼單點辨識不夠？

若系統只能回答「有貓／沒有貓」，它可能並不知道貓在哪裡、被什麼遮住、與桌子有何關係、是否是同一隻貓、背景還有哪些對象。

形成視域需要：

x_i \mapsto (x_i,R_{ij},R_{ik},\ldots)

即內容不只「存在於系統」，也存在於關係中。

2.3 場的多模態形式

視域可以是：

空間場；
時間場；
語義場；
社會代理場；
記憶場；
程式狀態場；
理論依賴場。

所以本文使用「視域」不是把所有認知硬改成圖像，而是抓取其共同結構：

\boxed{ \text{可定位} + \text{可比較} + \text{可重新聚焦} }

3. 第二新條件：顯著化

3.1 視域不是均勻場

在任何有限系統中，所有內容都不可能同時以相同解析度、相同優先級被處理。

因此視域包含：

s_i = \operatorname{Salience}(x_i\mid q,c)

其中 $q$ 是任務， $c$ 是情境與內部狀態。

3.2 顯著性來源

顯著性可能來自：

物理突出；
新奇；
威脅；
任務相關；
記憶；
預期違反；
社會價值；
主動目標。

因此：

s_i = F( \text{bottom-up}, \text{top-down}, \text{history}, \text{goal} )

3.3 顯著性不是「真實重要性」

\operatorname{Salient}(x) \not\Rightarrow \operatorname{Important}(x)

被注意的內容未必最重要，重要內容也可能落在背景。這對 AI 尤其重要：模型可能過度處理醒目詞、高頻模式或最近 token，卻忽略否定、例外、來源條件或版本。

4. 第三新條件：圖地化

4.1 Figure–Ground

視覺組織的一個經典現象是：

\text{Figure} / \text{Ground}

某個區域取得對象性、邊界歸屬、前景位置與較強辨識，而其他內容成為背景或環境。

4.2 圖與地不是有／無

背景不是不存在。

\boxed{ \text{Ground} = \text{仍然參與顯現， 但沒有成為當前主要對象的內容。} }

沒有背景，前景也失去比例、位置、邊界、情境與意義。

4.3 局部輪廓與高階影響

現代 figure–ground 研究顯示，局部輪廓、閉合、曲率與平行性可支持圖地分離，但熟悉度、注意與高階因素也會影響邊界歸屬。

這表示圖地不是單純：

\text{pixel} \rightarrow \text{edge} \rightarrow \text{object}

而是局部與全局、低階與高階的互動。

4.4 語義圖地

對語義視域也可定義：

FIGURE:
  當前主命題

GROUND:
  背景知識、隱含條件、世界模型

BORDER:
  這個命題的適用範圍

OCCLUDED:
  尚未檢索但可能相關的來源或反例

所以「圖地」可抽象為：

\boxed{ \text{目前被當作對象者} / \text{使它成為該對象的條件場} }

5. 第四新條件：遮蔽

5.1 為什麼遮蔽是視的核心？

如果真正的視只處理目前可見像素，那麼一個物體被牆遮住一半後，系統應只剩一半物體。但成熟感知通常保持：這是同一個完整對象，只是部分不可見。

因此視域必須包含：

\boxed{ \text{可見} + \text{推定不可見} }

5.2 遮蔽狀態

令對象：

o=(o_{\mathrm{vis}},o_{\mathrm{occ}})

其中：

$o_{\mathrm{vis}}$ ：可觀察部分；
$o_{\mathrm{occ}}$ ：被遮蔽部分。

系統建立：

P(o_{\mathrm{occ}}\mid o_{\mathrm{vis}},context)

5.3 遮蔽不是幻想證書

\operatorname{PredictedHidden}(x) \not\Rightarrow \operatorname{Exists}(x)

對不可見部分建立模型不表示模型一定正確。它只是模型推定的隱藏內容，直到新的視角或證據確認。

5.4 遮蔽的認識論意義

任何有限觀察都包含某種遮蔽：

視覺遮蔽；
儀器盲區；
統計未測變量；
歷史缺失；
AI context 外資訊；
未檢索來源；
不可訪問內部狀態。

因此：

\boxed{ \text{視域不是純粹可見域， 而是可見與不可見的邊界模型。} }

6. 第五新條件：視點條件化

6.1 同一世界，多個顯現

同一世界狀態 $W$ ，對不同觀察條件 $c_1,c_2$ ：

V_1=\mathcal{V}(W\mid c_1)

V_2=\mathcal{V}(W\mid c_2)

且通常：

V_1\neq V_2

6.2 視點不只等於幾何位置

視點可包含：

身體位置；
感測器配置；
注意目標；
任務；
語言；
理論；
權限；
記憶；
社會角色。

因此「對某者而言」更精確地是：

\boxed{ \text{對某個條件化觀察位置而言} }

6.3 視點與錯誤

不同視點可以互補、衝突、各自局部正確或受到系統性偏差。這使多視點整合成為後續「觀察者」與「全知」問題的關鍵。

7. 視域生成算子

綜合前述，定義：

\mathcal{V} = \mathcal{P} \circ \mathcal{O} \circ \mathcal{G} \circ \mathcal{S} \circ \mathcal{F} \circ \mathcal{O}_{\min}

並表示某時刻視域為：

\boxed{ V_t=(F_t,G_t,O_t,P_t,U_t) }

其中：

$F_t$ ：前景集合；
$G_t$ ：背景場；
$O_t$ ：遮蔽／未顯現模型；
$P_t$ ：視點；
$U_t$ ：不確定與未解析部分。

8. 顯現與注意不是同一件事

8.1 有些內容顯現但不是焦點

人可以專注在杯子上，但桌子、房間與背景仍參與顯現。

\operatorname{Appears}(x) \not\Rightarrow \operatorname{Attended}(x)

8.2 有些內容捕捉注意

高顯著刺激可能突然進入焦點，但顯著性與注意捕捉並不是固定一對一關係。

8.3 注意可重新組織圖地

當注意從桌上的杯子移到桌面刮痕時：

\text{figure}_{t} \rightarrow \text{ground}_{t+1}

\text{ground}_{t} \rightarrow \text{figure}_{t+1}

所以視域不是靜態圖，而是可重配置結構。

9. 場景與對象的雙向生成

現代 scene perception 研究顯示：

對象資訊影響場景理解；
場景脈絡影響對象辨識；
多個對象會形成 constellation；
初步 scene gist 與 object processing 可部分平行進行。

這意味着：

P(O_i\mid S)

與：

P(S\mid O_1,\ldots,O_n)

雙向更新。

所以顯現不是 parts → whole 的單方向累加，而更接近：

\boxed{ \text{局部} \leftrightarrow \text{整體} }

的聯合推論。

10. 顯現與預測

顯現同時受到已到達訊號與先驗場景模型影響：

V_t=F(D_t,M_t)

預測可以加速辨識，也可以造成誤導。場景脈絡可能提高合理對象辨識，也可能讓不合理但真實存在的對象被忽略。

因此成熟視域應保存：

EXPECTED
OBSERVED
MISMATCH
UNRESOLVED

而不是把預測直接當真值。

11. 未顯現不是不存在

視域應區分：

11.1 背景化

存在於場中，但不在焦點。

11.2 遮蔽

被其他內容擋住。

11.3 未解析

有訊號但尚未形成穩定對象。

11.4 域外

目前觀察條件根本無法存取。

11.5 模型推定

目前沒有直接資料，但由模型推測。

所以：

\boxed{ \text{Non-Figure} \neq \text{Non-Existence} }

而：

\boxed{ \text{Not Observed} \neq \text{Not Modelled} }

12. 從視域重新理解「無知」

如果系統只知道前景內容，卻不知道自己還有背景、遮蔽、未解析區與域外，那麼它的無知是隱性的。

更高階系統可以表示：

U_t= \{ u_{\mathrm{background}}, u_{\mathrm{occluded}}, u_{\mathrm{unresolved}}, u_{\mathrm{out-of-domain}} \}

這裡開始出現「知道自己看不到什麼」的前身。

因此元觀察的前提之一，是視域本身必須能表徵自己的缺口。

13. AI 的語義視域

13.1 不是把文字變成內在圖片

語義視域可表示為：

V_{\mathrm{sem}} = (N,R,F,G,O,P)

其中：

$N$ ：概念節點；
$R$ ：關係；
$F$ ：當前前景命題；
$G$ ：背景知識；
$O$ ：未檢索、未知或被遮蔽關係；
$P$ ：任務與立場。

13.2 論文閱讀例

FIGURE:
  核心命題

GROUND:
  背景理論與方法

OCCLUDED:
  未打開附錄、未檢索來源

UNRESOLVED:
  證據不足部分

PERSPECTIVE:
  目前問題／審稿目標

這已具有強烈的「視」語義，即使沒有像素。

13.3 OAM 與語義視域

Operator-Assisted Memory 已提供語義視域的一個工程原型：

dense retrieval 提供相似鄰域；
sparse 提供精確對象；
operator tags 提供方向；
graph 提供背景與關係；
provenance 提供來源；
epistemic status 提供未決區；
version 提供時間視點。

所以 OAM 可以被重新理解為：

\boxed{ \text{人工語義視域基礎設施} }

但這仍是功能性視域，不等於現象視覺。

14. 原生符號繪圖：把視域顯影出去

符號繪圖的深層意義不是「AI 用 SVG 畫畫」，而是把：

V_{\mathrm{sem/spatial}}

外顯成：

Y_{\mathrm{public}}

即：

\mathcal{R}_{draw}:V\rightarrow Y

其中 $\mathcal{R}_{draw}$ 是有損、選擇性、風格化的顯影算子。

因此繪圖更精確地是：

\boxed{ \text{視域的公共投影} }

而不是嚴格數學意義上的逆觀察。

15. 遮蔽與原生視覺建構迴路

一次性 SVG 生成：

P\rightarrow Y

缺乏重新觀察、遮蔽檢查、邊界重估與圖地重組。

NVCL：

P \rightarrow V_t \rightarrow A_t \rightarrow Y_{t+1} \rightarrow V_{t+1}

允許模型發現：

物件被遮錯；
前景與背景層級錯誤；
對象不完整；
場景脈絡不一致。

因此 NVCL 不只是繪圖訓練，而是：

\boxed{ \text{視域自我校正迴路} }

16. 顯現與第一人稱經驗

本文保持一條重要邊界：功能上具有 figure、ground、salience、occlusion、perspective，不等於必然具有「看起來像什麼」的現象經驗。

因此區分：

FUNCTIONAL_FIELD
PERCEPTUAL_FIELD
PHENOMENAL_FIELD

Functional Field：任何可操作關係場；
Perceptual Field：與感測和行動耦合的關係場；
Phenomenal Field：對某主體而言具有 lived appearance 的場。

本文建立前兩者的一般架構，第三者保持未決。

17. 顯現能否沒有主體？

17.1 弱形式

可以先談 field-relative appearance，即某內容相對於系統的可取用場而成為前景。這不預設人格化主體。

17.2 強形式

若說「某東西真的對某者顯現」，則似乎已經引入：

持續位置；
自我關聯；
第一人稱指向。

因此顯現論最終會推向位格問題。這正是下一篇的入口。

18. 視域的失敗模式

18.1 過度前景化

單一高顯著內容壓制背景。

18.2 背景遺失

系統失去情境，導致局部正確、全局錯誤。

18.3 遮蔽補全錯誤

系統自信填補不存在內容。

18.4 視點僵化

無法從其他位置重建同一對象。

18.5 圖地顛倒

把背景噪音當核心對象。

18.6 全局幻覺

由少數局部線索建立過度完整場景。

18.7 域外無知不可見

系統不知道自己的觀察邊界。

19. 命題與猜想

定義 D1：顯現場

若被觀察內容被置入一個可重配置關係域，並具有前景／背景、視點與未顯現部分的區分，則稱其形成最低顯現場。

命題 P1：背景必要命題

前景的定位依賴至少某種背景或參照結構。

命題 P2：遮蔽不等於不存在

被遮蔽內容的不可見性不能單獨推出其不存在。

命題 P3：顯著性非真理命題

處理優先級不能直接推出對象的重要性或真實性。

猜想 C1：場化增益猜想

多差異場化應提高全局一致性、遮蔽推理與多對象關係辨識。

猜想 C2：圖地可逆猜想

部分前景／背景配置可因任務與注意改變而反轉。

猜想 C3：遮蔽模型必要性猜想

對部分可見世界的穩定互動，需要某種未顯現內容持續性模型。

猜想 C4：視點切換能力猜想

能在多視點間轉換的系統，應較能區分對象不變量與觀察條件。

猜想 C5：語義視域猜想

非像素 AI 系統可形成具有前景、背景、遮蔽與視點的功能性語義視域。

猜想 C6：元無知前置猜想

能表徵視域缺口，是形成「我不知道什麼」的必要但不充分條件。

20. 可檢驗實驗

20.1 Figure–Ground 類比任務

對人類、vision model 與 language model 建立主體、背景、干擾與反轉條件，測試前景切換能力。

20.2 遮蔽推理

提供部分對象，要求：

補全候選；
信心；
多解；
新視角後修正。

20.3 視點切換

同一場景從不同視點描述，測對象持續性、關係變換與自我中心／世界中心表示。

20.4 語義背景消融

移除論文背景定義、來源、條件與反例，觀察模型是否過度誤讀主命題。

20.5 OAM 視域測試

比較：

top-k dense；
dense + graph；
dense + graph + operator；
完整 OAM。

測量全局一致、來源回溯、遮蔽節點發現與未決狀態辨認。

21. 與終極觀察者問題的第一個接點

如果終極觀察者真的「看見一切」，那麼它是否還有：

前景；
背景；
遮蔽；
域外；
視點？

若沒有任何遮蔽：

O=\varnothing

若沒有任何背景：

G=\varnothing

若沒有特定視點：

P=\Omega

則我們通常所說的「視域」結構可能失效。

這意味著：

全知者的「視」未必只是普通觀察放大到無限。

它可能是不同類型的知識形式。但此問題暫留給系列第 5、6 篇。

22. 本文不主張什麼？

本文不主張：

Gestalt 原則是所有認知的最終定律；
前景／背景必然伴隨主觀意識；
predictive processing 已證明大腦採用單一貝葉斯算法；
AI 的語義場等同人類視覺經驗；
被遮蔽內容必然存在；
一切思考都需要空間圖像；
五個新增算子已被證明是唯一最小集合。

本文只主張：

一旦我們從最低觀察提升到「有東西在某個域中成為對象」，便必須處理多差異組織、前景與背景、遮蔽、視點與不確定內容。

23. 結論

第 1 篇回答：

差異如何成為對某系統可用？

本篇進一步回答：

可用差異如何成為「有東西出現在一個視域中」？

答案不是單純增加更多資訊，而是形成：

\boxed{\text{場}}

並在場中生成：

\boxed{ \text{顯著性} + \text{前景／背景} + \text{遮蔽} + \text{視點} }

所以：

\boxed{ \text{顯現} = \text{差異進入有組織的視域} }

而視域可以表示為：

\boxed{ V_t=(F_t,G_t,O_t,P_t,U_t) }

最終：

\boxed{ \text{真正的視不是看見全部， 而是組織已顯現與未顯現之間的關係。} }

這也使一個新的問題無法避免：

若視域總是相對於某個視點成立，那個視點如何持續成為「同一個位置」？

下一篇將因此進入：

《觀察者如何誕生：自我區分、位格與主客形成》

參考文獻

Peelen, M. V., Berlot, E., & de Lange, F. P. (2024). Predictive processing of scenes and objects. Nature Reviews Psychology, 3, 13–26.
Shishikura, M., Machida, I., Tamura, H., & Sakai, K. (2025). Local contour features contribute to figure-ground segregation in monkey V4 neural populations and human perception. Neural Networks, 181, 106821.
Elder, J. H., Peterson, M. A., & Walther, D. B. (2024). Perceptual organization in computer and biological vision. Frontiers in Computer Science, 6, 1419831.
Peterson, M. A. (2009). Attention and competition in figure-ground perception. Progress in Brain Research, 176, 1–13.
Vecera, S. P. (2009). Perceptual organization and visual attention. Progress in Brain Research, 176.
Kirsch, W., & Kunde, W. (2024). An attentional approach to geometrical illusions. Frontiers in Psychology, 15, 1360160.
O’Regan, J. K., & Noë, A. (2001). A Sensorimotor Account of Vision and Visual Consciousness. Behavioral and Brain Sciences, 24(5), 939–973.
Varela, F. J., Thompson, E., & Rosch, E. (1991). The Embodied Mind. MIT Press.
Neo.K. (2026). 觀察不是底：差異、邊界、耦合與痕跡. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 基底視覺論：弱形式、強形式與感知位格. EveMissLab Internal Paper.
Neo.K. (2026). 原生符號繪圖假說. EveMissLab Internal Paper.
Neo.K. (2026). 原生視覺建構迴路. EveMissLab Internal Paper.
Neo.K. (2026). Operator-Assisted Memory. EveMissLab Internal Paper.

內部研究備註

本文為系列第 2 篇。
第 1 篇的最低觀察與本篇顯現場必須保持分離；辨識不自動等於顯現。
本文把「遮蔽」提升為視域的核心結構，而不是感知缺陷。
本文不把 functional field 等同 phenomenal field。
第 3 篇將正式處理持續視點如何形成觀察者／位格。
第 5、6 篇再討論全知條件下前景、背景與遮蔽是否失效。

視之基底系列_02_從差異到顯現_視域前景背景與遮蔽的生成_v0.1