HSNRD II：投影、資訊失真與高階代理

——從 Microstate 到 Macrostate 的可逆性、充分性與因果抽象

系列：《高階集合欲求》
篇次： 08 / 10
作者： Neo.K × Aletheia
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-07

摘要

HSNRD I 已建立階梯集合、typed set-node、incidence、relation bundle 與 multilayer graph 的靜態本體。然而，只要模型中存在由低階節點構成的高階節點，就必須回答一個更基本的數學問題：低階世界究竟如何投影為高階世界？投影丟失了哪些資訊？什麼資訊是無關細節，什麼資訊卻是代理、決策與因果分析不可丟失的結構？

本文將低階狀態表示為隨機變量 $X$ ，高階表示為：

\boxed{ Z=\pi(X) }

其中 $\pi$ 是 micro-to-macro projection / coarse-graining。對離散確定性投影，本文以：

\boxed{ H(X\mid Z) }

衡量由高階表示留下的微觀重建歧義，並強調這不是物理世界「資訊被銷毀」的普遍命題，而是相對於觀察者與投影映射的表徵資訊損失。若研究目標為 $Y$ ，則更適合用：

\boxed{ \Delta I_Y = I(X;Y)-I(Z;Y) }

衡量 projection 對任務相關資訊的損失。依 data-processing inequality，若 $Y\rightarrow X\rightarrow Z$ 形成 Markov chain，則：

I(Z;Y)\le I(X;Y).

若等號成立， $Z$ 對 $Y$ 可視為充分表示；因此 HSNRD 不應追求「保留全部微觀資訊」，而應尋找對研究問題足夠的宏觀表示。

本文進一步處理：（1）非單射投影與 multiple realization；（2）線性 incidence projection 與 pseudoinverse reconstruction；（3）information bottleneck 式的壓縮—任務資訊權衡；（4）Markov lumpability 與宏觀動力封閉；（5）causal abstraction 下的 intervention consistency；（6）高階代理所需的 agency-sufficient projection。本文亦說明 Hoel 式 causal emergence 可用來比較不同尺度的有效因果資訊，但不應被直接解讀為宏觀層產生了脫離微觀基底的新本體因果力。

本文最終提出：

\boxed{ GoodMacrostate \neq MaximallyDetailedMacrostate }

而應是：

\boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. }

這構成 HSNRD 從靜態階梯集合進入高階代理與動力模型的關鍵橋梁。

關鍵詞： HSNRD、coarse-graining、projection、conditional entropy、information bottleneck、lumpability、causal abstraction、multiple realization、高階代理

1. 問題：高階世界是怎麼「看見」低階世界的？

HSNRD I 定義了：

X_i^{(k,\tau)}

以及多階集合：

\mathcal L_0 \rightarrow \mathcal L_1 \rightarrow \cdots \rightarrow \mathcal L_K.

但只要：

X^{(k+1)}

由：

\{X_i^{(k)}\}

構成，

就出現一個不可迴避的問題：

高階狀態是否只是低階全部狀態的完整複製？

如果是，

那麼：

X^{(k+1)}

沒有任何壓縮作用。

如果不是，

就必須存在：

\boxed{ \pi_k: \Omega_k \rightarrow \Omega_{k+1} }

將低階狀態空間映射到高階狀態空間。

因此：

\boxed{ Macrostate = Projection(Microstate). }

HSNRD 的第二個數學核心就是 projection。

2. 確定性投影

令低階隨機狀態：

X\in\Omega.

高階狀態：

Z\in\mathcal Z.

若：

\boxed{ Z=\pi(X), }

則 $\pi$ 為 deterministic coarse-graining。

例如三個人的二元偏好：

X=(x_1,x_2,x_3) \in \{0,1\}^3.

可以投影為：

多數決

Z_M = \mathbf 1 \left[ x_1+x_2+x_3\ge2 \right].

支持人數

Z_C = x_1+x_2+x_3.

兩者都是合法 projection，

但保留的資訊量不同。

3. 投影通常不是單射

對大多數 coarse-graining：

\boxed{ \pi \text{ is not injective}. }

也就是存在：

x\neq x'

使：

\pi(x)=\pi(x').

這表示同一高階狀態可能具有多個低階 realization。

因此：

\boxed{ NonInjectiveProjection \Longleftrightarrow MacrostateAmbiguity. }

同時也提供：

\boxed{ MultipleRealization }

的自然數學表示。

如果：

\pi^{-1}(z)

包含大量 microstates，

則：

z

是一個 coarse-grained equivalence class。

4. Macrostate 作為等價類

投影 $\pi$ 自然誘導等價關係：

x\sim_\pi x' \iff \pi(x)=\pi(x').

因此：

\boxed{ \Omega/\sim_\pi }

可以視為 macrostate space。

每個：

[z]_\pi = \pi^{-1}(z)

包含被高階描述視為「同一狀態」的 microstates。

這裡的重要問題不再是：

低階狀態真的一樣嗎？

而是：

對目前研究問題，它們是否可以被合法視為等價？

所以 coarse-graining 是：

\boxed{ QuestionRelativeEquivalence. }

5. 離散投影的資訊損失

若 $X$ 為離散隨機變量，且：

Z=\pi(X)

為 deterministic function，

則：

H(Z\mid X)=0.

因此：

\boxed{ H(X) = H(Z) + H(X\mid Z). }

所以可以把：

\boxed{ \mathcal I_\pi = H(X\mid Z) }

稱為 projection ambiguity / reconstruction uncertainty。

它回答：

已知 macrostate $Z$ 後，仍有多少關於原 microstate $X$ 的不確定性？

6. 這不是「宇宙資訊被消滅」

這一點必須嚴格限制。

H(X\mid Z)>0

表示：

從投影後表徵 $Z$ 無法唯一恢復 $X$ 。

它不是：

物理宇宙真的銷毀了資訊。

因此：

\boxed{ RepresentationalInformationLoss \neq PhysicalInformationDestruction. }

HSNRD 處理的是：

observer description；
model representation；
coarse-grained state；

中的資訊損失。

不對一般物理資訊守恆作額外主張。

7. 三個公平二元成員的 toy example

令：

X=(X_1,X_2,X_3)

三者 independent Bernoulli$(1/2)$ 。

則：

H(X)=3\text{ bits}.

投影一：只保留多數

Z_M = Majority(X).

由對稱性：

P(Z_M=0)=P(Z_M=1)=1/2.

因此：

H(Z_M)=1.

所以：

\boxed{ H(X\mid Z_M) = 3-1 = 2\text{ bits}. }

8. 支持人數保留更多資訊

若：

Z_C = X_1+X_2+X_3,

則：

P(Z_C=0,1,2,3) = \left( \frac18, \frac38, \frac38, \frac18 \right).

因此：

H(Z_C) \approx 1.811 \text{ bits}.

所以：

\boxed{ H(X\mid Z_C) \approx 1.189 \text{ bits}. }

比較：

2 > 1.189.

支持人數比單純 majority label 保留更多 micro-information。

9. 再加入一個成員身份

若 projection 為：

Z_{C1} = (Z_C,X_1),

則可以得到：

H(Z_{C1}) = 2.5 \text{ bits}.

因此：

\boxed{ H(X\mid Z_{C1}) = 0.5 \text{ bits}. }

所以：

Majority \rightarrow Count \rightarrow Count+MemberIdentity

形成逐步更豐富的 projection。

但：

\boxed{ MoreInformation \not\Rightarrow BetterMacroModel. }

因為宏觀模型的目的不是永遠最大化 $H(Z)$ 。

10. 為什麼不能追求「零資訊損失」？

如果選：

Z=X,

則：

H(X\mid Z)=0.

看似最好。

但這等於：

\boxed{ NoCompression. }

高階層失去存在意義。

所以 HSNRD 的目標不是：

\min H(X\mid Z)

單獨最小化。

而是：

\boxed{ CompressIrrelevantDetail }

同時：

\boxed{ PreserveRelevantStructure. }

這正是 information bottleneck 的基本精神。

11. Relevant Information

假設研究問題不是「恢復完整 microstate」，

而是預測：

Y.

例如：

下一期政策；
組織是否解體；
公司是否併購；
國家是否進入戰爭。

此時真正重要的是：

I(X;Y).

投影後：

I(Z;Y).

如果：

Y \rightarrow X \rightarrow Z

構成 Markov chain，

由 data-processing inequality：

\boxed{ I(Z;Y) \le I(X;Y). }

投影不能憑空創造關於 $Y$ 的資訊。

12. Task-Relevant Information Loss

因此定義：

\boxed{ \Delta I_Y(\pi) = I(X;Y)-I(Z;Y). }

如果：

\Delta I_Y = 0,

則：

Z

對 $Y$ 保留了 $X$ 中全部相關資訊。

這比：

H(X\mid Z)

更適合回答：

這個 macrostate 對研究任務夠不夠？

因為可能：

H(X\mid Z)\gg0

但：

\Delta I_Y=0.

也就是大量微觀細節被丟掉，

卻沒有丟掉任何任務相關資訊。

13. Sufficient Macrostate

如果：

I(Z;Y)=I(X;Y),

則對該推論任務可把 $Z$ 理解成某種 sufficient representation。

因此：

\boxed{ TaskSufficientMacrostate }

不需要保留：

AllMicroInformation.

它只需要保留：

AllRelevantInformationFor(Y).

這是 HSNRD 投影方法論最重要的轉折：

\boxed{ GoodProjection \neq LosslessProjection. }

而是：

\boxed{ GoodProjection = RelevantInformationPreservingProjection. }

14. Information Bottleneck 式目標

Tishby、Pereira 與 Bialek 的 Information Bottleneck 將問題表達為：

壓縮 $X$ ，同時盡可能保留與 $Y$ 有關的資訊。

HSNRD 可借用同樣思想：

\boxed{ \min_{\pi} \quad I(X;Z) - \beta I(Z;Y). }

或者等價地理解為：

壓縮：降低 $I(X;Z)$ ；
任務保留：提高 $I(Z;Y)$ 。

在 HSNRD 中：

Y

不必是普通分類標籤。

它可以是：

future state；
intervention response；
agency decision；
rewrite event；
survival / dissolution outcome。

15. Projection 必須是 Query-Relative

因此每一個 projection 應標註：

\boxed{ \pi^{(\mathcal Q)}. }

例如：

對選舉結果

\pi^{Election}

可能只需要保留：

voter blocs；
turnout；
preference ranking。

對暴力風險

\pi^{Conflict}

可能需要：

coercive capacity；
faction structure；
escalation relations。

對制度代理性

\pi^{Agency}

需要：

memory；
decision closure；
action channels；
feedback。

因此：

\boxed{ OneProjectionDoesNotFitAllQueries. }

16. 線性 incidence projection

HSNRD I 中有：

P

表示 incidence / aggregation。

在線性近似下：

x\in\mathbb R^n

為 microstate，

則：

\boxed{ z = Px }

是最簡單 projection。

例如：

P

可以：

sum；
average；
weighted aggregate。

17. 線性重建誤差

若：

P^+

為 Moore–Penrose pseudoinverse，

可以重建：

\hat x = P^+Px.

定義：

\boxed{ D_\pi(x) = \|x-P^+Px\|_2. }

這測量：

在指定 Euclidean linear model 中，投影後再做最小平方重建所留下的誤差。

但它不是普遍資訊損失。

因此：

\boxed{ LinearReconstructionError \neq ShannonInformationLoss. }

兩者可以並用，但不能混稱同一量。

18. 非線性 projection

真實 HSNRD projection 通常：

\boxed{ z = \pi(x;G,\tau,\Gamma) }

可能依賴：

graph topology $G$ ；
node types $\tau$ ；
institutional rules $\Gamma$ 。

例如「國家政策」不是公民 preference vector 的簡單平均。

可能經過：

Citizens \rightarrow Election \rightarrow Legislature \rightarrow Executive \rightarrow Policy.

因此：

\boxed{ MacroProjection }

本身可能是一個組織 operator。

19. 投影本身可以隨時間改變

如果制度改變：

選舉規則；
代表權；
公司治理；
聚合程序；

則：

\boxed{ \pi_t }

也會改變。

因此：

Z_t = \pi_t(X_t).

甚至：

\boxed{ ProjectionDynamics }

本身就是制度動力的一部分。

同一個 microstate：

X

在不同制度下可能得到：

\pi_1(X) \neq \pi_2(X).

所以：

\boxed{ MacroReality = Microstate + ProjectionRule. }

20. 投影規則具有制度性

這提供一個重要社會科學含義：

誰能被算進「人民」？

哪些票被加權？

哪些公司行為算公司正式決策？

本質上都是：

\boxed{ ProjectionDesign. }

因此政治與制度不是只改變：

X.

也在改變：

\pi.

這會改變高階「想要什麼」的形成方式。

21. Macrostate 不一定有封閉動力

假設 microstate：

X_t

是一階 Markov：

P(X_{t+1}\mid X_t).

令：

Z_t=\pi(X_t).

不能因此推出：

\boxed{ P(Z_{t+1}\mid Z_t) }

足以描述 macro dynamics。

可能需要：

P( Z_{t+1} \mid Z_t,Z_{t-1},\ldots ).

也就是：

\boxed{ MarkovMicro \not\Rightarrow MarkovMacro. }

這是一條非常重要的 HSNRD 限制。

22. Lumpability

Markov-chain lumpability 正是研究：

哪些 state partition / projection 可以產生封閉的宏觀 Markov process？

若 micro state blocks 為：

C_a,C_b,

強 lumpability 的典型條件要求：

對所有：

x,x'\in C_a,

都有：

\boxed{ \sum_{y\in C_b} P(x,y) = \sum_{y\in C_b} P(x',y) }

對所有 $b$ 成立。

其意義是：

只知道 macro-block $C_a$ 就足以知道下一 macro-block 的轉移機率，而不需要知道 block 內具體是哪個 microstate。

23. Dynamical Closure

因此可定義：

\boxed{ C_D(\pi) }

表示 projection 的 dynamical closure。

若：

C_D\approx1,

macrostate dynamics 可以較封閉地建模。

若：

C_D\ll1,

則：

Z_t

只是描述性 coarse-graining，

卻不是良好的 autonomous dynamical state。

因此：

\boxed{ DescriptiveMacrostate \neq DynamicalMacrostate. }

24. 高階代理尤其需要 dynamical closure

如果我們說：

公司是一個 agent。

那麼只知道：

CompanyState_t

應至少對：

CompanyState_{t+1}

有相當預測能力。

如果所有未來行為都必須重新讀取全部：

Microstate_t

才能判斷，

則：

CompanyState

的 dynamical autonomy 很弱。

所以高階代理需要：

\boxed{ Projection + Memory + DynamicalClosure. }

25. Projection 與 Organizational Memory

但即使即時 macrostate：

Z_t

不具 Markov closure，

也可能透過擴充 memory state：

M_t

得到：

\tilde Z_t = (Z_t,M_t)

使：

P( \tilde Z_{t+1} \mid \tilde Z_t )

更接近封閉。

所以：

\boxed{ Memory }

可以被理解成：

為高階代理恢復 dynamical sufficiency 的一種 state augmentation。

這使前面文字理論中的 institutional memory 取得明確數學功能。

26. More State Can Restore Closure

如果：

Z_t

過度粗糙，

則可以引入：

Z_t^* = ( Z_t, HistoryFeature_t ).

使：

\boxed{ H( Z_{t+1} \mid Z_t^* ) < H( Z_{t+1} \mid Z_t ). }

這表示 richer macrostate 對未來有更高預測力。

因此：

\boxed{ ProjectionDesign }

和：

\boxed{ StateAugmentation }

必須一起考慮。

27. 高階資訊不是魔法恢復

如果：

\pi

真的 non-injective，

僅知道：

Z=\pi(X)

不能唯一反演：

X.

高階智能即使再強，也不能從不存在於 input 的資訊中保證唯一重建。

它只能加入：

\boxed{ AuxiliaryInformation\ Z_{aux} }

例如：

history；
sensor；
memory；
priors；
external records。

此時：

\boxed{ H( X \mid Z,Z_{aux} ) \le H( X \mid Z ). }

但不保證為零。

所以：

\boxed{ Intelligence \neq InverseOfNonInjectiveProjection. }

28. Causal Abstraction

僅有 observational prediction 還不夠。

更強的 macro validity 要求：

高階 intervention 是否能與低階 intervention 對應？

設 micro model：

M_L,

macro model：

M_H,

projection：

\pi: M_L\rightarrow M_H.

若高階介入：

I_H

存在對應低階介入：

\omega(I_H)=I_L,

而：

\boxed{ \pi \left( do_{L}(I_L)(x) \right) \approx do_H(I_H) \left( \pi(x) \right), }

則 diagram 近似 commute。

29. Causal Fidelity Error

可定義：

\boxed{ \epsilon_C(\pi,I) = D \left( \pi( do_L(\omega(I))(X) ), do_H(I)(\pi(X)) \right). }

若對研究範圍中的 interventions：

\epsilon_C\ll1,

則 high-level model 有較高：

\boxed{ InterventionalFidelity. }

這比：

Correlation(Z_t,Z_{t+1})

更強。

30. 2026 的 compositional causal abstraction

近期工作進一步把 causal abstraction 表達為可組合模型之間的 abstraction，並區分 high-to-low / low-to-high query mapping。

這對 HSNRD 很重要。

因為我們不只需要：

StateProjection,

還需要：

\boxed{ QueryProjection }

與：

\boxed{ InterventionProjection. }

例如：

「解散公司」這個 high-level intervention

不能只被理解成：

把某一個員工變量設成 0。

它需要對應一組低階 structural interventions。

31. Causal Emergence

Hoel 等人的 causal emergence 提供另一個尺度比較方法。

在 Markov system 中，可以比較：

EI_{micro}

與：

EI_{macro}.

若：

\boxed{ EI_{macro} > EI_{micro}, }

則在該 coarse-graining 與 effective-information measure 下，可以說 macro model 表現出 causal emergence。

直觀上：

適當 coarse-graining 可能移除 micro-level degeneracy / noise，使 macro transitions 更有效率地指定未來狀態。

32. 但 Causal Emergence 不是新的神秘因果力

HSNRD 不應把：

EI_{macro}>EI_{micro}

翻譯成：

宏觀實體產生了完全脫離微觀的新宇宙力。

更保守的是：

\boxed{ MacroLevel \text{ can be a better causal description} }

在特定：

coarse-graining；
intervention distribution；
causal metric；

之下成立。

因此：

\boxed{ CausalEmergenceMetric \neq OntologicalIndependence. }

這和前一篇：

DependentAutonomy

完全一致。

33. Agency-Sufficient Projection

現在進入 HSNRD 最重要的新定義之一。

若研究問題是：

\mathcal Q_A = \text{Does }S\text{ behave as an agent?}

則 projection 必須至少保留：

identity；
memory；
preference；
decision；
action；
feedback。

定義：

\boxed{ Z_A = \pi_A(X). }

若：

Z_A

足以預測與解釋：

Decision, Action, Update

並在 relevant interventions 下保持 causal fidelity，

則稱：

\boxed{ \pi_A }

為：

Agency-Sufficient Projection

34. Agency-Sufficient 不等於 Microstate-Sufficient

可能：

H(X\mid Z_A)\gg0.

也就是：

大量 micro information 已被丟掉。

但只要：

\Delta I_{Decision}\approx0,

\Delta I_{Action}\approx0,

\epsilon_C\approx0,

則：

Z_A

仍可能足以支撐高階 agent model。

因此：

\boxed{ AgentReality \not\Rightarrow MicrostateRecoverability. }

這是高階代理數學化的一條非常重要結論。

35. Member Replacement 作為 projection invariance test

令：

T_\sigma

為 member replacement transformation。

如果：

X' = T_\sigma(X)

改變大量具體成員，

但：

\boxed{ \pi_A(X') \approx \pi_A(X), }

則 high-level agency representation 對特定成員具：

ReplacementInvariance.

這正是上一篇的：

RealizerFlexibility

在 projection language 中的版本。

36. Multiple Realization 的 fiber

對宏觀代理狀態：

z_A,

其 preimage：

\boxed{ \pi_A^{-1}(z_A) }

包含所有能實現相同高階代理狀態的 micro-configurations。

因此：

\boxed{ MultipleRealizationClass = \pi_A^{-1}(z_A). }

這裡使用 preimage / fiber 一詞是標準函數語義。

但這不等於 HSNRD I 的「relation bundle」變成微分幾何 fiber bundle。

兩者仍須分開。

37. Projection 與 Type

不同 node type 應具有不同 projection：

\boxed{ \pi_\tau. }

Family 的 macrostate 可能保留：

care structure；
kinship；
household memory。

Corporation 則保留：

ownership；
governance；
cashflow；
strategy。

所以：

\boxed{ Projection = TypeDependent. }

這和 HSNRD I：

ExistenceCondition = TypeDependent

平行。

38. Projection 與 Relation Type

同樣，

不同 relation layer 可以使用不同 coarse-graining operator：

\boxed{ \pi_\rho. }

例如：

Economic flow

可以近似 sum：

\bar W^{econ} = P W^{econ}P^\top.

Belief

可能需要 distribution / entropy。

Coercion

可能需要 max / threshold / capacity。

Information

可能需要 channel capacity / mutual information。

因此：

\boxed{ OneAggregationOperator \not\Rightarrow AllRelationLayers. }

39. 高階狀態的資訊預算

可以把 macro representation 想成有限 budget：

B_Z.

我們要選擇保留：

\boxed{ RelevantStateVariables }

而不是：

Everything.

因此可以寫一個 HSNRD conceptual optimization：

\boxed{ \min_{\pi} \quad \lambda_C C(\pi) + \lambda_L \Delta I_{\mathcal Q}(\pi) + \lambda_D D_{dyn}(\pi) + \lambda_I \epsilon_C(\pi). }

其中：

$C(\pi)$ ：representation complexity；
$\Delta I_{\mathcal Q}$ ：task information loss；
$D_{dyn}$ ：dynamical non-closure；
$\epsilon_C$ ：causal abstraction error。

這不是唯一正式 objective，

但揭示 HSNRD projection design 的四個互相衝突目標。

40. Good Macrostate 的四個條件

因此本文提出：

\boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. }

Compression

Complexity(Z)<Complexity(X).

Task Sufficiency

\Delta I_{\mathcal Q}\approx0.

Dynamical Closure

Z_t

對：

Z_{t+1}

有足夠封閉預測能力。

Interventional Fidelity

macro intervention 與 micro intervention 近似 commute。

41. 不存在普遍最佳 projection

如果 query 改變：

\mathcal Q_1 \rightarrow \mathcal Q_2,

最佳：

\pi^*

也可能改變。

所以：

\boxed{ \pi^* = \pi^*(\mathcal Q,\tau,\rho,Tolerance). }

這與前面：

Autonomy(S;\mathcal Q)

完全一致。

HSNRD 不追求：

一張宇宙唯一正確的宏觀圖。

而是：

對指定問題足夠、合法且可驗證的高階表示。

42. 投影的合法性層級

本文建議把 projection validity 分成四級。

Level P0 — Descriptive Projection

只做到：

Z=\pi(X).

Level P1 — Informational Projection

能量化：

H(X\mid Z)

與：

\Delta I_{\mathcal Q}.

Level P2 — Dynamical Projection

具有：

DynamicalClosure.

Level P3 — Causal Projection

具有：

InterventionalFidelity.

若還要做 agent attribution，

需要再加：

Level PA — Agency-Sufficient Projection

保留：

Identity,Memory,Preference,Decision,Action,Feedback.

43. HSNRD II 的數學公理／限制

Axiom P1 — Projection Explicitness

每個 macrostate 應明確說明：

\boxed{ Z=\pi(X). }

Axiom P2 — Non-Injectivity Awareness

若：

\pi

非單射，

不得宣稱從 $Z$ 唯一恢復 $X$ 。

Axiom P3 — Representation–Physics Separation

\boxed{ H(X\mid Z)>0 }

不是物理資訊毀滅命題。

Axiom P4 — Query Relativity

\boxed{ ProjectionValidity = ProjectionValidity(\mathcal Q). }

Axiom P5 — Data Processing

在適當 Markov 條件下：

\boxed{ I(Z;Y)\le I(X;Y). }

Axiom P6 — Markov Closure Not Automatic

\boxed{ MarkovMicro \not\Rightarrow MarkovMacro. }

Axiom P7 — Causal Fidelity Requires Interventions

observational compression 不足以證明 causal abstraction。

Axiom P8 — Agency Requires Agency-Sufficient Projection

高階 agent attribution 不應只依 macro correlation。

44. 與第一部的重新連接

第一部說：

HigherOrderExistence \neq HigherOrderAgency.

本篇現在補上：

高階 existence projection 與高階 agency projection 也不一定相同。

因此：

\boxed{ \pi_E \neq \pi_A }

一般成立。

用來判斷「公司是否存在」的變量，

不一定足以判斷：

公司究竟想要什麼？

45. Want 的投影條件

如果要寫：

GroupReflexivelyWants(S,x),

projection 至少應保存：

P_S(x),

I_S(x),

ActionCoupling,

Feedback,

SelfModel.

因此：

\boxed{ WantAttribution = ProjectionSensitive. }

若 projection 只保留：

Outcome=x,

就不能從：

SystemReached(x)

反推出：

SystemWanted(x).

所以：

\boxed{ OutcomeProjection \not\Rightarrow IntentionProjection. }

46. Leviathan Reversal 的投影問題

同理，

只看：

StatePolicy_t

可能看不到：

PurposeDrift, ExitLoss, DownwardReshaping.

所以 Leviathan analysis 需要：

\boxed{ \pi_L }

保留：

purpose state；
rewrite reachability；
top-down coupling；
self-preservation weight。

如果 projection 過粗，

一個 entrenched system 可能看起來只是：

穩定。

因此：

\boxed{ StabilityProjection \neq EntrenchmentProjection. }

47. 投影本身也可以成為權力

第一部曾區分正當性與代理。

現在可以再看到：

誰決定 macro categories？

本身就是制度問題。

例如：

哪些個體被統計；
哪些事件被記錄；
哪些偏好被聚合；
哪些 relation 被忽略。

這些都決定：

\pi.

因此：

\boxed{ ProjectionRule }

可以具有政治與制度後果。

但這屬 normative / institutional analysis，

不應被 Shannon entropy 本身偷偷決定。

48. 結論

HSNRD 若沒有 projection theory，

高階集合只是：

被人為畫在低階節點上方的第二張圖。

真正讓：

Micro \rightarrow Macro

成立的是：

\boxed{ Projection. }

而 projection 必然帶來：

equivalence classes；
multiple realization；
information compression；
possible ambiguity。

因此：

\boxed{ H(X\mid\pi(X)) }

可以衡量離散 deterministic projection 下的 micro reconstruction uncertainty，

而：

\boxed{ \Delta I_Y = I(X;Y)-I(\pi(X);Y) }

則衡量 task-relevant information loss。

但 good macrostate 不應只追求資訊最多。

它還必須考慮：

\boxed{ DynamicalClosure }

與：

\boxed{ InterventionalFidelity. }

所以本文最終得到：

\boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. }

對高階代理，還要再加入：

\boxed{ AgencySufficiency. }

因此：

\boxed{ AgentReality \not\Rightarrow MicrostateRecoverability. }

高階 agent 可以是真實、穩定且具有解釋力，

即使我們無法從高階狀態唯一重建每一個低階細節。

下一篇將正式讓這些 macro nodes 開始：

出生；
死亡；
合併；
分裂；
改型；

並把 graph rewriting、rule algebra、CTMC 與 PDMP 統一起來：

HSNRD III：結構重寫、歷史路徑與混合動力學

參考文獻

Geiger, B. C., & Temmel, C. (2014). “Lumpings of Markov Chains, Entropy Rate Preservation, and Higher-Order Lumpability.” Journal of Applied Probability, 51(4).

Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying Causal Emergence Shows That Macro Can Beat Micro.” Proceedings of the National Academy of Sciences, 110(49), 19790–19795.

Jørgensen, F. H., Weichwald, S., & Hammond, L. (2026). “Causal Foundations of Collective Agency.” arXiv:2605.00248.

List, C., & Pettit, P. (2008). “Group Agency and Supervenience.” In Being Reduced: New Essays on Reduction, Explanation, and Causation. Oxford University Press.

List, C., & Pettit, P. (2011). Group Agency: The Possibility, Design, and Status of Corporate Agents. Oxford University Press.

Lorenz, R., & Tull, S. (2026). “Causal and Compositional Abstraction.” arXiv:2602.16612.

Massidda, R., Geiger, A., Icard, T., & Bacciu, D. (2022). “Causal Abstraction with Soft Interventions.” arXiv:2211.12270.

Tishby, N., Pereira, F. C., & Bialek, W. (2000). “The Information Bottleneck Method.” arXiv:physics/0004057.

Polyanskiy, Y., & Wu, Y. Information Theory / MIT 6.441 lecture notes.

本篇核心命題表

編號	命題
P8.1	$Macrostate=Projection(Microstate)$
P8.2	$NonInjectiveProjection\Rightarrow MultipleRealization$
P8.3	$RepresentationalInformationLoss\neq PhysicalInformationDestruction$
P8.4	$GoodProjection\neq LosslessProjection$
P8.5	$I(Z;Y)\le I(X;Y)$ under data-processing conditions
P8.6	$MarkovMicro\not\Rightarrow MarkovMacro$
P8.7	$DescriptiveMacrostate\neq DynamicalMacrostate$
P8.8	$Intelligence\neq InverseOfNonInjectiveProjection$
P8.9	$CausalEmergenceMetric\neq OntologicalIndependence$
P8.10	$AgentReality\not\Rightarrow MicrostateRecoverability$
P8.11	$\pi_E\neq\pi_A$ in general
P8.12	$OutcomeProjection\not\Rightarrow IntentionProjection$
P8.13	$StabilityProjection\neq EntrenchmentProjection$
P8.14	Projection validity is query-, type-, and tolerance-relative

系列：高階集合、欲求與 Leviathan / HSNRD 完整数學方法論
第二部：HSNRD 完整数學方法論
篇次：08 / 10

08_HSNRD_II_投影資訊失真與高階代理