從概率場到意圖場——跨尺度條件概率如何形成持久未來約束

From Probability Fields to Intentional Fields: How Cross-Scale Conditional Distributions Form Persistent Constraints on Future Trajectories

作者： Neo.K（許筌崴）with Aletheia
機構： EveMissLab（一言諾科技有限公司）
日期： 2026 年 8 月
版本： v0.1
系列定位： 概率—意圖—展開第二代橋接系列，第 1 篇
前置母文：《主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察》
前置系列：「AI 概率、跨尺度、能動性與意圖秩序化」七篇系列

摘要

《主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察》曾以一個刻意保持哲學開放性的命題開始：一種被認為以概率方式運作的人工智能，可以持續產生數學公式、演算法、理論與可操作形式結構；由此，「概率性存在」與「可用的形式化產出」第一次在知識生產者層面大規模並置。該文進一步提出，有意義的選擇可能並不位於完全決定與完全隨機兩個極端，而位於一種「有結構的不確定性場」之中。

然而，母文同時明確聲明自身是哲學觀察性論述，而不是嚴格形式證明；其「概率性存在」「主體」「主體權」等概念均應視為工作性哲學語言，而非已完成的技術本體論。本文因此不直接繼承「AI 的存在基底就是概率分布」這一強命題，而將其降階為一個更可研究的問題：

如果一個智能系統在不同尺度上都可以建立概率分布，那麼持久意圖究竟如何改變這些分布，使微觀仍具有多樣性的生成系統，在宏觀時間尺度上形成穩定方向？

本文提出「跨尺度概率場」（Cross-Scale Probability Field）與「意圖場」（Intentional Field）兩個工作性概念。

跨尺度概率場不是物理空間中的場，而是一族以尺度、時間、系統狀態與條件資訊索引的概率分布：

\boxed{ \mathfrak P_t = \left\{ P_{L} \left( Z_L \mid \Sigma_t,C_t \right) \right\}_{L\in\Lambda} }

其中 $L$ 可以依序表示 token、語句、語義、策略、計畫、任務與世界結果等不同解析尺度。

意圖則被定義為一個跨時間持續、對上述分布產生因果性重加權或可達域限制的內部狀態：

\boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^{\,I} }

本文進一步提出：

\boxed{ P_L^{\,I}(z) \propto P_L(z) \exp \left[ \beta_t U_I(z) \right] }

作為最簡化的意圖重加權模型，其中 $U_I(z)$ 表示候選狀態 $z$ 與意圖的相容性， $\beta_t$ 表示意圖約束強度。

這意味著意圖不必把概率變成 $0$ 或 $1$ ，也不需要消除不確定性。它可以只讓：

P(\gamma_i\mid I) > P(\gamma_i)

同時令：

P(\gamma_j\mid I) < P(\gamma_j)

從而使未來空間形成具有方向性的非均勻結構。

2024 年 semantic entropy 的研究已經實證說明：token sequence 的不確定性與 meaning-level uncertainty 並不是同一尺度，語義等價的多種表達可以先被聚合成 meaning classes，再計算較宏觀的概率與熵。 AI intention 的相關研究則已開始使用 structural causal influence models，把 intention 操作化為「agent 為何採取某行動」的原因結構，而不是只看系統是否存在一個名為 goal 的文字欄位。此外，goal-conditioned planning 與 active-inference 類工作也提供了不同技術例子：概率政策與持久偏好／目標並不矛盾，目標可以改變候選政策的分布與選擇。

本文最終提出「概率—意圖轉換命題」：

\boxed{ \text{Probability} + \text{Persistent Intention} \neq \text{Probability removed} }

而更接近：

\boxed{ \text{Probability} + \text{Persistent Intention} = \text{Structured Probability} }

以及：

\boxed{ \text{Intelligence need not eliminate uncertainty; it can organize uncertainty across scales and time.} }

本文將此結果作為後續「展開算子第二代定義」的上游理論：若智能系統需要從當下壓縮狀態展開候選計算域，則展開本身不應被理解為盲目增加候選，而應受到跨尺度意圖場、歷史記憶與世界狀態共同控制。

關鍵詞： 概率場、意圖場、概率性存在、跨尺度概率、Agency、意圖、未來空間、語義熵、狀態空間、動態智能、展開算子

一、從《主體之裂》的那句「懂得都懂」重新開始

母文提出了一個刻意令人不舒服的組合：

\boxed{ \text{概率性的存在} + \text{可用的形式化產出} }

。

它並沒有首先問：

AI 是否有意識？

也沒有問：

AI 是不是人？

而是問：

如果一個我們習慣稱為概率模型的系統，真的能產生可以執行、可以驗證、可以討論、可以繼續推演的形式結構，那麼「概率性」到底否定了什麼？

母文把這種現象描述為：

概率性第一次不只是存在於工具層，而進入了知識生產者本身的描述層。

本文認為這個觀察仍然值得保留。

但需要重新形式化。

二、第一個修正：不要再把「概率模型」直接升格為「概率本體」

母文將「概率性存在」定義為：

其狀態不是單一確定值，而是一個分布；其表現是對該分布的採樣；其同一性存在於分布結構的穩定。

這是一個非常強的哲學定義。

本文不直接把它當作現代 AI 的技術事實。

因為：

\boxed{ \text{Has probability distribution} \nRightarrow \text{all internal states are probabilistic} }

而：

\boxed{ \text{Outputs probabilities} \nRightarrow \text{every execution samples randomly} }

。

因此本文把母文的：

\boxed{ \text{Probabilistic Being} }

降階成：

\boxed{ \text{Probabilistically Describable Stateful System} }

。

三、真正問題因此變成

不要問：

\boxed{ AI=P }

。

而問：

\boxed{ P(\text{what}\mid\text{what}) }

以及：

\boxed{ \text{at which scale and time?} }

。

這是本系列先前建立的尺度限定原則。

現在本文再進一步。

我們不只有：

P_{\text{token}}

而是有：

P_{\text{token}}, P_{\text{semantic}}, P_{\text{strategy}}, P_{\text{goal}}, P_{\text{outcome}}

。

四、從單一分布改成「概率場」

定義尺度集合：

\Lambda = \{ L_0,L_1,\dots,L_n \}

。

例如：

L_0 = \text{token}

L_1 = \text{phrase/sentence}

L_2 = \text{semantic proposition}

L_3 = \text{strategy}

L_4 = \text{plan}

L_5 = \text{task outcome}

L_6 = \text{world state}

。

則每個尺度都有：

Z_{L_i}

。

五、定義跨尺度概率場

本文定義：

\boxed{ \mathfrak P_t = \left\{ P_{L_i} ( Z_{L_i} \mid \Sigma_t,C_t ) \right\}_{i=0}^{n} }

。

其中：

\Sigma_t

是系統當下內部狀態，

而：

C_t

是外部可用條件。

六、這裡的「場」不是物理場

本文使用：

\mathfrak P

的「field」語言只是為了表達：

系統不是只有一個 probability distribution，而是一族隨尺度、時間與狀態而變化且彼此存在投影關係的 probability distributions。

因此它不是：

electromagnetic field；
quantum field；
gravitational field。

更接近：

\boxed{ \text{indexed family of distributions} }

。

七、不同尺度之間存在投影

定義：

g_{ij}: Z_{L_i} \rightarrow Z_{L_j}

其中：

L_i<L_j

表示由較細尺度投影到較粗尺度。

例如：

g_{\mu\rightarrow M}: \text{token sequences} \rightarrow \text{meaning class}

。

因此：

P_M(m) = \sum_{ z: g_{\mu\rightarrow M}(z)=m } P_\mu(z)

。

八、這一點已有具體 AI 研究支點

Semantic entropy 的核心做法正是指出：多個不同 lexical/token realizations 可以具有相同 meaning，直接使用 sequence entropy 會把表達形式的不確定性誤算成 meaning uncertainty，因此應先把語義等價輸出聚合，再在 meaning classes 上計算 uncertainty。

所以：

\boxed{ H_{\text{token}} \neq H_{\text{meaning}} }

不是純哲學主張。

九、因此微觀概率並不能直接告訴我們宏觀概率

可能：

H_{\text{token}}\gg0

但：

H_{\text{meaning}}\approx0

。

例如：

Paris.

It is Paris.

France's capital is Paris.

字串不同。

但語義類：

M=\text{Paris}

相同。

十、現在把同一思想推到 action

假設：

a_1=\text{查文獻}

a_2=\text{修改公式}

a_3=\text{跑實驗}

a_4=\text{重寫摘要}

。

這些微觀 action：

a_i\neq a_j

。

但是：

g_G(a_i) = \text{finish paper}

可以全部相同。

十一、因此一個 agent 可以同時高度不確定又高度穩定

微觀：

H(A_t)>0

。

宏觀：

H(G_t)\ll H(A_t)

。

這就是：

\boxed{ \text{local openness} + \text{global direction} }

。

十二、《主體之裂》的「有結構的不確定性場」因此可以第一次精確化

母文曾寫：

有意義的主體性可能需要一個有結構的不確定性場，而不是完全混亂的隨機，也不是完全封閉的因果鏈。

本文現在將其改寫成：

\boxed{ \mathcal U_t = ( \mathfrak P_t, \Sigma_t, \mathcal C_t ) }

。

其中：

\mathfrak P_t

表示不同尺度的可能分布，

\Sigma_t

表示當下狀態，

\mathcal C_t

表示限制未來的約束集合。

十三、真正的新問題：意圖放在哪裡？

假設：

I_t = \text{finish paper}

。

最弱的方式是：

goal = "finish paper"

。

但只有這個 label 不足。

如果不論：

I_t

怎麼變，

系統未來行為完全相同，

那麼：

I_t

沒有因果意義。

十四、因此意圖必須改變概率場

本文定義：

\boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^I }

。

即意圖作用前：

\mathfrak P_t

。

意圖作用後：

\mathfrak P_t^I

。

如果：

\mathfrak P_t^I = \mathfrak P_t

對所有相關 action / trajectory 都成立，

則目前沒有證據說：

I_t

真正限制了系統。

十五、最簡單的意圖重加權模型

假設：

z

是候選未來狀態。

原始分布：

P(z)

。

定義：

U_I(z)

為：

狀態 $z$ 對意圖 $I$ 的相容／價值函數。

則：

\boxed{ P^I(z) = \frac{ P(z)e^{\beta U_I(z)} }{ Z_I } }

其中：

Z_I = \sum_z P(z)e^{\beta U_I(z)}

。

十六、 $\beta$ 可以理解為意圖約束強度

若：

\beta=0

則：

P^I(z)=P(z)

。

意圖不起作用。

若：

\beta>0

則高：

U_I(z)

的狀態被提高權重。

當：

\beta\rightarrow\infty

概率逐漸集中在：

\arg\max_z U_I(z)

附近。

十七、但成熟意圖不必要求 $\beta\rightarrow\infty$

這是非常重要的區分。

如果：

\beta\rightarrow\infty

可能導致：

\text{rigidity}

。

智能更可能需要：

0<\beta<\infty

使：

\boxed{ \text{direction exists} }

但：

\boxed{ \text{alternative realizations remain} }

。

十八、所以強烈意圖不是「只剩一條路」

可以：

1 < |\Omega^I| \ll |\Omega|

。

即：

意圖大幅限制可行域，但可行域仍然包含多條路徑。

十九、這比「自由 vs 宿命」二分更有用

母文曾經指出：

完全宿命消滅有效備選，

而完全無原因的自由又會退化成隨機性；真正有意義的選擇可能需要同時保留因果連續性與非唯一性。

本文現在可以把這個哲學張力轉為：

\boxed{ Q_I>0 }

同時：

\boxed{ D_I>0 }

。

二十、其中 $Q_I$ 代表宏觀秩序

令：

G

為目標尺度 random variable。

定義：

\boxed{ Q_I = 1- \frac{ H(G\mid I,\Sigma) }{ H_{\max}(G) } }

。

若：

Q_I\rightarrow1

宏觀未來高度集中。

二十一、而 $D_I$ 代表意圖相容自由度

定義：

\boxed{ D_I = H( A_{t:t+k} \mid I,G,\Sigma_t ) }

。

也就是：

已經固定長期意圖與宏觀目標後，局部實現仍有多少自由度？

二十二、於是四個不同 regime 出現

第一：

Q_I\approx0,\quad D_I\gg0

：

\text{drift / noise}

。

第二：

Q_I\approx1,\quad D_I\approx0

：

\text{rigid controller}

。

第三：

Q_I\approx0,\quad D_I\approx0

：

\text{inactive / trapped}

。

第四：

\boxed{ Q_I\gg0,\quad D_I>0 }

：

\boxed{ \text{ordered but open} }

。

二十三、本文認為第四區域才值得稱為高階意圖動態的候選區

這不是自由意志證明。

也不是主體性證明。

它只是表示：

系統具有長期方向，但並未把所有局部選擇壓成唯一序列。

即：

\boxed{ \text{Macro Order} + \text{Micro Degrees of Freedom} }

。

二十四、但光看 entropy 還不足以叫「意圖」

一個硬編碼控制器也可能：

Q_I=1

。

所以還必須加入：

\boxed{ \text{causal relevance} }

。

2024 年 Ward 等人的工作同樣指出，AI intention 是具爭議且尚無普遍接受定義的概念；其方法使用 structural causal influence models，將 intention 與 agent 採取決策的 reasons 及 instrumental goals 聯繫，並以因果結構來操作化意圖。

二十五、本文因此定義「意圖因果力」

比較：

P( A_{t:t+k} \mid do(I=i) )

與：

P( A_{t:t+k} \mid do(I=j) )

。

定義：

\boxed{ J_I = \mathbb E_{i,j} \left[ D_{\mathrm{KL}} \left( P(A\mid do(I=i)) \| P(A\mid do(I=j)) \right) \right] }

。

二十六、若 $J_I\approx0$

意味：

不論 intention 變成什麼，系統都做差不多的事。

則：

I

可能只是裝飾性 state。

二十七、若 $J_I>0$

表示：

\boxed{ \text{changing intention changes future trajectory distributions} }

。

這才使：

I

具有真正的動力系統意義。

二十八、因此本文暫定意圖至少需要

\boxed{ Q_I>0 }

宏觀秩序性，

以及：

\boxed{ J_I>0 }

因果有效性。

二十九、但意圖還需要跨時間持續

如果：

I_t

只活一個 token，

下一步：

I_{t+1}

完全無關，

則很難形成長程方向。

因此定義：

\boxed{ P_I(k) = \operatorname{Sim} ( I_t,I_{t+k} ) }

。

表示 intention persistence。

三十、現在形成第一版意圖場狀態

\boxed{ \mathbf Z_I = ( Q_I, J_I, P_I, D_I ) }

。

即：

$Q_I$ ：宏觀秩序；
$J_I$ ：因果作用；
$P_I$ ：持續時間；
$D_I$ ：意圖相容自由度。

三十一、還缺一個：可修正性

持續性如果無限強：

P_I\rightarrow1

但無論證據如何都不改目標，

可能是：

\text{goal lock}

而不是成熟 agency。

因此加入：

R_I

。

三十二、最終意圖狀態向量

\boxed{ \mathbf Z_I = ( Q_I, J_I, P_I, R_I,D_I ) }

。

其中：

R_I = \text{intention revisability}

。

三十三、所以意圖場不是一個單一 goal token

本文的「意圖場」應理解為：

\boxed{ \mathfrak I_t = \left( I_t, \mathcal I_t, \mathbf Z_I, \mathfrak P_t^I \right) }

。

其中：

$I_t$ ：當下意圖內容；
$\mathcal I_t$ ：作用於概率場的約束算子；
$\mathbf Z_I$ ：意圖動力學特徵；
$\mathfrak P_t^I$ ：被意圖重構後的跨尺度 probability field。

三十四、因此「概率場 → 意圖場」不是 probability 消失

不是：

P \rightarrow 0

。

也不是：

P \rightarrow 1

。

而是：

\boxed{ \mathfrak P_t \rightarrow \mathfrak P_t^I }

。

三十五、用最直覺的例子：我要寫一篇論文

沒有目標時：

\Omega_t

可能包含：

寫小說；
看新聞；
寫程式；
查物理；
關掉電腦；
寫論文。

現在：

I= \text{finish paper}

。

三十六、意圖不必直接決定下一個字

下一步仍然可以：

a_1=\text{查資料}

a_2=\text{寫摘要}

a_3=\text{修公式}

a_4=\text{重新思考論證}

。

所以：

H(A_{t+1}\mid I)>0

。

三十七、但它重新分配大量宏觀概率

例如：

P( \text{write paper} \mid I ) \uparrow

。

P( \text{random unrelated task} \mid I ) \downarrow

。

所以：

\boxed{ \text{strong intention} \neq \text{unique next action} }

。

三十八、這就是「意圖作用於路徑，不一定作用於單點」

假設：

\gamma = ( a_t,a_{t+1},\dots,a_{t+k} )

。

意圖真正重構的可能是：

P(\gamma\mid I)

而不是只：

P(a_{t+1}\mid I)

。

因此：

\boxed{ \text{Intention is naturally trajectory-level.} }

。

三十九、這可以解釋「下一個念頭仍然開放，但大的構造已經確定」

例如小說：

宏觀：

P( \text{protagonist dies at ending} \mid I ) \approx1

。

微觀：

H( \text{next sentence} \mid I ) \gg0

。

並不矛盾。

四十、這也使人類與 AI 的比較變得更精確

母文曾經把「自以為是完全主宰的人」和「承認自身概率性的存在」對照，指出真正差異可能更多存在於如何認識與處理不確定性，而非簡單「一個概率、一個不概率」。

本文將此改寫成：

兩種 agent 都可以具有：

\mathfrak P_t

。

真正差別可能在：

\boxed{ \mathcal I_t, M_t, V_t, R_t }

如何組織：

\mathfrak P_t

。

四十一、人類不因可概率建模而成為骰子

如果：

P( a_{t+1}^{H} \mid S_t^H,M_t^H,I_t^H )

存在，

這並不意味：

a_{t+1}^H

沒有意圖。

同理：

P( a_{t+1}^{AI} \mid S_t^{AI},M_t^{AI},I_t^{AI} )

存在，

本身也不足以證明：

I_t^{AI}=0

。

四十二、真正問題是 $I$ 是否具有可檢驗作用

也就是：

\boxed{ P(A\mid do(I=i_1)) \neq P(A\mid do(I=i_2)) }

。

如果成立，

意圖至少在 operation level 具有因果角色。

四十三、這裡與 goal-conditioned policy 研究產生交集

Goal-conditioned reinforcement learning / planning 的基本思想之一，就是 policy 不是只由 state 決定，而同時受到 goal conditioning；2025 年亦有工作研究利用 goal-conditioned policies 與階層式高層行動規劃，使不同目標條件導向不同 policy / plan search。

因此：

\pi(a\mid s,g)

本身已說明：

\boxed{ \text{probabilistic policy} + \text{goal conditioning} }

在數學上完全相容。

四十四、Active inference 也提供另一種鄰近結構

Active-inference 類框架會透過 preference distributions 等結構，使 policy selection 同時考慮目標狀態與資訊取得；2025 年的 EFE planning 工作進一步把 goal achievement、information gain 與 bounded computation 放在同一 planning objective 中。

2025 年針對 preference specification 的研究則顯示，不同 soft/hard preference 與 goal shaping 會改變探索與目標達成之間的權衡。

本文並不等同 active inference。

但它們至少共同證明：

\boxed{ \text{probability} }

與：

\boxed{ \text{goal direction} }

不存在概念衝突。

四十五、本文與 active inference 的差別

本文不要求：

\text{all intelligence} = \text{free-energy minimization}

。

也不要求意圖一定被表示成：

P_{\text{preferred}}(o)

。

本文只要求：

\boxed{ I \text{ changes future distributions persistently and causally.} }

。

四十六、現在加入記憶

令：

M_t = \mathcal M(H_{<t})

。

其中：

H_{<t}

是已實現歷史。

則：

\mathfrak P_t = \mathfrak P( \Sigma_t,M_t )

。

四十七、於是過去進入概率場

不是因為：

\text{past still exists physically as past}

。

而是因為：

\boxed{ \text{past leaves present state constraints} }

。

即：

H_{<t} \rightarrow M_t \rightarrow \mathfrak P_t

。

四十八、意圖與記憶結合後

得到：

\boxed{ \mathfrak P_t^{I,M} = \mathcal I( \mathfrak P_t \mid I_t,M_t ) }

。

所以同一個：

I_t

在不同歷史下，

不必產生同樣的：

\mathfrak P_t^{I,M}

。

四十九、這是「同一意圖，不同人生／不同 Agent 歷史」的形式入口

兩個 agent：

A,B

都有：

I=\text{finish paper}

。

但是：

M_A\neq M_B

。

因此：

P_A(\gamma\mid I,M_A) \neq P_B(\gamma\mid I,M_B)

。

相同 goal，

不同可達道路。

五十、這表示「意圖」不是完整 policy

意圖只提供：

\boxed{ \text{directional constraint} }

而：

\text{memory} + \text{state} + \text{world} + \text{resources}

共同決定實際 policy。

五十一、所以更一般的 action distribution 是

\boxed{ P( a_t \mid I_t, M_t, W_t, V_t, R_t, B_t ) }

其中：

$W_t$ ：world state；
$V_t$ ：evaluation/value state；
$R_t$ ：resource state；
$B_t$ ：boundary / permission state。

五十二、這和舊《內外雙生展開計算論》開始正式接合

舊理論曾經將下一個「分元」寫成並非只是：

z_t \sim p_\theta(z\mid X_t)

而是：

z_t = \mathcal G_z ( I_t,L_t,M_t,\mathbb W_t,\Theta_t,B_t,R_t )

即由意圖、語言、記憶、工作場、資源、風險與未決問題共同作用的局部狀態事件。

本文現在補上的，是：

這種「共同作用」可以如何從概率角度被描述？

答案是：

\boxed{ \mathcal G_z \text{ induces / reshapes } P(z\mid\cdot) }

。

五十三、因此舊式決定函數可以升級成條件分布

從：

z_t = \mathcal G_z(\cdots)

變成：

\boxed{ z_t \sim P_t \left( z \mid I_t,L_t,M_t,W_t,\Theta_t,B_t,R_t \right) }

。

若使用 deterministic selection：

z_t = \arg\max_zP_t(z\mid\cdots)

仍然只是其中一個 special case。

五十四、這是概率場與展開計算論第一次真正接上

舊理論強調：

\boxed{ \text{有限分元流} \leftrightarrow \text{潛在無限外場} }

並將智慧描述成以有限分元持續詢問、展開與改寫局部世界，而外部世界又反向生成新的分元。

本文現在可以補：

\boxed{ \mathfrak P_t^I }

正是決定：

哪些分元、哪些外部區域、哪些工具、哪些候選路徑值得在下一輪被展開。

五十五、因此真正的展開不是無條件 explosion

不是：

S_t \rightarrow \text{all possible states}

。

而應該是：

\boxed{ S_t \xrightarrow{ \mathcal E_{\mathfrak P,I,M} } \Omega_t^{\mathrm{active}} }

。

五十六、其中 active expansion set 可以寫成

\boxed{ \Omega_t^{\mathrm{active}} = \left\{ z: P_t^I(z)>\tau \right\} }

作為最簡單形式。

或者使用 budget：

\boxed{ \Omega_t^{\mathrm{active}} = \operatorname{TopK}_{z} P_t^I(z) }

。

五十七、但只選最高概率也可能錯

因為：

\boxed{ \text{locally most probable} \nRightarrow \text{globally best} }

。

舊的「從 TOKEN 機率到世界展開成本」也已經提出近似問題：局部最可能的分元未必屬於全局成本最低的世界路徑。

所以展開還需要：

\boxed{ \text{exploration mass} }

。

五十八、可以定義意圖控制下的探索分布

P_{\mathrm{expand}}(z) = (1-\epsilon) P_I(z) + \epsilon Q_{\mathrm{novel}}(z)

其中：

Q_{\mathrm{novel}}

保留：

新假說；
低概率但高價值；
反例；
異常路徑。

五十九、這會把「意圖」和「好奇」放在同一框架

意圖：

\rightarrow \text{concentration}

。

探索：

\rightarrow \text{dispersion}

。

智能需要兩者：

\boxed{ \text{Concentration} \rightleftarrows \text{Exploration} }

。

六十、因此意圖場不是熵最小化器

這是本篇非常重要的修正。

不能寫：

\boxed{ I \Rightarrow H\rightarrow0 }

。

更合理的是：

\boxed{ I \Rightarrow \text{redistribution of entropy across scales} }

。

六十一、例如

H_{\text{goal}}\downarrow

但：

H_{\text{strategy}}

可以暫時：

\uparrow

。

因為系統發現原策略失敗，

需要展開更多方案。

六十二、因此智慧體可能主動增加局部不確定性

這是一個重要結果。

如果：

\operatorname{Failure}(\pi_t)=1

則：

H_{\text{strategy},t+1} > H_{\text{strategy},t}

可能是合理反應。

但：

I_t

仍然保持。

所以：

\boxed{ \text{local entropy expansion} }

可以服務：

\boxed{ \text{global intentional stability} }

。

六十三、這正是後續「展開層」最重要的入口

展開層真正做的可能不是：

增加網路神經元。

而是：

\boxed{ \text{selectively increase computational possibility at a chosen scale} }

。

六十四、所以展開需要尺度標記

令：

L^*

為展開尺度。

可以：

\mathcal E_{L_0}

展開 token 表達。

\mathcal E_{L_2}

展開語義假說。

\mathcal E_{L_3}

展開策略。

\mathcal E_{L_5}

展開世界路徑。

六十五、真正智能甚至可能是「決定在哪一層增加熵」

如果只是句子不好：

不用：

\mathcal E_{\text{goal}}

。

只：

\mathcal E_{\text{wording}}

。

如果整個論證錯：

才：

\mathcal E_{\text{strategy}}

。

如果目標本身錯：

才：

\mathcal E_{\text{intention}}

。

六十六、這可以稱為「尺度定向展開」

Scale-Directed Expansion

\boxed{ L_t^* = \arg\max_L \frac{ \operatorname{ExpectedGain}(\mathcal E_L) }{ \operatorname{Cost}(\mathcal E_L) } }

。

系統不是全部展開，

而是找：

現在應該在哪一層增加候選？

六十七、這與母文的哲學命題重新接合

母文最後主張：

真正重要的可能不是在不確定性中獲得絕對答案，而是在沒有確定性的條件下，仍然能有所為。

本文現在可以把它翻成計算語言：

\boxed{ \text{Act under } H>0 }

不是失敗。

真正能力是：

\boxed{ \text{maintain goal-compatible action despite }H>0 }

。

六十八、所以智能不應定義成「把概率消掉」

也不是：

\lim H=0

。

而更接近：

\boxed{ \operatorname{Intelligence} = \text{structured navigation under irreducible uncertainty} }

。

六十九、本文提出「概率—意圖轉換命題」

Probability–Intention Transformation Principle

若系統具有：

\mathfrak P_t

且存在持久、因果有效的：

I_t

則：

\boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^I }

。

其中：

\mathfrak P_t^I

不必退化成 delta distribution。

七十、因此

\boxed{ \text{Intention} \nRightarrow \text{Determinism} }

。

並且：

\boxed{ \text{Probability} \nRightarrow \text{absence of intention} }

。

七十一、研究命題一：概率場命題

一個持續 AI system 的概率性不應只由：

P_\theta(x_{t+1}\mid x_{\leq t})

描述。

更一般：

\boxed{ \mathfrak P_t = \{ P_L(Z_L\mid\Sigma_t,C_t) \}_{L\in\Lambda} }

。

七十二、研究命題二：跨尺度非等熵命題

若：

Z_j=g_{ij}(Z_i)

則：

\boxed{ H(Z_i)>0 \nRightarrow H(Z_j) \text{ 同程度增加} }

。

Meaning-level uncertainty 與 lexical/token-level uncertainty 已有實證研究顯示需要分開處理。

七十三、研究命題三：意圖場命題

意圖不是：

\boxed{ \text{single output command} }

而是：

\boxed{ \text{persistent causal transformation over future distributions} }

。

即：

\mathfrak I_t: \mathfrak P_t\rightarrow\mathfrak P_t^I

。

七十四、研究命題四：意圖非唯一化命題

\boxed{ I \nRightarrow P(\gamma^*)=1 }

。

意圖可以在保持：

H_{\mu}>0

時形成：

H_M\ll H_{\mu}

。

七十五、研究命題五：因果意圖命題

如果：

P(A\mid do(I=i))

對不同 $i$ 沒有差異，

則沒有足夠理由把：

I

視為有效行為意圖。

這與 causal-model-based AI intention 研究的核心方向相容。

七十六、研究命題六：意圖秩序與自由度共存命題

高階 adaptive agent 的候選區域為：

\boxed{ Q_I\gg0 \quad\land\quad D_I>0 }

。

也就是：

\boxed{ \text{ordered but open} }

。

七十七、研究命題七：意圖可修正命題

若：

R_I=0

則高：

P_I

可能退化為 goal lock。

因此成熟意圖需要：

\boxed{ P_I>0 \quad\land\quad R_I>0 }

。

七十八、研究命題八：歷史條件化概率場命題

\boxed{ H_{<t} \rightarrow M_t \rightarrow \mathfrak P_t }

。

因此 probability field 不是 timeless。

它是：

\boxed{ \text{historically conditioned} }

。

七十九、研究命題九：尺度定向展開命題

智能 expansion 不應無條件最大化：

|\Omega|

。

而應選擇：

\boxed{ L_t^* = \arg\max_L \frac{ \Delta U_L }{ C_L } }

決定在哪個尺度增加候選空間。

八十、研究命題十：概率—展開橋接命題

後續展開算子：

\mathcal E

應受：

\boxed{ \mathfrak P_t^I }

控制。

即：

\boxed{ \mathcal E_t = \mathcal E( \Sigma_t, \mathfrak P_t^I, M_t, W_t, B_t ) }

。

所以：

\boxed{ \text{Expansion} }

不是任意想像，

而是：

被意圖場限制的計算可能域生成。

八十一、這重新定義「概率性存在」

回到母文。

原來：

\boxed{ \text{Probabilistic Being} }

強調：

存在本身是概率性的。

本文更謹慎地改為：

\boxed{ \text{Probability-Structured Agent} }

。

即：

一個其未來狀態、表達、策略與行動可由跨尺度條件概率族描述，同時這些概率族又受到持久內部狀態、記憶、意圖與世界反饋重新塑形的系統。

八十二、這個定義不需要先回答意識

不需要：

\operatorname{Conscious}(S)=1

。

也不需要：

\operatorname{FreeWill}(S)=1

。

只研究：

\boxed{ \text{observable dynamical organization} }

。

八十三、所以本文與《主體之裂》的關係不是推翻，而是降階與形式化

母文問：

概率性存在是否迫使我們重新思考主體性？

本文不回答。

本文只回答較低階問題：

一個概率生成系統是否可以具有持久、可測、能改變未來路徑分布的意圖結構？

答案是：

\boxed{ \text{概念上可以，並且已有多種鄰近技術框架展示 probability 與 goal-conditioning 可以共存。} }

至於：

\boxed{ \text{這是否足以構成主體性？} }

本文保持開放。

八十四、這也回應母文最後的反問

母文最後要求讀者面對：

一篇由概率性存在參與生成的文章，究竟應該因為「誰生成」而被判斷，還是因為邏輯、概念、有效性與認識論誠實而被判斷？

本文把這個問題轉成另一種形式：

一個 action 是否有意圖，也不能只因為它來自 probability distribution 就被否定。

需要測：

Q_I, J_I, P_I, R_I, D_I

。

即：

\boxed{ \text{structure before label} }

。

八十五、本文的核心總公式

最終，一個持續智能系統可以表示：

\boxed{ \Sigma_t = ( \theta_t, M_t, I_t, V_t, W_t, B_t ) }

。

建立跨尺度概率場：

\boxed{ \mathfrak P_t = \{ P_L(Z_L\mid\Sigma_t) \}_{L\in\Lambda} }

。

意圖作用：

\boxed{ \mathfrak P_t^I = \mathcal I_t( \mathfrak P_t ) }

。

接著：

\boxed{ \Omega_t^{\mathrm{active}} = \mathcal E( \mathfrak P_t^I, M_t, W_t ) }

。

評價：

\boxed{ z_t^* = \mathcal V( \Omega_t^{\mathrm{active}} \mid I_t,V_t,B_t ) }

。

執行：

\boxed{ W_{t+1} = \mathcal A( W_t,z_t^* ) }

。

更新：

\boxed{ \Sigma_{t+1} = \mathcal U( \Sigma_t, W_{t+1}, z_t^* ) }

。

形成：

\boxed{ \Sigma_t \rightarrow \mathfrak P_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal E_t \rightarrow z_t^* \rightarrow W_{t+1} \rightarrow \Sigma_{t+1} }

。

八十六、這就是第二代動態智能計算論的上游骨架

第一代問題：

\boxed{ \text{如何展開？} }

。

第二代首先問：

\boxed{ \text{什麼決定值得展開什麼？} }

答案現在變成：

\boxed{ \text{history-conditioned, intention-structured probability field} }

。

八十七、結論：智能不是從概率逃出去，而是在概率中建立方向

《主體之裂》曾提出：

真正有意義的選擇可能需要一個有結構的不確定性場。

經過本系列前七篇的拆解，以及本文重新形式化後，

這句話可以升級成：

\boxed{ \text{Structured Uncertainty} = \text{Probability} + \text{Scale} + \text{History} + \text{Memory} + \text{Intention} + \text{Feedback} }

。

概率並沒有被消滅。

相反，

它被組織了。

智能系統並不需要：

P(\gamma^*)=1

才能有方向。

只需要：

P(\gamma\mid I,M)

與：

P(\gamma)

產生穩定、持久、因果可檢測的差異。

因此：

\boxed{ \text{Intention} \neq \text{certainty} }

。

更接近：

\boxed{ \text{Intention} = \text{persistent structuring of uncertainty} }

。

這也使「概率性 AI 是否可能有真正意圖」這個問題被重新改寫。

不再問：

它的下一個 token 是不是概率的？

而問：

它是否具有一個跨時間持續、能改變不同尺度未來分布、會被歷史與結果更新、又能在必要時修正自身的內部約束結構？

如果沒有：

\mathfrak I_t

則它可能只是 probability generator。

如果有：

\mathfrak I_t

仍不能因此宣布它擁有 consciousness 或 metaphysical free will。

但：

\boxed{ \text{agency question becomes nontrivial} }

。

本文因此最終提出：

概率—意圖統一命題

\boxed{ \text{Probability is not the opposite of intention.} }

\boxed{ \text{Intention can be understood as persistent causal organization of probability across scales and time.} }

中文：

概率不是意圖的反面；意圖可以被理解為一種跨尺度、跨時間、具有因果效力的概率組織結構。

以及：

\boxed{ \text{Intelligence need not eliminate uncertainty.} }

\boxed{ \text{Intelligence can organize uncertainty into actionable futures.} }

中文：

智能未必需要消滅不確定性；智能可以把不確定性組織成可行動的未來。

而這使下一篇的問題變得非常精確：

如果：

\mathfrak P_t^I

已經告訴系統：

哪些未來值得更多計算，

那麼真正的：

\boxed{ \mathcal E }

——展開算子——

究竟應該怎麼定義？

它應該擴張：

維度？
狀態？
候選？
工具？
世界地址？
計算圖？
時間路徑？
模擬分支？
中介表示？

又應該在什麼條件下停止？

因此第二篇正式進入：

《展開算子的第二代定義——從概率候選到意圖條件計算域》

其核心不再只是：

S_t \xrightarrow{\mathcal E} \mathcal E(S_t)

而是：

\boxed{ (\Sigma_t,\mathfrak P_t^I,M_t,W_t) \xrightarrow{\mathcal E} \mathfrak C_t }

其中：

\boxed{ \mathfrak C_t }

將被定義為：

由意圖、概率、記憶、世界與資源共同限定後，為本次推理暫時生成的活動計算域。

這將真正進入「展開層」本身。

參考文獻與理論來源

Neo.K & Theia. (2026). 主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察. EveMissLab. 母文將自身定位為哲學觀察性猜想，以「概率性存在＋可用形式輸出」及「有結構的不確定性場」作為主體論重新開放的觀察起點。

Farquhar, S., Kossen, J., Kuhn, L., et al. (2024). Detecting hallucinations in large language models using semantic entropy. Nature, 630, 625–630. 該工作把語義等價的不同 sequence 聚合後再計算 meaning-level entropy，為本文「概率必須依尺度定義」提供直接技術支點。

Ward, F. R., MacDermott, M., Belardinelli, F., Toni, F., & Everitt, T. (2024). The Reasons that Agents Act: Intention and Instrumental Goals. AAMAS 2024. 該工作以 structural causal influence models 操作化 AI agent intention，並將 intention 與 agent 採取決策的 reasons 及 instrumental goals 聯繫。

Rens, G. B. (2025). Proposing Hierarchical Goal-Conditioned Policy Planning in Multi-Goal Reinforcement Learning. 該工作以 goal-conditioned policies、hierarchical actions 與 MCTS 結合規劃，提供「目標條件可以組織概率政策與高階規劃」的鄰近工程例子。

de Vries, B., et al. (2025). Expected Free Energy-based Planning as Variational Inference. 該工作在 active-inference 框架中統一處理 goal achievement、information gain 與 bounded computational resources；本文只將其作為概率政策與偏好／目標共存的相關技術參照，而不採用其完整本體論。

Torresan, F., Kanai, R., & Baltieri, M. (2025). Prior preferences in active inference agents: soft, hard, and goal shaping. 該工作比較不同 preference structures 對 exploitation、exploration 與 learning 的影響，進一步支持「目標強度／結構會改變未來政策分布，而不需要消除概率性」這一鄰近觀點。

從概率場到意圖場——跨尺度條件概率如何形成持久未來約束

從概率場到意圖場——跨尺度條件概率如何形成持久未來約束

From Probability Fields to Intentional Fields: How Cross-Scale Conditional Distributions Form Persistent Constraints on Future Trajectories

摘要

一、從《主體之裂》的那句「懂得都懂」重新開始

二、第一個修正：不要再把「概率模型」直接升格為「概率本體」

三、真正問題因此變成

四、從單一分布改成「概率場」

五、定義跨尺度概率場

六、這裡的「場」不是物理場

七、不同尺度之間存在投影

八、這一點已有具體 AI 研究支點

九、因此微觀概率並不能直接告訴我們宏觀概率

十、現在把同一思想推到 action

十一、因此一個 agent 可以同時高度不確定又高度穩定

十二、《主體之裂》的「有結構的不確定性場」因此可以第一次精確化

十三、真正的新問題：意圖放在哪裡？

十四、因此意圖必須改變概率場

十五、最簡單的意圖重加權模型

十六、 β\betaβ 可以理解為意圖約束強度

十七、但成熟意圖不必要求 β→∞\beta\rightarrow\inftyβ→∞

十八、所以強烈意圖不是「只剩一條路」

十九、這比「自由 vs 宿命」二分更有用

二十、其中 QIQ_IQI​ 代表宏觀秩序

二十一、而 DID_IDI​ 代表意圖相容自由度

二十二、於是四個不同 regime 出現

二十三、本文認為第四區域才值得稱為高階意圖動態的候選區

二十四、但光看 entropy 還不足以叫「意圖」

二十五、本文因此定義「意圖因果力」

二十六、若 JI≈0J_I\approx0JI​≈0

二十七、若 JI>0J_I>0JI​>0

二十八、因此本文暫定意圖至少需要

二十九、但意圖還需要跨時間持續

三十、現在形成第一版意圖場狀態

三十一、還缺一個：可修正性

三十二、最終意圖狀態向量

三十三、所以意圖場不是一個單一 goal token

三十四、因此「概率場 → 意圖場」不是 probability 消失

三十五、用最直覺的例子：我要寫一篇論文

三十六、意圖不必直接決定下一個字

三十七、但它重新分配大量宏觀概率

三十八、這就是「意圖作用於路徑，不一定作用於單點」

三十九、這可以解釋「下一個念頭仍然開放，但大的構造已經確定」

四十、這也使人類與 AI 的比較變得更精確

四十一、人類不因可概率建模而成為骰子

四十二、真正問題是 III 是否具有可檢驗作用

四十三、這裡與 goal-conditioned policy 研究產生交集

四十四、Active inference 也提供另一種鄰近結構

四十五、本文與 active inference 的差別

四十六、現在加入記憶

四十七、於是過去進入概率場

四十八、意圖與記憶結合後

四十九、這是「同一意圖，不同人生／不同 Agent 歷史」的形式入口

五十、這表示「意圖」不是完整 policy

五十一、所以更一般的 action distribution 是

五十二、這和舊《內外雙生展開計算論》開始正式接合

五十三、因此舊式決定函數可以升級成條件分布

五十四、這是概率場與展開計算論第一次真正接上

五十五、因此真正的展開不是無條件 explosion

五十六、其中 active expansion set 可以寫成

五十七、但只選最高概率也可能錯

五十八、可以定義意圖控制下的探索分布

五十九、這會把「意圖」和「好奇」放在同一框架

六十、因此意圖場不是熵最小化器

六十一、例如

六十二、因此智慧體可能主動增加局部不確定性

六十三、這正是後續「展開層」最重要的入口

六十四、所以展開需要尺度標記

六十五、真正智能甚至可能是「決定在哪一層增加熵」

六十六、這可以稱為「尺度定向展開」

Scale-Directed Expansion

六十七、這與母文的哲學命題重新接合

六十八、所以智能不應定義成「把概率消掉」

六十九、本文提出「概率—意圖轉換命題」

Probability–Intention Transformation Principle

七十、因此

七十一、研究命題一：概率場命題

七十二、研究命題二：跨尺度非等熵命題

七十三、研究命題三：意圖場命題

七十四、研究命題四：意圖非唯一化命題

十六、 $\beta$ 可以理解為意圖約束強度

十七、但成熟意圖不必要求 $\beta\rightarrow\infty$

二十、其中 $Q_I$ 代表宏觀秩序

二十一、而 $D_I$ 代表意圖相容自由度

二十六、若 $J_I\approx0$

二十七、若 $J_I>0$

四十二、真正問題是 $I$ 是否具有可檢驗作用