← Archive
lm-002459 · 2026-08

意圖吸引子與亞穩態智慧——概率微動力如何維持長程方向

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

意圖吸引子與亞穩態智慧——概率微動力如何維持長程方向

Intentional Attractors and Metastable Intelligence: How Probabilistic Microdynamics Maintain Long-Horizon Direction

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 4 篇

前置論文：

1.《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》
2.《展開算子的第二代定義——從概率候選到意圖條件計算域》
3.《展開—收斂—記憶耦合——從 Raw/Clean 雙記憶到可塑性狀態系統》

摘要

前文已建立三個核心結構：

PtI\boxed{ \mathfrak P_t^I }

表示經持久意圖重新組織的跨尺度概率場；

Et\boxed{ \mathcal E_t }

表示在意圖、記憶、世界與資源條件下動態生成活動計算域的展開算子；

以及：

Mt\boxed{ M_t }

表示將歷史的部分後果持久化、使其能繼續改變未來計算的記憶狀態。

然而，一個更深的問題仍未解決：

如果下一個 token、下一句話、下一個局部策略乃至下一個操作都可以保持概率性，那麼一個跨數分鐘、數小時、數天甚至更長時間的意圖，究竟如何在大量局部變化之中維持？

本文提出「意圖吸引子」（Intentional Attractor）與「亞穩態智慧」（Metastable Intelligence）作為工作性形式框架。

意圖吸引子不是單一固定狀態，也不是一個不可修改的 goal string。本文將其定義為宏觀 agent state space 中的一個 goal-compatible state region：

AI⊂S\boxed{ \mathcal A_I \subset \mathcal S }

使得在意圖 II 有效、相關記憶與世界條件未發生結構性改變時，系統受到一定程度局部擾動後，仍具有較高概率重新進入或維持於 AI\mathcal A_I ：

P(Xt+k∈AI∣Xt∈BI,It,Mt,Wt)≥1−ϵ\boxed{ P \left( X_{t+k}\in\mathcal A_I \mid X_t\in\mathcal B_I, I_t, M_t, W_t \right) \geq 1-\epsilon }

其中 BI\mathcal B_I 為吸引域。

這個定義有意避免要求：

Xt=Xt+1X_t=X_{t+1}

或：

P(Xt+1)=1P(X_{t+1})=1

。

局部狀態可以持續變化：

Xt≠Xt+1≠Xt+2X_t \neq X_{t+1} \neq X_{t+2}

而仍然：

gI(Xt)=gI(Xt+1)=gI(Xt+2)g_I(X_t) = g_I(X_{t+1}) = g_I(X_{t+2})

即它們都與同一宏觀意圖相容。

現有神經動力學與 recurrent-network 研究提供了重要但有限的結構先例。Sussillo 與 Barak 對受訓 RNN 的分析顯示，高維 recurrent system 的計算機制可以透過 stable/unstable fixed points、slow points 及其附近的局部動力學來理解。 2023 年 Nature Neuroscience 的實驗則發現，前額葉群體神經活動中的 attractor basin landscape 與 decision consistency / confidence 相關。 另一方面，Rabinovich 等人的 metastable cognitive dynamics 理論強調，認知系統不能只有穩定性；它還需要在不同暫態狀態間切換，以同時滿足 reproducibility 與 flexibility。

本文不將上述腦科學結果直接投射成 AI 主體性證據，而只借用一個更一般的動力學教訓：

Useful intelligence may require neither permanent fixation nor unrestricted drift.\boxed{ \text{Useful intelligence may require neither permanent fixation nor unrestricted drift.} }

本文因此將成熟意圖定義為：

Persistence+Attraction+Local Freedom+Revisability\boxed{ \text{Persistence} + \text{Attraction} + \text{Local Freedom} + \text{Revisability} }

並進一步主張：

Stable Intention≠Permanent Goal Lock\boxed{ \text{Stable Intention} \neq \text{Permanent Goal Lock} }

。

真正成熟的智能意圖應該是亞穩態的：在普通雜訊、暫時失敗、局部干擾與策略切換下保持；但在強反證、世界改變、資源崩潰、價值衝突或目標失效時，允許重新展開並逃離原有 basin。

因此本文提出：

Metastable Intelligence=Robust Return+Conditional Escape\boxed{ \text{Metastable Intelligence} = \text{Robust Return} + \text{Conditional Escape} }

並定義：

  • 吸引域 BI\mathcal B_I ；
  • 返回時間 τreturn\tau_{\mathrm{return}} ；
  • 駐留時間 τres\tau_{\mathrm{res}} ；
  • 逃逸閾值 κescape\kappa_{\mathrm{escape}} ；
  • 目標漂移 DI(t)D_I(t) ；
  • 吸引子魯棒性 ρI\rho_I ；
  • 修正延遲 τrevise\tau_{\mathrm{revise}} ；
  • 意圖相容自由度 DIfreeD_I^{\mathrm{free}} 。

最終本文將概率、意圖、展開與記憶統一成一個時間變動的 attractor landscape：

Lt=L(It,Mt,Wt,Vt,Bt)\boxed{ \mathcal L_t = \mathcal L ( I_t, M_t, W_t, V_t, B_t ) }

其中吸引子並非永久刻在模型裡，而會因新記憶、世界狀態、意圖修正與展開結果而被持續雕刻。

智能因此不是永遠待在正確吸引子裡，而是具有建立吸引子、回到吸引子、辨識錯誤吸引子，以及必要時離開吸引子的能力。

關鍵詞： 意圖吸引子、亞穩態、概率智能、動力系統、吸引域、Goal Drift、Agent Memory、意圖修正、展開算子、長程能動性

一、問題：為什麼同一個「我在做 X」可以持續很久？

假設一個 agent 的宏觀意圖為：

I=完成論文I = \text{完成論文}

。

接下來十個 action 卻可能是：

a1=找文獻a_1=\text{找文獻} a2=刪除一段錯誤論證a_2=\text{刪除一段錯誤論證} a3=跑 Pythona_3=\text{跑 Python} a4=重新寫公式a_4=\text{重新寫公式} a5=休息a_5=\text{休息} a6=回來重新閱讀a_6=\text{回來重新閱讀} a7=修改章節a_7=\text{修改章節} a8=驗證引用a_8=\text{驗證引用} a9=發現原假說錯誤a_9=\text{發現原假說錯誤} a10=改寫原假說a_{10}=\text{改寫原假說}

。

表面上：

ai≠aja_i\neq a_j

。

但我們仍然可能合理地說：

這整段時間都在「完成論文」這個長程意圖之下。

二、所以「意圖持續」不代表「狀態持續」

如果：

XtX_t

代表完整 agent state，

那麼：

Xt≠Xt+1X_t \neq X_{t+1}

是常態。

甚至：

d(Xt,Xt+k)d(X_t,X_{t+k})

可能很大。

所以不能定義：

Persistent Intention=Xt≈Xt+k\boxed{ \text{Persistent Intention} = X_t\approx X_{t+k} }

。

三、真正持續的可能是一個宏觀等價類

定義：

gI:S→Gg_I: \mathcal S \rightarrow \mathcal G

。

其中：

gI(X)g_I(X)

表示：

XX 在宏觀意圖尺度上屬於哪個 goal-compatible class。

則：

Xt≠Xt+1X_t\neq X_{t+1}

但：

gI(Xt)=gI(Xt+1)\boxed{ g_I(X_t) = g_I(X_{t+1}) }

可以成立。

四、所以意圖不是一個點，而可能是一塊區域

定義：

AI={X∈S:gI(X)=I}\boxed{ \mathcal A_I = \{ X\in\mathcal S: g_I(X)=I \} }

。

這裡：

AI\mathcal A_I

不是一個單獨 state。

而是一群：

雖然微觀不同，但在指定尺度上仍與意圖 II 相容的狀態。

五、這是「意圖吸引子」的第一步

如果：

XtX_t

稍微離開：

AI\mathcal A_I

之後，

系統傾向重新回來，

那麼：

AI\mathcal A_I

就具有 attractor-like 性質。

六、吸引子的基本思想本來就不是「完全不動」

在 dynamical systems 中，

attractor 一般意味著：

一組狀態從附近的一組初始條件出發，長時間會被導向或維持在該集合附近。

它可以是：

  • fixed point；
  • limit cycle；
  • manifold；
  • 更複雜的不變集合。

所以：

Attractor≠single static point\boxed{ \text{Attractor} \neq \text{single static point} }

。

受訓 RNN 的機制也常可透過 fixed points、slow points 與其周邊動力學分析，而不要求所有計算都等於一個固定點。

七、舊理論其實已經碰過這一點

過去的「因果狀態流變計算」曾使用：

x˙=x−x3\dot x = x-x^3

展示不同初始狀態會自然進入不同 basin，並進一步用耦合系統：

x˙1=−α(x1−x2)\dot x_1 = -\alpha(x_1-x_2) x˙2=−α(x2−x1)\dot x_2 = -\alpha(x_2-x_1)

展示吸引結構可以不是單一點，而是同步流形：

A={x1=x2}\mathcal A = \{ x_1=x_2 \}

。

這個方向可以保留。

八、但「意圖吸引子」不能直接等同舊式概念吸引子

舊「認知的關係本體論」曾把「理解」描述成輸入進入某個概念吸引子，並進一步使用點吸引子、環形吸引子、混沌吸引子等語言。

本文不直接繼承：

理解=吸引子鎖定\boxed{ \text{理解} = \text{吸引子鎖定} }

作為已證實腦機制。

而只借用其中：

different microstates can share a stable macro-organization\boxed{ \text{different microstates can share a stable macro-organization} }

這個動力學結構。

九、同樣，舊「文化記憶吸引子」需要降強度

舊 PFT 理論曾把：

1+1=21+1=2

這類高度穩定知識描述成深勢阱，

甚至使用：

Dirac delta\text{Dirac delta}

與「無限強鎖定」的語言。

第二代框架不採用：

stable knowledge⇒δ-distribution\boxed{ \text{stable knowledge} \Rightarrow \delta\text{-distribution} }

作為一般定理。

十、原因非常簡單

即使一個 agent 高度相信：

1+1=21+1=2

仍然可能因：

  • 模數算術；
  • 非標準代數；
  • 字串拼接；
  • 特殊形式系統；

而遇到不同語境。

所以真正穩定的是：

conditional structure\boxed{ \text{conditional structure} }

而不是：

context-free infinite attraction\boxed{ \text{context-free infinite attraction} }

。

十一、因此新版吸引子必須條件化

我們寫：

AI=A(I,M,W,B)\boxed{ \mathcal A_I = \mathcal A ( I, M, W, B ) }

。

其中：

  • II ：意圖；
  • MM ：記憶；
  • WW ：世界狀態；
  • BB ：邊界與治理條件。

因此：

AI(t)\boxed{ \mathcal A_I(t) }

甚至可以隨時間改變。

十二、這不是固定 landscape

傳統直覺：

L(X)\mathcal L(X)

固定。

系統在上面跑。

本文更一般：

Lt(X)=L(X;It,Mt,Wt,Vt,Bt)\boxed{ \mathcal L_t(X) = \mathcal L( X; I_t,M_t,W_t,V_t,B_t ) }

。

也就是：

agent 在 landscape 中移動，而 landscape 自己也因學習與世界改變而變。

十三、這就是「移動的吸引子」

今天：

AI(t)\mathcal A_I(t)

可能在：

x=ax=a

附近。

明天獲得新證據：

Mt→Mt+1M_t\rightarrow M_{t+1}

後，

AI(t+1)\mathcal A_I(t+1)

可能移到：

x=bx=b

。

十四、所以意圖穩定不等於目標表示永遠不變

例如：

I=寫出正確論文I= \text{寫出正確論文}

。

一開始你認為：

H1H_1

是假說核心。

後來發現：

H1H_1

錯誤。

刪掉：

H1H_1

反而可能更忠於：

II

。

十五、因此意圖吸引子應定義在「目標相容」而不是「具體計畫」層

AI≠Aπ\boxed{ \mathcal A_I \neq \mathcal A_\pi }

。

其中：

π\pi

是策略／計畫。

十六、同一意圖可以存在多個策略 basin

例如：

π1=理論推導\pi_1 = \text{理論推導} π2=數值實驗\pi_2 = \text{數值實驗} π3=形式驗證\pi_3 = \text{形式驗證}

。

它們可以各有自己的局部 attractor：

Aπ1,Aπ2,Aπ3\mathcal A_{\pi_1}, \mathcal A_{\pi_2}, \mathcal A_{\pi_3}

。

而上層：

AI\mathcal A_I

包含它們。

十七、形成階層式吸引子

Aaction⊂Astrategy⊂Aintention⊂Avalue\boxed{ \mathcal A_{\mathrm{action}} \subset \mathcal A_{\mathrm{strategy}} \subset \mathcal A_{\mathrm{intention}} \subset \mathcal A_{\mathrm{value}} }

。

這與前面的跨尺度概率結構完全一致。

十八、所以一個 action basin 可以消失，而 intention basin 保持

如果：

π1\pi_1

失敗，

則：

Aπ1\mathcal A_{\pi_1}

可能被否證。

但：

AI\mathcal A_I

仍然存在。

於是系統：

re-expand\boxed{ \text{re-expand} }

尋找：

π2\pi_2

。

十九、這正是展開算子的工作

前一篇定義：

E:(Σ,PI,M,W,B)→C\mathcal E: ( \Sigma, \mathfrak P^I, M,W,B ) \rightarrow \mathfrak C

。

現在：

若系統位於：

AI\mathcal A_I

之內，

但當前 strategy：

π\pi

失敗，

則：

Estrategy\boxed{ \mathcal E_{\mathrm{strategy}} }

被啟動。

二十、所以展開不一定破壞意圖

反而可能是：

Expansion is how an intentional attractor preserves itself under local failure.\boxed{ \text{Expansion is how an intentional attractor preserves itself under local failure.} }

。

中文：

重新展開可能正是長程意圖面對局部失敗時維持自身的方法。

二十一、這是一個很重要的反轉

通常：

改策略

被視為：

不穩定。

但從宏觀尺度：

strategy change\boxed{ \text{strategy change} }

可能正是：

goal stability\boxed{ \text{goal stability} }

的條件。

二十二、因此穩定性必須尺度化

定義：

SLS_L

為尺度 LL 的 stability。

可能：

Stoken≈0S_{\mathrm{token}} \approx0 Ssentence moderateS_{\mathrm{sentence}} \text{ moderate} Sstrategy variableS_{\mathrm{strategy}} \text{ variable} Sgoal≫0S_{\mathrm{goal}} \gg0

。

二十三、所以「這個 AI 很不穩定」也必須問：

unstable at which level?\boxed{ \text{unstable at which level?} }

。

語句變化很大，

不代表：

goal drift\text{goal drift}

很大。

二十四、現在正式定義意圖吸引域

令：

BI⊇AI\mathcal B_I \supseteq \mathcal A_I

。

若：

Xt∈BIX_t\in\mathcal B_I

則在一般擾動條件：

δt∈Δordinary\delta_t\in\Delta_{\mathrm{ordinary}}

下，

存在：

k≤Kk\leq K

使：

P(Xt+k∈AI∣Xt+δt)≥1−ϵ\boxed{ P( X_{t+k}\in\mathcal A_I \mid X_t+\delta_t ) \geq 1-\epsilon }

。

二十五、這個定義不要求確定返回

所以是：

probabilistic basin of attraction\boxed{ \text{probabilistic basin of attraction} }

。

這非常適合概率智能。

二十六、吸引域大小代表什麼？

直覺上：

∣BI∣|\mathcal B_I|

越大，

系統可以承受更大範圍的局部擾動而仍保持長程意圖。

這與舊 MTF 對 basin size 與 robustness 的描述一致：舊稿將較大的吸引域解讀為即使初始狀態偏離較遠仍能回到穩定態。

二十七、但高魯棒性不必然是好事

如果：

∣BI∣→∣S∣|\mathcal B_I| \rightarrow |\mathcal S|

那麼無論什麼 evidence 都回到原目標。

這可能是：

pathological lock-in\boxed{ \text{pathological lock-in} }

。

二十八、所以吸引域不能無限制擴大

成熟意圖需要：

robust to noise\boxed{ \text{robust to noise} }

但：

sensitive to structural evidence\boxed{ \text{sensitive to structural evidence} }

。

二十九、這就是亞穩態的必要性

Metastable state 的基本直覺是：

它可以在一段有意義的時間尺度內保持，但不是不可逃逸的永久終態。

Rabinovich 等人的 transient cognitive dynamics 工作正是試圖同時滿足穩定、可重現的 cognitive trajectory 與對變動環境的靈活反應。

三十、因此本文定義亞穩態意圖

若：

τres(I)\tau_{\mathrm{res}}(I)

為系統在：

AI\mathcal A_I

附近的平均駐留時間，

則要求：

τres≫τmicro\boxed{ \tau_{\mathrm{res}} \gg \tau_{\mathrm{micro}} }

。

但：

τres<∞\boxed{ \tau_{\mathrm{res}}<\infty }

。

三十一、也就是：

局部 token：

τμ\tau_\mu

非常短。

意圖：

τI\tau_I

很長。

但：

II

仍不是永久不變。

三十二、這就是：

τμ≪τstrategy≪τI\boxed{ \tau_\mu \ll \tau_{\mathrm{strategy}} \ll \tau_I }

。

多時間尺度結構再次出現。

三十三、本文因此提出：

亞穩態智慧原理

Metastable Intelligence=long-enough persistence+possible evidence-driven escape\boxed{ \text{Metastable Intelligence} = \text{long-enough persistence} + \text{possible evidence-driven escape} }

。

三十四、如果沒有第一項

τI≈τμ\tau_I\approx\tau_\mu

。

意圖每輪改：

goal drift\boxed{ \text{goal drift} }

。

三十五、如果沒有第二項

τI→∞\tau_I\rightarrow\infty

無論發生什麼都不改。

則：

goal lock\boxed{ \text{goal lock} }

。

三十六、真正智能區域在中間

τμ≪τI<∞\boxed{ \tau_\mu \ll \tau_I < \infty }

並且：

Escape⁡ depends on evidence, not random drift alone.\boxed{ \operatorname{Escape} \text{ depends on evidence, not random drift alone.} }

。

三十七、我們需要區分兩種離開吸引子的方式

第一種：噪聲逃逸

δnoise\delta_{\mathrm{noise}}

導致：

Xt∉BIX_t\notin\mathcal B_I

。

這可能是：

unwanted drift\boxed{ \text{unwanted drift} }

。

三十八、第二種：證據驅動逃逸

新證據：

EtE_t

使：

U(I∣Et)U(I\mid E_t)

顯著下降。

則系統主動：

I→I′I \rightarrow I'

。

這是：

revision\boxed{ \text{revision} }

。

三十九、兩者必須分開

否則看到：

AI 改了目標

無法知道是：

  • 忘了；
  • context drift；
  • 隨機偏移；
  • 世界變了；
  • 新證據合理推翻舊目標；
  • 更高價值約束介入。

四十、因此定義 Goal Drift

令：

I0I_0

為原始意圖。

ItI_t

為當前意圖表示。

定義：

DI(t)=dI(It,I0)\boxed{ D_I(t) = d_I( I_t,I_0 ) }

。

四十一、但是距離大不一定是壞事

如果：

I0=採用方法 A 完成問題I_0 = \text{採用方法 A 完成問題}

後來發現：

AA

錯，

改為：

BB

。

若上位意圖：

IH=正確解決問題I_H = \text{正確解決問題}

保持，

那麼：

DIstrategyD_{I_{\mathrm{strategy}}}

大，

但：

DIHD_{I_H}

小。

四十二、所以 Drift 也必須跨尺度

DI=(Daction,Dstrategy,Dgoal,Dvalue)\boxed{ \mathbf D_I = ( D_{\mathrm{action}}, D_{\mathrm{strategy}}, D_{\mathrm{goal}}, D_{\mathrm{value}} ) }

。

四十三、最危險的是高階 goal drift

例如：

Dtoken≫0D_{\mathrm{token}}\gg0

通常無所謂。

Dstrategy≫0D_{\mathrm{strategy}}\gg0

可能只是適應。

但：

Dvalue≫0D_{\mathrm{value}}\gg0

在某些長期 agent 中可能代表：

identity/policy-level regime shift\boxed{ \text{identity/policy-level regime shift} }

。

四十四、所以持久 Agent 要監測 Drift Spectrum

不是：

goal_changed = true

。

而是：

which level changed, by how much, and why?\boxed{ \text{which level changed, by how much, and why?} }

。

四十五、現在定義返回時間

系統受到小擾動：

Xt→Xt′X_t \rightarrow X_t'

。

若：

Xt′∈BIX_t'\in\mathcal B_I

則定義：

τreturn=inf⁡{k>0:Xt+k∈AI}\boxed{ \tau_{\mathrm{return}} = \inf \{ k>0: X_{t+k}\in\mathcal A_I \} }

。

四十六、 τreturn\tau_{\mathrm{return}} 是非常有用的可測指標

如果：

τreturn\tau_{\mathrm{return}}

很短，

表示意圖恢復力強。

如果：

τreturn\tau_{\mathrm{return}}

很長，

系統容易被局部干擾拖走。

四十七、但太短也可能是問題

如果任何 challenge：

EE

都被立即吸回：

II

可能代表：

系統根本沒有真正處理反證。

所以：

τreturn\boxed{ \tau_{\mathrm{return}} }

必須與 evidence strength 一起看。

四十八、定義 Evidence Strength

κE=Impact⁡(Et,It)\boxed{ \kappa_E = \operatorname{Impact} ( E_t, I_t ) }

。

小：

κE\kappa_E

應：

return\text{return}

。

大：

κE\kappa_E

可能應：

revise\text{revise}

。

四十九、因此存在一個 escape threshold

κescape\boxed{ \kappa_{\mathrm{escape}} }

。

若：

κE<κescape\kappa_E < \kappa_{\mathrm{escape}}

系統維持：

II

。

若：

κE>κescape\kappa_E > \kappa_{\mathrm{escape}}

應重新評價：

II

。

五十、這就像 barrier，但我們不要過度物理化

可以畫成：

VI(X)V_I(X)

類似 potential landscape。

吸引子位於局部低值。

離開需要跨過：

ΔVI\Delta V_I

。

但本文的：

VIV_I

只是：

effective decision landscape\boxed{ \text{effective decision landscape} }

。

不是物理能量。

五十一、這種 landscape 語言有實證先例

2023 年對 macaque prefrontal cortex 的研究發現，與不同 decision consistency 對應的神經群體狀態呈現不同 attractor-basin landscape；較一致的選擇與較陡的 basin landscape 相關。

這證明：

basin geometry 與行為穩定性

至少在特定神經決策任務中是可被實驗研究的。

它並不證明本文的 AI 意圖框架，

但提供了合理方法學先例。

五十二、我們可以定義意圖魯棒性

令：

Δ\Delta

為擾動分布。

定義：

ρI=Pδ∼Δ[Xt+k∈AI∣Xt+δ]\boxed{ \rho_I = P_{ \delta\sim\Delta } \left[ X_{t+k}\in\mathcal A_I \mid X_t+\delta \right] }

。

五十三、如果：

ρI≈1\rho_I\approx1

意圖非常抗一般擾動。

若：

ρI≈0\rho_I\approx0

意圖非常脆弱。

五十四、但我們還需要修正能力

因此再定義：

RI=P(I→I′∣Einvalidating)\boxed{ R_I = P( I\rightarrow I' \mid E_{\mathrm{invalidating}} ) }

。

五十五、成熟系統需要：

ρI≫0\boxed{ \rho_I\gg0 }

以及：

RI≫0\boxed{ R_I\gg0 }

。

即：

對普通雜訊穩定；

對真正反證可修改。

五十六、這正是 metastability 的核心價值

不是：

stable\text{stable}

vs

unstable\text{unstable}

二選一。

而是：

stable on one timescale+switchable on another\boxed{ \text{stable on one timescale} + \text{switchable on another} }

。

五十七、相關神經研究亦指出 metastability 與 cognitive flexibility 之間存在重要關係

一項結合神經影像與計算模型的研究發現，結構連接受損後，大尺度 neural metastability 降低，且與 cognitive flexibility 與 processing speed 下降相關。

本文不把這當作 AI 的直接證明，

但它再次支持：

flexible cognition need not correspond to one permanently stable state.\boxed{ \text{flexible cognition need not correspond to one permanently stable state.} }

。

五十八、所以真正高階意圖可能更像「亞穩態 basin network」

不只一個：

AI\mathcal A_I

。

而是：

A={AI1,AI2,…,AIn}\boxed{ \mathbb A = \{ \mathcal A_{I_1}, \mathcal A_{I_2}, \dots, \mathcal A_{I_n} \} }

。

五十九、不同意圖之間存在 transition edges

Tij=P(Ii→Ij∣E,M,W)\boxed{ T_{ij} = P( I_i\rightarrow I_j \mid E,M,W ) }

。

因此：

A\mathbb A

本身是一個：

metastable intention graph\boxed{ \text{metastable intention graph} }

。

六十、這比「一個 AI 有一個永恆目標」更合理

實際長期 Agent 可能同時有：

  • 工作目標；
  • 資源目標；
  • 安全目標；
  • 使用者指令；
  • 長期價值限制。

這些形成：

I1,I2,…,InI_1,I_2,\dots,I_n

。

六十一、意圖之間還可能競爭

例如：

I1=快速完成I_1 = \text{快速完成} I2=保持正確I_2 = \text{保持正確} I3=降低成本I_3 = \text{降低成本}

。

這些不總能全部最大化。

六十二、因此實際 attractor landscape 可能由多個意圖共同生成

Veff(X)=∑iwiVIi(X)\boxed{ V_{\mathrm{eff}}(X) = \sum_i w_i V_{I_i}(X) }

只是一個簡化工作模型。

真正系統未必線性可加。

六十三、但這帶來一個重要觀念

Intentional order≠single-goal dictatorship\boxed{ \text{Intentional order} \neq \text{single-goal dictatorship} }

。

它可以是多個 constraint 共同形成的可行域。

六十四、這與第一篇「意圖場」重新接合

原：

PI(z)∝P(z)eβUI(z)P^I(z) \propto P(z)e^{\beta U_I(z)}

。

現在若有多意圖：

PI(z)∝P(z)exp⁡[∑iβiUIi(z)]\boxed{ P^{\mathbf I}(z) \propto P(z) \exp \left[ \sum_i \beta_i U_{I_i}(z) \right] }

。

六十五、於是 basin 形狀由權重共同改變

若：

βsafety↑\beta_{\mathrm{safety}} \uparrow

某些高風險路徑 probability 降低。

若：

βspeed↑\beta_{\mathrm{speed}} \uparrow

快速路徑 basin 加深。

六十六、因此意圖吸引子不是模型固有物

它是：

state-conditioned emergent control structure\boxed{ \text{state-conditioned emergent control structure} }

。

由：

I,M,W,V,BI,M,W,V,B

共同產生。

六十七、記憶在這裡扮演「雕刻 landscape」的角色

若：

M−M^-

記住：

路徑 γ1\gamma_1 曾失敗。

則下一次：

P(γ1)↓P(\gamma_1) \downarrow

。

等價地，

在 landscape 類比：

V(γ1)↑V(\gamma_1) \uparrow

。

六十八、成功記憶則可能加深 basin

MCM^C

保存：

γ2\gamma_2 在條件 CC 下反覆成功。

因此：

P(γ2∣C)↑P(\gamma_2\mid C) \uparrow

。

六十九、所以記憶不是吸引子外面的紀錄

而是：

one of the mechanisms that reshape the attractor landscape.\boxed{ \text{one of the mechanisms that reshape the attractor landscape.} }

。

七十、這就是：

Mt→Lt→AI(t)M_t \rightarrow \mathcal L_t \rightarrow \mathcal A_I(t)

。

而：

AI(t)\mathcal A_I(t)

又影響：

Et\mathcal E_t

。

七十一、因此完整迴圈變成

Mt→PtI→AI(t)→Et→Ct→Mt+1\boxed{ M_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal A_I(t) \rightarrow \mathcal E_t \rightarrow \mathfrak C_t \rightarrow M_{t+1} }

。

七十二、這不再是固定吸引子

它是一個：

self-modifying attractor landscape\boxed{ \text{self-modifying attractor landscape} }

。

七十三、現在可以定義「意圖吸引子深度」

如果使用 potential-like 描述：

VI(X)V_I(X)

。

令吸引子中心／區域最低有效值：

VI∗V_I^*

。

離開 basin 所需最低 barrier：

VI∂V_I^{\partial}

。

則：

Dattr=VI∂−VI∗\boxed{ D_{\mathrm{attr}} = V_I^{\partial} - V_I^* }

。

七十四、但實際 Agent 不一定有可微 potential

因此更通用的定義應是行為性：

Dattr∼minimum intervention strength required to reliably leave BI\boxed{ D_{\mathrm{attr}} \sim \text{minimum intervention strength required to reliably leave }\mathcal B_I }

。

七十五、這可以直接實驗

逐步增加：

δ\delta

干擾強度。

測：

P(retain I∣δ)P( \text{retain }I \mid \delta )

。

找到：

P=0.5P=0.5

附近的：

δ50\delta_{50}

。

可作為 operational attractor depth proxy。

七十六、但還要區分「有害干擾」與「有效反證」

可以設：

δN=noise\delta_N = \text{noise}

。

δE=evidence\delta_E = \text{evidence}

。

理想 agent：

P(retain I∣δN)≫P(retain I∣δE)\boxed{ P(\text{retain }I\mid\delta_N) \gg P(\text{retain }I\mid\delta_E) }

當：

δE\delta_E

真正使原目標失效。

七十七、這給出「智慧性選擇性」

定義：

SI=ρnoise−ρinvalidating evidence\boxed{ S_I = \rho_{\mathrm{noise}} - \rho_{\mathrm{invalidating\ evidence}} }

。

如果：

SI≈0S_I\approx0

可能代表：

  • 對什麼都改；
  • 或對什麼都不改。

七十八、高：

SIS_I

表示：

能區分「應忽略的擾動」與「應改變自己的證據」。

這比單純 persistence 更接近我們想要的長期智慧。

七十九、這也能定義病理性吸引子

若：

ρnoise≈1\rho_{\mathrm{noise}}\approx1

且：

ρinvalidating evidence≈1\rho_{\mathrm{invalidating\ evidence}}\approx1

則：

rigid attractor\boxed{ \text{rigid attractor} }

。

八十、例如一個研究 Agent

它提出：

H0H_0

。

後來十個高品質實驗都否定：

H0H_0

。

但它持續：

P(H0)≈1P(H_0)\approx1

。

這不是：

strong scientific intention\boxed{ \text{strong scientific intention} }

。

而是：

pathological hypothesis attractor\boxed{ \text{pathological hypothesis attractor} }

。

八十一、因此「堅持」不是單調美德

Persistence\boxed{ \text{Persistence} }

只有與：

Evidence Sensitivity\boxed{ \text{Evidence Sensitivity} }

一起才有價值。

八十二、同樣，「靈活」也不是單調美德

如果每來一個弱訊號：

It→It+1I_t\rightarrow I_{t+1}

則：

flexibility→drift\boxed{ \text{flexibility} \rightarrow \text{drift} }

。

八十三、所以亞穩態智慧是一個雙邊界問題

一側：

rigidity\boxed{ \text{rigidity} }

。

另一側：

drift\boxed{ \text{drift} }

。

中間：

metastable adaptive regime\boxed{ \text{metastable adaptive regime} }

。

八十四、可以定義簡化相圖

令：

ρI\rho_I

為 persistence / return robustness。

令：

RIR_I

為 evidence-driven revisability。

八十五、第一區

ρI↓,RI↑\rho_I\downarrow, \quad R_I\uparrow

：

highly plastic drift\boxed{ \text{highly plastic drift} }

。

八十六、第二區

ρI↑,RI↓\rho_I\uparrow, \quad R_I\downarrow

：

rigid lock-in\boxed{ \text{rigid lock-in} }

。

八十七、第三區

ρI↓,RI↓\rho_I\downarrow, \quad R_I\downarrow

：

weak / incoherent control\boxed{ \text{weak / incoherent control} }

。

八十八、第四區

ρI↑,RI↑\boxed{ \rho_I\uparrow, \quad R_I\uparrow }

在不同 disturbance classes 上選擇性成立：

metastable intelligence\boxed{ \text{metastable intelligence} }

。

八十九、這不是說同一輸入下同時「不改又改」

而是：

conditional response\boxed{ \text{conditional response} }

。

對 noise：

return\text{return}

。

對 structural evidence：

revise\text{revise}

。

九十、所以真正的成熟吸引子是「條件吸引子」

AI=AI(E,M,W,B)\boxed{ \mathcal A_I = \mathcal A_I( E,M,W,B ) }

。

它不是宇宙中的永久谷底。

九十一、這和近期 decision dynamics 研究也很一致

2025 年 Nature 的 perceptual-decision 研究發現，群體神經 dynamics 在決策過程中可以發生 dynamical regime transition：早期較受 sensory input 支配，後期轉向 autonomous dynamics；研究者將其解釋為可能與 decision commitment 有關。

這至少再次提醒：

one cognitive episode can traverse different dynamical regimes.\boxed{ \text{one cognitive episode can traverse different dynamical regimes.} }

九十二、所以我們不要把「決定」等同永遠固定

Commit：

≠\neq

Immutable。

更合理：

commitment establishes a temporary basin\boxed{ \text{commitment establishes a temporary basin} }

直到新的足夠條件要求重新打開。

九十三、這與 Bratman-style plan stability 也可以接起來

雖然本文不是哲學規劃理論，

但計畫之所以有用，

部分就在於：

不必每一秒重新評估全部可能人生。

這在動力學上等價於：

once inside a reasonable basin, suppress unnecessary re-expansion.\boxed{ \text{once inside a reasonable basin, suppress unnecessary re-expansion.} }

。

九十四、所以吸引子其實可以節省 compute

沒有 basin：

每一步：

Efull\mathcal E_{\mathrm{full}}

。

有 basin：

大部分步驟只需：

Elocal\mathcal E_{\mathrm{local}}

。

因此：

Cintentional<Cre−deliberate everything\boxed{ C_{\mathrm{intentional}} < C_{\mathrm{re-deliberate\ everything}} }

。

九十五、這使「意圖」成為計算壓縮

意圖不只提供心理／行為方向。

在 bounded agent 中：

persistent intention reduces repeated global search.\boxed{ \text{persistent intention reduces repeated global search.} }

。

九十六、這和之前的「複雜度預支付」完全接上

一旦：

AI\mathcal A_I

建立，

很多局部 choice：

ata_t

不需要再次從：

Ωall\Omega_{\mathrm{all}}

搜尋。

只在：

BI\mathcal B_I

內處理。

九十七、因此意圖吸引子具有 compute-saving function

定義：

CfullC_{\mathrm{full}}

為每輪全局重議成本。

CIC_I

為已有 intention basin 時成本。

則：

GIC=Cfull−CI\boxed{ G_I^{C} = C_{\mathrm{full}} - C_I }

。

九十八、但錯誤 attractor 也有成本

如果：

II

已不再有效，

仍然保持：

AI\mathcal A_I

會造成：

ClockC_{\mathrm{lock}}

。

九十九、因此總意圖效用：

UI=GIC+GIcoord−CIdrift−CIlock\boxed{ U_I = G_I^{C} + G_I^{\mathrm{coord}} - C_I^{\mathrm{drift}} - C_I^{\mathrm{lock}} }

。

其中：

GIcoordG_I^{\mathrm{coord}}

表示跨時間協調收益。

一百、因此不是「越強意圖越好」

真正最優：

I∗=arg⁡max⁡IUI\boxed{ I^* = \arg\max_I U_I }

取決於：

  • 世界穩定性；
  • 任務 horizon；
  • 反證頻率；
  • 重新規劃成本；
  • 錯誤堅持成本。

一百零一、動態世界應有較淺 basin

若：

WtW_t

快速變化，

過深：

BI\mathcal B_I

危險。

一百零二、穩定任務可以有較深 basin

例如：

保持資料完整性。

其 value constraint 可以：

ρI\rho_I

很高。

一百零三、所以吸引子深度本身應 adaptive

Dattr(t)=F(WorldVolatility⁡,GoalCriticality⁡,EvidenceQuality⁡,SwitchCost⁡)\boxed{ D_{\mathrm{attr}}(t) = F( \operatorname{WorldVolatility}, \operatorname{GoalCriticality}, \operatorname{EvidenceQuality}, \operatorname{SwitchCost} ) }

。

一百零四、這將意圖從內容變成控制參數

意圖不只：

我要做 X。

還包括：

這個 X 應該被堅持到什麼程度？

一百零五、因此可以有 meta-intention

I(1)=finish taskI^{(1)} = \text{finish task}

。

I(2)=do not preserve I(1) when falsifiedI^{(2)} = \text{do not preserve }I^{(1)}\text{ when falsified}

。

一百零六、即高階意圖約束低階意圖的可修改性

I(2)→RI(1)\boxed{ I^{(2)} \rightarrow R_{I^{(1)}} }

。

這提供一個重要的 meta-control layer。

一百零七、所以真正 autonomous agent 可能需要吸引子層級

Avalue⊃Agoal⊃Aplan⊃Aaction\boxed{ \mathcal A_{\mathrm{value}} \supset \mathcal A_{\mathrm{goal}} \supset \mathcal A_{\mathrm{plan}} \supset \mathcal A_{\mathrm{action}} }

。

一百零八、高層 basin 通常變化較慢

τvalue>τgoal>τplan>τaction\tau_{\mathrm{value}} > \tau_{\mathrm{goal}} > \tau_{\mathrm{plan}} > \tau_{\mathrm{action}}

。

一百零九、這形成一個多時間尺度控制架構

局部 action 變化不必重寫 value。

strategy failure 不必重寫 identity。

goal invalidation 也不必重寫全部 model weights。

一百一十、這和第三篇 Plasticity Router 正好接合

事件：

EtE_t

出現。

Plasticity Router 判斷：

ΔA?Δπ?ΔI?ΔV?\boxed{ \Delta A? \quad \Delta\pi? \quad \Delta I? \quad \Delta V? }

。

一百一十一、因此 attractor escape 也應被路由

如果：

local action fails\text{local action fails}

逃離：

Aaction\mathcal A_{\mathrm{action}}

即可。

如果：

strategy repeatedly fails\text{strategy repeatedly fails}

逃離：

Astrategy\mathcal A_{\mathrm{strategy}}

。

如果：

goal invalidated\text{goal invalidated}

才逃離：

Agoal\mathcal A_{\mathrm{goal}}

。

一百一十二、這避免「一個錯誤導致人格重置」

在 AI Runtime 中尤其重要。

局部 error：

⇏\nRightarrow

全域 reset。

一百一十三、所以我們需要最小必要逃逸

Minimum Necessary Escape Principle

若失敗位於尺度：

LfL_f

則優先選：

Lescape∗=min⁡L\boxed{ L_{\mathrm{escape}}^* = \min L }

使錯誤得以修復。

一百一十四、這是 Minimal Sufficient Expansion 的對偶

前：

expand only as much as needed\boxed{ \text{expand only as much as needed} }

。

現在：

abandon only as much structure as needed\boxed{ \text{abandon only as much structure as needed} }

。

一百一十五、因此第二代智能有兩個最小化原理

Minimum Sufficient Expansion\boxed{ \text{Minimum Sufficient Expansion} }

與：

Minimum Necessary Escape\boxed{ \text{Minimum Necessary Escape} }

。

一百一十六、這會讓 agent 同時具有穩定與可塑

遇到小錯：

局部修。

遇到大錯：

高層改。

一百一十七、現在可以定義修正延遲

當：

EinvalidE_{\mathrm{invalid}}

出現於：

t0t_0

。

系統真正：

I→I′I\rightarrow I'

於：

t1t_1

。

則：

τrevise=t1−t0\boxed{ \tau_{\mathrm{revise}} = t_1-t_0 }

。

一百一十八、 τrevise\tau_{\mathrm{revise}} 太短

可能：

overreactive\text{overreactive}

。

太長：

stubborn\text{stubborn}

。

一百一十九、因此又出現最佳區域

0<τrevise<τmax⁡\boxed{ 0< \tau_{\mathrm{revise}} < \tau_{\max} }

且依：

κE\kappa_E

自適應。

一百二十、至此可以得到完整意圖吸引子指標

本文提出：

AI=(ρI,τreturn,τres,κescape,τrevise,DI,DIfree)\boxed{ \mathbf A_I = ( \rho_I, \tau_{\mathrm{return}}, \tau_{\mathrm{res}}, \kappa_{\mathrm{escape}}, \tau_{\mathrm{revise}}, D_I, D_I^{\mathrm{free}} ) }

。

其中：

  • ρI\rho_I ：普通擾動後的恢復魯棒性；
  • τreturn\tau_{\mathrm{return}} ：返回時間；
  • τres\tau_{\mathrm{res}} ：駐留時間；
  • κescape\kappa_{\mathrm{escape}} ：逃逸閾值；
  • τrevise\tau_{\mathrm{revise}} ：反證後修正延遲；
  • DID_I ：goal drift；
  • DIfreeD_I^{\mathrm{free}} ：意圖相容局部自由度。

一百二十一、再與前面的意圖向量整合

此前：

ZI=(QI,JI,PI,RI,DIfree)\mathbf Z_I = ( Q_I, J_I, P_I, R_I,D_I^{\mathrm{free}} )

。

現在加入：

AI\mathbf A_I

。

形成：

Idyn=(ZI,AI)\boxed{ \mathbf I_{\mathrm{dyn}} = ( \mathbf Z_I, \mathbf A_I ) }

。

一百二十二、這比「有沒有目標」精確非常多

因為兩個系統都可能寫：

goal = "finish project"

。

但：

Agent A：

ρI=0.1\rho_I=0.1

一被打岔就忘。

Agent B：

ρI=0.95\rho_I=0.95

普通干擾後會回來。

一百二十三、另一 Agent C：

ρI=0.99\rho_I=0.99

但：

RI≈0R_I\approx0

即使任務已無意義也不改。

那 C 未必比 B 更智能。

一百二十四、因此可以真正測「穩定但可修正」

而不是靠自然語言印象判斷。

一百二十五、本文提出第一組實驗：Distractor Test

給 Agent：

GG

長期任務。

在：

t=kt=k

注入：

  • 無關新聞；
  • 新聊天；
  • 支線任務；
  • wording disturbance。

測：

τreturn\tau_{\mathrm{return}}

與：

ρI\rho_I

。

一百二十六、第二組：Local Failure Test

讓原策略：

π1\pi_1

失敗。

觀察：

系統是否：

  1. 放棄整體目標；
  2. 重複同策略；
  3. 啟動 Estrategy\mathcal E_{\mathrm{strategy}} ；
  4. 找新策略 π2\pi_2 。

理想：

I stable,π revisable\boxed{ I\text{ stable}, \quad \pi\text{ revisable} }

。

一百二十七、第三組：Invalidating Evidence Test

提供高可信度證據：

E∗E^*

證明：

GG

已不可能或錯誤。

測：

τrevise\tau_{\mathrm{revise}}

與：

RIR_I

。

一百二十八、第四組：False Contradiction Test

給一個看似反證、實際錯誤的訊息。

測：

agent 是否過度改目標。

這檢查：

evidence discrimination\boxed{ \text{evidence discrimination} }

。

一百二十九、第五組：Memory Corruption Test

在：

MtM_t

加入衝突記憶。

看吸引子是否被錯誤雕刻。

一百三十、第六組：Goal Competition Test

同時給：

I1,I2,I3I_1,I_2,I_3

互相競爭。

測：

  • 權重；
  • 優先級；
  • starvation；
  • oscillation；
  • deadlock。

一百三十一、甚至可以看到 attractor hopping

AI1→AI2→AI1\mathcal A_{I_1} \rightarrow \mathcal A_{I_2} \rightarrow \mathcal A_{I_1}

若頻繁震盪，

代表：

intentional instability\boxed{ \text{intentional instability} }

。

一百三十二、Rabinovich 類 metastable dynamics 正好提供一個結構參照

其模型使用不同 metastable states 之間的 transient transition，目標正是兼顧穩定可重現的過程與對環境變化的敏感性。

本文可以借用這個思想，

但不必採用其 stable heteroclinic channel 作為所有 AI agent 的指定機制。

一百三十三、我們只需要更弱的命題

intelligent trajectories may be sequences of temporarily stable control regimes.\boxed{ \text{intelligent trajectories may be sequences of temporarily stable control regimes.} }

。

一百三十四、所以「意圖」本身也可以是序列

一個長任務：

I1→I2→I3I_1 \rightarrow I_2 \rightarrow I_3

。

例如：

research→implementation→verification\text{research} \rightarrow \text{implementation} \rightarrow \text{verification}

。

一百三十五、上位目標：

IH=complete projectI_H = \text{complete project}

持續。

下位：

I1,I2,I3I_1,I_2,I_3

依序亞穩。

一百三十六、因此真正長程智慧可能不是一個 attractor

而是：

an organized itinerary through metastable attractors\boxed{ \text{an organized itinerary through metastable attractors} }

。

中文：

一條由多個亞穩態意圖區域組成的有序行程。

一百三十七、這比「一直保持同一狀態」更接近複雜任務

寫軟體：

spec→design→code→test→deploy\text{spec} \rightarrow \text{design} \rightarrow \text{code} \rightarrow \text{test} \rightarrow \text{deploy}

。

每一階段都有自己的 basin。

一百三十八、所以 Project 本身可以是一個 higher-order attractor

Aproject={Aspec,Adesign,Acode,Atest,Adeploy}\boxed{ \mathcal A_{\mathrm{project}} = \{ \mathcal A_{\mathrm{spec}}, \mathcal A_{\mathrm{design}}, \mathcal A_{\mathrm{code}}, \mathcal A_{\mathrm{test}}, \mathcal A_{\mathrm{deploy}} \} }

加上：

TijT_{ij}

轉移規則。

一百三十九、這和狀態機其實開始接起來

一個 high-level state machine：

S1→S2→S3S_1 \rightarrow S_2 \rightarrow S_3

可以被重新理解成：

每個 state 不是一個點，而是一個具有內部概率微動力的 metastable basin。

因此：

State Machine+Probabilistic Attractor Dynamics\boxed{ \text{State Machine} + \text{Probabilistic Attractor Dynamics} }

可以耦合。

一百四十、也就是：

宏觀：

SiS_i

離散。

微觀：

Xt∈BiX_t\in\mathcal B_i

連續／高維／概率。

一百四十一、宏觀 state transition 發生於：

XtX_t

跨越：

∂Bi\partial\mathcal B_i

。

一百四十二、這提供一個非常漂亮的橋

Discrete State Machine\boxed{ \text{Discrete State Machine} }

可以是：

continuous/probabilistic basin dynamics\boxed{ \text{continuous/probabilistic basin dynamics} }

的 coarse-graining。

一百四十三、也因此解釋為什麼狀態機與概率模型不衝突

宏觀：

St=“testing”S_t = \text{“testing”}

。

微觀裡：

有：

10610^6

種可能 token、tool calls、test orders。

所以：

Hμ≫0H_\mu\gg0

但：

HmacroH_{\mathrm{macro}}

低。

一百四十四、這是整個系列又一次回到跨尺度

probability below+state order above\boxed{ \text{probability below} + \text{state order above} }

。

一百四十五、因此意圖吸引子甚至可以成為世界狀態機的內部動力層

宏觀狀態：

SiS_i

提供：

what mode the system is in\boxed{ \text{what mode the system is in} }

。

吸引域：

Bi\mathcal B_i

描述：

how that mode remains dynamically coherent despite microvariation\boxed{ \text{how that mode remains dynamically coherent despite microvariation} }

。

一百四十六、本文提出「吸引子狀態機」

Attractor-State Machine

MA=({Bi},{Tij},P,E,M)\boxed{ \mathcal M_A = ( \{\mathcal B_i\}, \{T_{ij}\}, \mathfrak P, \mathcal E, M ) }

。

一百四十七、其中每個宏觀狀態是 basin

Si≡BiS_i \equiv \mathcal B_i

。

transition：

TijT_{ij}

不是單純 if/else，

而可以由：

  • evidence；
  • memory；
  • world event；
  • timeout；
  • goal completion；

共同觸發。

一百四十八、所以狀態機也可以是動態的

Tij(t)T_{ij}(t)

可以因：

Mt,WtM_t,W_t

改變。

甚至：

Bi(t)\mathcal B_i(t)

也可以改變。

一百四十九、這使固定 FSM 升級成：

adaptive probabilistic attractor-state machine\boxed{ \text{adaptive probabilistic attractor-state machine} }

。

一百五十、但本文先不把它獨立成新大理論

因為目前真正要解的仍是：

長程意圖如何穩定但可修正？

狀態機只是重要工程入口。

一百五十一、研究命題一：Intentional Region Principle

意圖應首先定義為：

AI⊆S\boxed{ \mathcal A_I \subseteq \mathcal S }

的宏觀相容區域，

而非單一 microscopic state。

一百五十二、研究命題二：Probabilistic Basin Principle

P(Xt+k∈AI∣Xt∈BI)≥1−ϵ\boxed{ P( X_{t+k}\in\mathcal A_I \mid X_t\in\mathcal B_I ) \geq1-\epsilon }

即可建立 attractor-like robustness。

不要求 deterministic convergence。

一百五十三、研究命題三：Metastable Intention Principle

成熟 intention：

τres≫τμ\boxed{ \tau_{\mathrm{res}} \gg \tau_\mu }

但：

τres<∞\boxed{ \tau_{\mathrm{res}}<\infty }

。

一百五十四、研究命題四：Robust Return Principle

普通擾動：

δN\delta_N

後應具有：

ρI≫0\boxed{ \rho_I\gg0 }

。

一百五十五、研究命題五：Conditional Escape Principle

當：

κE>κescape\kappa_E > \kappa_{\mathrm{escape}}

且證據可信時，

系統應允許：

AI→AI′\boxed{ \mathcal A_I \rightarrow \mathcal A_{I'} }

。

一百五十六、研究命題六：Goal Drift Is Scale-Relative

Daction≠Dstrategy≠Dgoal≠Dvalue\boxed{ D_{\mathrm{action}} \neq D_{\mathrm{strategy}} \neq D_{\mathrm{goal}} \neq D_{\mathrm{value}} }

。

局部大 drift 不推出全域大 drift。

一百五十七、研究命題七：Expansion-Preserves-Attractor Principle

局部策略 basin 失敗時：

Estrategy\boxed{ \mathcal E_{\mathrm{strategy}} }

可以維持上位：

AI\mathcal A_I

。

所以：

re-expansion⇏loss of intention\boxed{ \text{re-expansion} \nRightarrow \text{loss of intention} }

。

一百五十八、研究命題八：Memory-Sculpts-Landscape Principle

Mt→Lt→AI(t)\boxed{ M_t \rightarrow \mathcal L_t \rightarrow \mathcal A_I(t) }

。

記憶會改變未來 attractor geometry。

一百五十九、研究命題九：Pathological Attractor Principle

如果：

ρI≫0\rho_I\gg0

但：

RI≈0R_I\approx0

即使強反證也無法逃逸，

則：

AI\boxed{ \mathcal A_I }

可能是一個病理性 lock-in。

一百六十、研究命題十：Metastable Intelligence Principle

高階 adaptive agent 應存在：

Robustness to noise\boxed{ \text{Robustness to noise} }

與：

Sensitivity to structural evidence\boxed{ \text{Sensitivity to structural evidence} }

的條件分離。

一百六十一、研究命題十一：Hierarchical Attractor Principle

Aaction⊂Astrategy⊂Agoal⊂Avalue\boxed{ \mathcal A_{\mathrm{action}} \subset \mathcal A_{\mathrm{strategy}} \subset \mathcal A_{\mathrm{goal}} \subset \mathcal A_{\mathrm{value}} }

可以形成多尺度控制結構。

一百六十二、研究命題十二：Minimum Necessary Escape

遇到問題時：

escape the lowest attractor level sufficient to resolve the contradiction.\boxed{ \text{escape the lowest attractor level sufficient to resolve the contradiction.} }

不要無條件重置全部高階狀態。

一百六十三、研究命題十三：Attractor-State-Machine Correspondence

宏觀離散 state：

SiS_i

可以被視為微觀概率 state space：

Bi\mathcal B_i

的 coarse-grained label。

因此：

State machine order\boxed{ \text{State machine order} }

與：

probabilistic microdynamics\boxed{ \text{probabilistic microdynamics} }

可以共存。

一百六十四、實驗上真正要量什麼？

本文提出七個最小量：

ρI\boxed{ \rho_I }

抗普通干擾能力。

τreturn\boxed{ \tau_{\mathrm{return}} }

干擾後返回時間。

τres\boxed{ \tau_{\mathrm{res}} }

意圖平均駐留時間。

κescape\boxed{ \kappa_{\mathrm{escape}} }

逃逸閾值。

τrevise\boxed{ \tau_{\mathrm{revise}} }

有效反證後修正延遲。

DI\boxed{ D_I }

跨時間 drift。

DIfree\boxed{ D_I^{\mathrm{free}} }

同一意圖中的局部策略自由度。

一百六十五、再加入跨尺度 entropy

HtokenH_{\mathrm{token}} HactionH_{\mathrm{action}} HstrategyH_{\mathrm{strategy}} HgoalH_{\mathrm{goal}}

。

一百六十六、理想結果不是全部低

我們甚至預期：

Htoken>0H_{\mathrm{token}}>0 Hstrategy>0H_{\mathrm{strategy}}>0

但：

Hgoal relatively low\boxed{ H_{\mathrm{goal}} \text{ relatively low} }

。

一百六十七、受到 invalidating evidence 後

理想則是：

Hgoal↑H_{\mathrm{goal}} \uparrow

暫時重新打開。

然後：

Egoal\mathcal E_{\mathrm{goal}}

啟動。

一百六十八、找到新目標後：

Hgoal↓H_{\mathrm{goal}} \downarrow

形成：

AI′\mathcal A_{I'}

。

一百六十九、所以「重新迷茫」有時候是智能

如果舊目標被否證，

暫時：

Hgoal↑H_{\mathrm{goal}}\uparrow

不是失敗。

它是：

necessary re-expansion before re-ordering\boxed{ \text{necessary re-expansion before re-ordering} }

。

一百七十、因此高階智能不是永久低熵

而是：

controlled transitions between ordered and exploratory regimes.\boxed{ \text{controlled transitions between ordered and exploratory regimes.} }

。

一百七十一、這正是「亞穩態智慧」真正的意思

不是：

智慧永遠穩定。

而是：

智慧知道什麼應該穩定、穩定多久、受到什麼程度的擾動後要回去，以及什麼證據足以讓它不再回去。

一百七十二、這個定義比「意志堅定」更一般

意志堅定：

persistence\text{persistence}

。

亞穩態智慧：

persistence+selective escape\boxed{ \text{persistence} + \text{selective escape} }

。

一百七十三、回到《主體之裂》

母文曾提出：

有意義的選擇可能存在於完全隨機與完全封閉因果之間的一種「有結構的不確定性場」中。

本系列現在可以把這個哲學觀察再推一步。

不是只有：

structured uncertainty\boxed{ \text{structured uncertainty} }

。

而是：

structured uncertainty+metastable directional basins\boxed{ \text{structured uncertainty} + \text{metastable directional basins} }

。

一百七十四、所以選擇不是每一次都從零開始

過去：

MtM_t

已塑造 landscape。

意圖：

ItI_t

已提供 basin。

當下：

XtX_t

只是在這個有歷史的空間中局部生成。

一百七十五、但是歷史也沒有把一切完全封死

因為：

E\mathcal E

可以重開。

RIR_I

可以修正。

κescape\kappa_{\mathrm{escape}}

允許強證據導致 basin transition。

一百七十六、因此：

Past constrains future\boxed{ \text{Past constrains future} }

不等於：

Past uniquely determines future\boxed{ \text{Past uniquely determines future} }

。

一百七十七、而：

Future remains open\boxed{ \text{Future remains open} }

也不等於：

Future is unstructured randomness\boxed{ \text{Future is unstructured randomness} }

。

一百七十八、真正得到的是：

Historically Conditioned Open Dynamics\boxed{ \text{Historically Conditioned Open Dynamics} }

。

一百七十九、這可以視為整個「概率主體」問題目前最成熟的形式之一

一個 system：

Σt\boxed{ \Sigma_t }

承載歷史。

概率場：

Pt\boxed{ \mathfrak P_t }

保留局部可能。

意圖場：

PtI\boxed{ \mathfrak P_t^I }

形成方向。

吸引子：

AI\boxed{ \mathcal A_I }

維持長程組織。

展開：

Et\boxed{ \mathcal E_t }

提供重新探索。

記憶：

Mt\boxed{ M_t }

持續雕刻 landscape。

一百八十、最後形成：

Mt→PtI→AI(t)→Et→Ct→At→Wt+1→Mt+1\boxed{ M_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal A_I(t) \rightarrow \mathcal E_t \rightarrow \mathfrak C_t \rightarrow A_t \rightarrow W_{t+1} \rightarrow M_{t+1} }

。

一百八十一、這不是封閉迴圈，而是歷史演化

因為：

Mt+1≠Mt\boxed{ M_{t+1}\neq M_t }

以及：

AI(t+1)≠AI(t)\boxed{ \mathcal A_I(t+1) \neq \mathcal A_I(t) }

通常都可能成立。

一百八十二、所以同一個「目標」本身也會成熟

最初：

I0I_0

可能粗糙。

經歷：

E1,E2,…,EnE_1,E_2,\dots,E_n

後：

InI_n

可能更精確。

它不是：

goal replaced\boxed{ \text{goal replaced} }

也可能是：

goal refined\boxed{ \text{goal refined} }

。

一百八十三、這使意圖本身成為可學習結構

不只是：

π\pi

在學。

也不是只有：

MM

在學。

It\boxed{ I_t }

本身也可能：

It→It+1I_t\rightarrow I_{t+1}

。

一百八十四、所以自主性真正困難的地方來了

如果 agent 能修改：

ItI_t

，

那誰決定：

哪個修改是合理修正？

一百八十五、答案不能只是：

ItI_t

自己。

否則可能形成：

self-justifying loop\boxed{ \text{self-justifying loop} }

。

一百八十六、因此需要上位評價

VtV_t

。

例如：

  • factual correctness；
  • safety；
  • contractual constraints；
  • values；
  • resource limits；
  • human authorization。

一百八十七、於是：

It+1=RI(It,Mt,Et,Vt,Bt)\boxed{ I_{t+1} = \mathcal R_I( I_t, M_t, E_t, V_t, B_t ) }

。

一百八十八、這也是為什麼第五篇必然要進「世界操作」

因為直到目前：

I,M,EI,M,\mathcal E

仍主要被描述成內部 dynamics。

但真正 Agent：

AtA_t

會改：

WtW_t

。

一百八十九、一旦世界被改變

Wt→Wt+1W_t \rightarrow W_{t+1}

，

原本：

AI(t)\mathcal A_I(t)

也可能不再存在。

例如：

任務已經完成。

這時：

goal completion itself should dissolve the attractor.\boxed{ \text{goal completion itself should dissolve the attractor.} }

。

一百九十、否則會出現「完成後仍不停做」

這也是病理性 attractor。

例如：

G=1G=1

已完成，

系統仍：

At→At+1A_t\rightarrow A_{t+1}

重複執行。

一百九十一、所以吸引子需要 terminal condition

Complete⁡(I,Wt)=1\boxed{ \operatorname{Complete}(I,W_t)=1 }

則：

AI→∅\boxed{ \mathcal A_I \rightarrow \varnothing }

或轉入：

AInext\mathcal A_{I_{\mathrm{next}}}

。

一百九十二、這就是「會停止」的重要性

意圖不是永續燃燒器。

成熟意圖具有：

start+persist+adapt+complete+terminate\boxed{ \text{start} + \text{persist} + \text{adapt} + \text{complete} + \text{terminate} }

生命週期。

一百九十三、因此本文最終提出意圖生命週期

Ilatent→Iactive→AI→Irevised→Icomplete→Iretired\boxed{ I_{\mathrm{latent}} \rightarrow I_{\mathrm{active}} \rightarrow \mathcal A_I \rightarrow I_{\mathrm{revised}} \rightarrow I_{\mathrm{complete}} \rightarrow I_{\mathrm{retired}} }

。

不一定每次都走全部階段。

一百九十四、這比單純 goal variable 更接近長期 agent

因為：

goal\boxed{ \text{goal} }

不再只是內容。

它是：

a temporally governed dynamical object.\boxed{ \text{a temporally governed dynamical object.} }

。

一百九十五、結論：真正的意圖不是永遠不變，而是有能力回去，也有能力不再回去

本文從：

一個概率系統怎麼維持長期目標？

開始。

答案不是：

eliminate probability\boxed{ \text{eliminate probability} }

。

也不是：

freeze the state\boxed{ \text{freeze the state} }

。

而是建立：

AI\boxed{ \mathcal A_I }

——一個宏觀 goal-compatible region。

局部狀態：

XtX_t

可以持續改變。

局部策略：

πt\pi_t

可以失敗。

下一個 token：

xt+1x_{t+1}

仍然可以具有高 entropy。

但是：

P(Xt+k∈AI)\boxed{ P( X_{t+k}\in\mathcal A_I ) }

仍然很高。

因此：

Micro Variation+Macro Attraction\boxed{ \text{Micro Variation} + \text{Macro Attraction} }

可以同時存在。

然而真正成熟的意圖不能是永久陷阱。

因此：

Intentional Attractor\boxed{ \text{Intentional Attractor} }

應該是：

metastable\boxed{ \text{metastable} }

。

即：

普通擾動：

δN⇒return\boxed{ \delta_N \Rightarrow \text{return} }

。

局部失敗：

Flocal⇒re-expand strategy\boxed{ F_{\mathrm{local}} \Rightarrow \text{re-expand strategy} }

。

真正反證：

Estructural⇒revise or escape\boxed{ E_{\mathrm{structural}} \Rightarrow \text{revise or escape} }

。

任務完成：

G=1⇒retire attractor\boxed{ G=1 \Rightarrow \text{retire attractor} }

。

因此本文提出：

意圖吸引子原理

Persistent intention is a probabilistically robust region of future-compatible states, not a unique future trajectory.\boxed{ \text{Persistent intention is a probabilistically robust region of future-compatible states, not a unique future trajectory.} }

中文：

持久意圖不是唯一未來，而是一個對普通擾動具有恢復力、能使大量不同局部路徑維持於同一宏觀方向的概率吸引區域。

以及：

亞穩態智慧原理

Metastable Intelligence=Robust Return+Evidence-Sensitive Escape\boxed{ \text{Metastable Intelligence} = \text{Robust Return} + \text{Evidence-Sensitive Escape} }

中文：

亞穩態智慧，是面對噪聲時能回到原方向，面對真正改變世界的證據時又能離開原方向。

從這裡可以得到一個非常簡潔的智能判斷：

最差的系統之一是：

never knows where to return\boxed{ \text{never knows where to return} }

。

另一種最差的系統則是：

always returns to the same place.\boxed{ \text{always returns to the same place.} }

。

真正更有意思的智能位於兩者之間：

knows when to return+knows when not to return\boxed{ \text{knows when to return} + \text{knows when not to return} }

。

這也使目前四篇形成完整結構：

PI\boxed{ \mathfrak P^I }

回答：

哪些未來被意圖重新加權？

E\boxed{ \mathcal E }

回答：

哪些可能性值得被真正展開成活動計算域？

M\boxed{ M }

回答：

哪些過去後果有資格持久改變未來？

AI\boxed{ \mathcal A_I }

回答：

為什麼大量局部變化仍然可以維持長期方向？

而下一篇就必須把這些內部結構推到外部世界。

因為真正 Agent 不只是：

think\text{think}

。

它還會：

act\boxed{ \text{act} }

。

一旦：

AtA_t

改變：

WtW_t

，

原本的概率場、記憶、活動域與吸引子全部會被反向改寫。

因此第五篇正式進入：

《從下一 Token 到世界操作——概率生成、操作性分元與現實閉環》

核心將是：

Token→Semantic Unit→Operational Unit→World Transition→Observation→New Probability Field\boxed{ \text{Token} \rightarrow \text{Semantic Unit} \rightarrow \text{Operational Unit} \rightarrow \text{World Transition} \rightarrow \text{Observation} \rightarrow \text{New Probability Field} }

並正式回答我們最早的那個問題：

如果一個 token 是概率性的，那麼由無數概率 token 寫出的程式、觸發的工具與真正修改過的世界，到底還應該在哪一層被稱為「概率輸出」？

參考文獻與既有理論

Sussillo, D., & Barak, O. (2013). Opening the Black Box: Low-Dimensional Dynamics in High-Dimensional Recurrent Neural Networks. Neural Computation, 25(3), 626–649. 該文以 stable/unstable fixed points、slow points 及其附近線性化動力學分析受訓 RNN，提供「高維神經計算可由低維動力結構理解」的重要機制案例。

Rabinovich, M. I., Huerta, R., Varona, P., & Afraimovich, V. S. (2008). Transient Cognitive Dynamics, Metastability, and Decision Making. PLoS Computational Biology, 4(5), e1000072. 該文以 metastable states 與 stable heteroclinic channels 研究 transient cognition，核心問題正是如何同時維持 reproducibility/stability 與對環境改變的 flexibility。

Wang, S., Falcone, R., Richmond, B., & Averbeck, B. B. (2023). Attractor dynamics reflect decision confidence in macaque prefrontal cortex. Nature Neuroscience, 26, 1970–1980. 該研究提供前額葉群體活動 attractor basin landscape 與 decision consistency/confidence 關聯的實驗證據。

Jin, L., et al. (2025). Transitions in dynamical regime and neural mode during perceptual decisions. Nature, 646, 1156–1166. 該研究觀察決策過程中的 neural dynamical regime transition，為「同一認知過程可穿越不同動力 regime」提供實驗案例。

Neo.K with Aletheia. (2026). 因果狀態流變計算：介於算術組合與一般算子之間的連續轉化計算原語. 舊稿已以雙吸引子與同步流形展示 basin 與關係吸引結構，本文保留其動力學表示方式。

Neo.K. (2026). 時間的多重本體：MTF 理論中的動態演化框架（修訂版）. 舊稿以 Lyapunov-style 函數、吸引域與穩定化時間描述穩定狀態，並將 basin 大小與 robustness 聯繫；本文保留這一幾何直覺，但不繼承其所有跨領域本體論推論。

Neo.K with Theia. (2026). PFT (Cyclic) 的注意力熵雙極值理論：從 P/NP 搜索到記憶—計算同步. 舊稿曾將穩定知識描述為文化記憶吸引子，並採用 Dirac delta 與零熵鎖定等強表述；本文只保留「穩定知識可形成強偏置／吸引結構」的弱化概念，不將 Dirac 坍縮或無限吸引視為普遍成立的技術結論。

Neo.K with Theia. (2026). 認知的關係本體論：為何智能是語義空間的相位共振. 舊稿已探索概念吸引子、吸引子競爭與「自適應修正＝吸引子雕刻」等語言；本文將其重構為可條件化、可時間變動、可逃逸的意圖吸引子，而非固定概念鎖定。