title: "遞歸概率場：概率之上的概率、階數保持與尺度交叉"
english_title: "Recursive Probability Fields: Probabilities over Probabilities, Order Preservation, and Scale-Order Coupling"
series: "判定域概率論與超概率研究"
series_id: "JDPSP"
paper_id: "JDPSP-05"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "研究初稿 / recursive probability framework proposal"
date: "2026-08-13"
language: "zh-TW"
遞歸概率場：概率之上的概率、階數保持與尺度交叉
Recursive Probability Fields: Probabilities over Probabilities, Order Preservation, and Scale-Order Coupling
作者： Neo.K機構： EveMissLab系列： 判定域概率論與超概率研究，Paper 05版本： v0.1.0日期： 2026-08-13
摘要
前四篇工作依序建立概率學派歷史基線、判定域、局部—全域提升演算與多尺度概率幾何。本文加入第二條獨立方向：概率階數。
令：
P 0 ( X ) = X , \mathsf P^0(X)=X, P 0 ( X ) = X , P r + 1 ( X ) = P ( P r ( X ) ) , \mathsf P^{r+1}(X)
=
\mathsf P(\mathsf P^r(X)), P r + 1 ( X ) = P ( P r ( X )) , 其中 P ( Y ) \mathsf P(Y) P ( Y ) Y Y Y
P ( X ) \mathsf P(X) P ( X ) 是一階概率空間，
P 2 ( X ) = P ( P ( X ) ) \mathsf P^2(X)
=
\mathsf P(\mathsf P(X)) P 2 ( X ) = P ( P ( X )) 是概率測度上的概率測度空間，而更高階：
P 3 ( X ) , P 4 ( X ) , … \mathsf P^3(X),
\mathsf P^4(X),
\ldots P 3 ( X ) , P 4 ( X ) , … 形成有限階遞歸 probability tower。
本文明確指出，此構造本身不是新發現。Giry monad、probability monads、hyper-distributions、higher-order probability、quasi-Borel spaces、random conditional distributions 與 probabilistic programming semantics 都已經處理「概率分布本身作為隨機對象」或更高階概率對象。本文的新問題不是是否允許：
P ( P ( X ) ) , \mathsf P(\mathsf P(X)), P ( P ( X )) , 而是：當多階概率與判定域尺度同時存在時，如何保留「不確定性位於哪一階」的結構資訊，以及何時可以合法地把高階概率 flatten 成低階概率。
本文引入兩種標準但功能相反的方向。第一是 Dirac unit：
η Y : Y → P ( Y ) , y ↦ δ y , \eta_Y:
Y
\rightarrow
\mathsf P(Y),
\qquad
y\mapsto\delta_y, η Y : Y → P ( Y ) , y ↦ δ y , 它能形式上提高 probability order，卻不必增加高階不確定性。第二是 barycentric flattening：
μ Y : P ( P ( Y ) ) → P ( Y ) , \mu_Y:
\mathsf P(\mathsf P(Y))
\rightarrow
\mathsf P(Y), μ Y : P ( P ( Y )) → P ( Y ) , 其作用為：
μ Y ( H ) ( A ) = ∫ P ( Y ) ν ( A ) d H ( ν ) . \mu_Y(H)(A)
=
\int_{\mathsf P(Y)}
\nu(A)
\,dH(\nu). μ Y ( H ) ( A ) = ∫ P ( Y ) ν ( A ) d H ( ν ) . 本文證明，flattening 一般不是單射。對二點空間 X = { 0 , 1 } X=\{0,1\} X = { 0 , 1 }
H 1 = δ 1 2 δ 0 + 1 2 δ 1 H_1
=
\delta_{\frac12\delta_0+\frac12\delta_1} H 1 = δ 2 1 δ 0 + 2 1 δ 1 與：
H 2 = 1 2 δ δ 0 + 1 2 δ δ 1 H_2
=
\frac12\delta_{\delta_0}
+
\frac12\delta_{\delta_1} H 2 = 2 1 δ δ 0 + 2 1 δ δ 1 彼此不同，卻滿足：
μ X ( H 1 ) = μ X ( H 2 ) = 1 2 δ 0 + 1 2 δ 1 . \mu_X(H_1)
=
\mu_X(H_2)
=
\frac12\delta_0+\frac12\delta_1. μ X ( H 1 ) = μ X ( H 2 ) = 2 1 δ 0 + 2 1 δ 1 . 因此同一一階概率可以具有多種不同的高階生成結構。本文據此定義 flattening fiber：
H Y ( P ) = { H ∈ P ( P ( Y ) ) : μ Y ( H ) = P } . \mathcal H_Y(P)
=
\{
H\in\mathsf P(\mathsf P(Y)):
\mu_Y(H)=P
\}. H Y ( P ) = { H ∈ P ( P ( Y )) : μ Y ( H ) = P } . 若研究只保留 μ Y ( H ) \mu_Y(H) μ Y ( H ) H Y ( P ) \mathcal H_Y(P) H Y ( P )
本文再提出 Barycentric Sufficiency Criterion：一個高階 observable
F : P ( P ( Y ) ) → Z F:
\mathsf P(\mathsf P(Y))
\rightarrow Z F : P ( P ( Y )) → Z 能在不損失與 F F F F F F
F ˉ : P ( Y ) → Z \bar F:
\mathsf P(Y)
\rightarrow Z F ˉ : P ( Y ) → Z 使：
F = F ˉ ∘ μ Y . F
=
\bar F\circ\mu_Y. F = F ˉ ∘ μ Y . 這提供一個比「高階概率是否有用」更精確的判準：若研究問題只依賴 barycenter，flattening 足夠；若研究問題區分同一 barycenter 的不同 hyper-distributions，則概率階數必須被保留。
本文最後將 probability order r r r s s s
( s , r ) \boxed{
(s,r)
} ( s , r ) 並定義：
P s ( r ) ∈ P r ( X s ) . \mathfrak P_s^{(r)}
\in
\mathsf P^r(X_s). P s ( r ) ∈ P r ( X s ) . 跨尺度有：
T s → t ( r ) , T_{s\rightarrow t}^{(r)}, T s → t ( r ) , 跨概率階有：
η s ( r ) \eta_s^{(r)} η s ( r ) 與：
μ s ( r ) . \mu_s^{(r)}. μ s ( r ) . 由此形成 scale-order commuting square。若 transport 來自 probability monad 的自然結構，flatten-then-transport 與 transport-then-flatten 可一致；若任意 learned aggregation、semantic classifier 或 judgment translation 打破這種自然性，則可定義 scale-order coherence defect：
Δ S O = D ( T s → t ( r ) μ s ( r ) H , μ t ( r ) T s → t ( r + 1 ) H ) . \Delta_{\mathrm{SO}}
=
D
\left(
T_{s\rightarrow t}^{(r)}
\mu_s^{(r)}H,
\mu_t^{(r)}
T_{s\rightarrow t}^{(r+1)}H
\right). Δ SO = D ( T s → t ( r ) μ s ( r ) H , μ t ( r ) T s → t ( r + 1 ) H ) . 本文因此把「概率場的概率場的概率場」從無限套娃語言轉化為一個具有 order、unit、flattening、fiber、scale transport 與 coherence defect 的有限階可檢驗結構。真正的無限階對象暫以 probability tower 表示，不在缺少 categorical limit / colimit 條件時武斷地把：
P ω ( X ) \mathsf P^\omega(X) P ω ( X ) 當成已定義的單一空間。
關鍵詞： 遞歸概率、概率階、Giry monad、probability monad、hyper-distribution、distribution over distributions、barycenter、flattening、higher-order probability、尺度—階數耦合、判定域、AI 概率場
1. 問題起點：概率為什麼還可以再被概率化？
最普通的一階概率寫成：
P ∈ P ( X ) . P\in\mathsf P(X). P ∈ P ( X ) . 它描述：
X 上的結果如何分布 . \text{X 上的結果如何分布}. X 上的結果如何分布 . 但如果：
P P P 本身也不確定，就可以考慮：
H ∈ P ( P ( X ) ) . H
\in
\mathsf P(
\mathsf P(X)
). H ∈ P ( P ( X )) . 此時：
H H H 描述：
哪一個一階 probability measure 可能成立，以及它們如何分布 . \text{哪一個一階 probability measure 可能成立，以及它們如何分布}. 哪一個一階 probability measure 可能成立，以及它們如何分布 . 再往上一階：
J ∈ P 3 ( X ) J
\in
\mathsf P^3(X) J ∈ P 3 ( X ) 可以描述對二階 probability objects 的概率。
因此形式上可以構造：
X → P ( X ) → P 2 ( X ) → P 3 ( X ) → ⋯ . X
\rightarrow
\mathsf P(X)
\rightarrow
\mathsf P^2(X)
\rightarrow
\mathsf P^3(X)
\rightarrow
\cdots. X → P ( X ) → P 2 ( X ) → P 3 ( X ) → ⋯ . 這正是本文所稱的 probability-order direction。
2. 這不是新發現：高階概率已有多條成熟脈絡
2.1 Giry monad
Giry 的 categorical probability 將一個 measurable space 送到其 probability-measure space：
X ↦ P ( X ) . X
\mapsto
\mathsf P(X). X ↦ P ( X ) . monad 結構同時具有 unit 與 multiplication，因此天然包含：
X → P ( X ) X
\rightarrow
\mathsf P(X) X → P ( X ) 以及：
P ( P ( X ) ) → P ( X ) . \mathsf P(\mathsf P(X))
\rightarrow
\mathsf P(X). P ( P ( X )) → P ( X ) . 後者正是「分布上的分布」被 barycentrically flatten 的標準結構。
2.2 Higher-order probability
Quasi-Borel spaces 等工作處理 higher-order functions、continuous distributions 與 probability distributions on functions，說明傳統 measurable-space category 在 higher-order probabilistic programming 中並不總是方便，而 cartesian-closed probability categories 可以提供更合適語義。
因此本文不能宣稱：
首次提出 higher-order probability . \boxed{
\text{首次提出 higher-order probability}.
} 首次提出 higher-order probability . 2.3 Hyper-distributions
Quantitative information flow 已直接使用：
distribution over distributions \text{distribution over distributions} distribution over distributions 來區分 secret 本身的不確定性與生成 secret 的 strategy uncertainty。
這一點非常接近本文的核心直覺：
同一 flatten 後的結果分布 ≠ 同一高階生成結構 . \boxed{
\text{同一 flatten 後的結果分布}
\neq
\text{同一高階生成結構}.
} 同一 flatten 後的結果分布 = 同一高階生成結構 . 2.4 Random conditional distributions
Higher-order probabilistic inference 也已將 conditional distributions 本身當作 random objects，使 distributional properties 可以再次成為隨機量。
所以：
概率對象可以成為更高階概率的樣本 \boxed{
\text{概率對象可以成為更高階概率的樣本}
} 概率對象可以成為更高階概率的樣本 已有清楚前例。
2.5 Probability monads 仍在發展
近年的 Riesz probability monad、quasi-measurable spaces 與相關概率語義工作，持續擴展 probability monad 在拓撲空間、higher-order function space、disintegration 與 probabilistic programming 中的適用範圍。
因此本文真正的新問題只能放在：
probability order + judgment domain + scale + order preservation . \boxed{
\text{probability order}
+
\text{judgment domain}
+
\text{scale}
+
\text{order preservation}.
} probability order + judgment domain + scale + order preservation . 3. Probability Order
定義 3.1：Probability Order
令：
P 0 ( X ) = X . \mathsf P^0(X)
=
X. P 0 ( X ) = X . 遞歸定義：
P r + 1 ( X ) = P ( P r ( X ) ) . \boxed{
\mathsf P^{r+1}(X)
=
\mathsf P(
\mathsf P^r(X)
).
} P r + 1 ( X ) = P ( P r ( X )) . 稱：
r r r 為 probability order。
因此：
r = 0 r=0 r = 0 是 base carrier；
r = 1 r=1 r = 1 是一階 probability；
r = 2 r=2 r = 2 是 probability over first-order probabilities；
r = 3 r=3 r = 3 是 probability over second-order probabilities。
4. Probability Tower
定義 4.1：Finite Probability Tower
到階數 R R R
T R ( X ) = ( P 0 ( X ) , P 1 ( X ) , … , P R ( X ) ) . \boxed{
\mathcal T_R(X)
=
\left(
\mathsf P^0(X),
\mathsf P^1(X),
\ldots,
\mathsf P^R(X)
\right).
} T R ( X ) = ( P 0 ( X ) , P 1 ( X ) , … , P R ( X ) ) . 以及其間的 unit / flattening maps。
定義 4.2：Recursive Probability Tower
整個可數階 tower 記為：
T P ( X ) = { P r ( X ) } r ∈ N . \boxed{
\mathcal T_{\mathsf P}(X)
=
\{
\mathsf P^r(X)
\}_{r\in\mathbb N}.
} T P ( X ) = { P r ( X ) } r ∈ N . 本文刻意不直接定義：
P ω ( X ) \mathsf P^\omega(X) P ω ( X ) 為某一個單一集合或空間。
原因是：
an infinite tower is not automatically a canonical limit object . \boxed{
\text{an infinite tower is not automatically a canonical limit object}.
} an infinite tower is not automatically a canonical limit object . 若未來需要真正的 ω \omega ω
inverse limit；
direct limit；
final coalgebra；
graded / indexed monad；
other categorical construction。
5. Unit：形式升階不等於增加不確定性
對任意適當空間：
Y , Y, Y , probability monad 的 unit 為：
η Y : Y → P ( Y ) , \boxed{
\eta_Y:
Y
\rightarrow
\mathsf P(Y),
} η Y : Y → P ( Y ) , η Y ( y ) = δ y . \eta_Y(y)
=
\delta_y. η Y ( y ) = δ y . 因此：
P ∈ P ( X ) P
\in
\mathsf P(X) P ∈ P ( X ) 可以升成：
δ P ∈ P 2 ( X ) . \delta_P
\in
\mathsf P^2(X). δ P ∈ P 2 ( X ) . 再升：
δ δ P ∈ P 3 ( X ) . \delta_{\delta_P}
\in
\mathsf P^3(X). δ δ P ∈ P 3 ( X ) . 這表示：
formal order can increase without adding uncertainty . \boxed{
\text{formal order can increase without adding uncertainty}.
} formal order can increase without adding uncertainty . 因為：
δ P \delta_P δ P 對哪個一階 distribution 成立沒有任何 spread。
6. Formal Order 與 Effective Uncertainty Order
為避免概率階變成單純符號套娃，本文區分：
formal probability order \boxed{
\text{formal probability order}
} formal probability order 與：
effective uncertainty order . \boxed{
\text{effective uncertainty order}.
} effective uncertainty order . 6.1 Dirac-degenerate higher order
若：
H = δ P ∈ P 2 ( X ) , H
=
\delta_P
\in
\mathsf P^2(X), H = δ P ∈ P 2 ( X ) , 則 H H H
本文稱之為：
order-2 Dirac-degenerate . \boxed{
\text{order-2 Dirac-degenerate}.
} order-2 Dirac-degenerate . 6.2 Non-degenerate hyperdistribution
若：
H ∈ P 2 ( X ) H
\in
\mathsf P^2(X) H ∈ P 2 ( X ) 且：
H ≠ δ P H
\neq
\delta_P H = δ P 對任何：
P ∈ P ( X ) , P\in\mathsf P(X), P ∈ P ( X ) , 則稱其具有 non-degenerate second-order spread。
在有限 case：
H = ∑ i w i δ P i H
=
\sum_i
w_i\delta_{P_i} H = i ∑ w i δ P i 且至少兩個不同：
P i P_i P i 具有正權重，即是一個最直接例子。
7. Monad Multiplication：高階概率如何 flatten？
令：
Y Y Y 為適當 probability carrier。
標準 barycentric flattening：
μ Y : P ( P ( Y ) ) → P ( Y ) \boxed{
\mu_Y:
\mathsf P(
\mathsf P(Y)
)
\rightarrow
\mathsf P(Y)
} μ Y : P ( P ( Y )) → P ( Y ) 可寫為：
μ Y ( H ) ( A ) = ∫ P ( Y ) ν ( A ) d H ( ν ) . \boxed{
\mu_Y(H)(A)
=
\int_{\mathsf P(Y)}
\nu(A)
\,dH(\nu).
} μ Y ( H ) ( A ) = ∫ P ( Y ) ν ( A ) d H ( ν ) . 其直觀是：
先抽一個 distribution ν , \text{先抽一個 distribution }\nu, 先抽一個 distribution ν , 再：
依 ν 抽 outcome , \text{依 }\nu\text{ 抽 outcome}, 依 ν 抽 outcome , 最後 marginalize 掉「抽到哪個 distribution」這個高階資訊。
8. Flattening 的生成語義
設：
H = ∑ i w i δ P i . H
=
\sum_i
w_i\delta_{P_i}. H = i ∑ w i δ P i . 則：
μ X ( H ) = ∑ i w i P i . \mu_X(H)
=
\sum_i
w_iP_i. μ X ( H ) = i ∑ w i P i . 因此：
H H H 描述：
P i P_i P i 之間的高階不確定性；
而：
μ X ( H ) \mu_X(H) μ X ( H ) 只保留最後 mixture distribution。
所以：
hyperdistribution → mixture \boxed{
\text{hyperdistribution}
\rightarrow
\text{mixture}
} hyperdistribution → mixture 是一種結構壓縮。
9. 命題一：Barycentric Flattening 一般非單射
令：
X = { 0 , 1 } . X
=
\{0,1\}. X = { 0 , 1 } . 定義：
P m i x = 1 2 δ 0 + 1 2 δ 1 . P_{\mathrm{mix}}
=
\frac12\delta_0
+
\frac12\delta_1. P mix = 2 1 δ 0 + 2 1 δ 1 . 現在取兩個二階 probability objects：
H 1 = δ P m i x , H_1
=
\delta_{P_{\mathrm{mix}}}, H 1 = δ P mix , 以及：
H 2 = 1 2 δ δ 0 + 1 2 δ δ 1 . H_2
=
\frac12\delta_{\delta_0}
+
\frac12\delta_{\delta_1}. H 2 = 2 1 δ δ 0 + 2 1 δ δ 1 . 顯然：
H 1 ≠ H 2 . H_1
\neq
H_2. H 1 = H 2 . 但：
μ X ( H 1 ) = P m i x . \mu_X(H_1)
=
P_{\mathrm{mix}}. μ X ( H 1 ) = P mix . 另一方面：
μ X ( H 2 ) = 1 2 δ 0 + 1 2 δ 1 = P m i x . \mu_X(H_2)
=
\frac12\delta_0
+
\frac12\delta_1
=
P_{\mathrm{mix}}. μ X ( H 2 ) = 2 1 δ 0 + 2 1 δ 1 = P mix . 因此：
H 1 ≠ H 2 but μ X ( H 1 ) = μ X ( H 2 ) . \boxed{
H_1\neq H_2
\quad
\text{but}
\quad
\mu_X(H_1)=\mu_X(H_2).
} H 1 = H 2 but μ X ( H 1 ) = μ X ( H 2 ) . 故：
μ X is generally non-injective . \boxed{
\mu_X
\text{ is generally non-injective}.
} μ X is generally non-injective . □ \boxed{\square} □ 10. 這個反例真正代表什麼？
H 1 H_1 H 1
我們確定真正的一階 probability 就是 50 / 50 50/50 50/50
H 2 H_2 H 2
真正的一階 probability 不是固定的；有一半機會是必然 0 0 0 1 1 1
兩者最後抽 outcome 都給：
P ( X = 0 ) = P ( X = 1 ) = 1 2 . P(X=0)
=
P(X=1)
=
\frac12. P ( X = 0 ) = P ( X = 1 ) = 2 1 . 但它們對「生成機制的不確定性」有完全不同描述。
因此：
same first-order probability ⇏ same second-order probability structure . \boxed{
\text{same first-order probability}
\not\Rightarrow
\text{same second-order probability structure}.
} same first-order probability ⇒ same second-order probability structure . 這正是 probability order 值得保留的原因。
11. Flattening Fiber
定義 11.1
對：
P ∈ P ( Y ) , P\in\mathsf P(Y), P ∈ P ( Y ) , 定義：
H Y ( P ) = { H ∈ P ( P ( Y ) ) : μ Y ( H ) = P } . \boxed{
\mathcal H_Y(P)
=
\{
H
\in
\mathsf P(
\mathsf P(Y)
):
\mu_Y(H)=P
\}.
} H Y ( P ) = { H ∈ P ( P ( Y )) : μ Y ( H ) = P } . 稱為 P P P
11.1 解讀
所有：
H ∈ H Y ( P ) H\in\mathcal H_Y(P) H ∈ H Y ( P ) 在 flattening 後都變成同一：
P . P. P . 所以：
H Y ( P ) \boxed{
\mathcal H_Y(P)
} H Y ( P ) 正好描述：
被一階概率 P P P
12. Flattening 是滿射
因為對任何：
P ∈ P ( Y ) , P\in\mathsf P(Y), P ∈ P ( Y ) , 都有：
δ P ∈ P ( P ( Y ) ) , \delta_P
\in
\mathsf P(
\mathsf P(Y)
), δ P ∈ P ( P ( Y )) , 且 monad law 給：
μ Y ( δ P ) = P . \boxed{
\mu_Y(\delta_P)=P.
} μ Y ( δ P ) = P . 所以：
μ Y is surjective . \boxed{
\mu_Y
\text{ is surjective}.
} μ Y is surjective . 因此每個一階 distribution 至少具有一個 trivial hyperrepresentation：
δ P . \delta_P. δ P . 但通常不只一個。
13. Barycentric Sufficiency Criterion
這一節回答：
什麼時候 flattening 不會破壞我們真正關心的問題？
令：
F : P ( P ( Y ) ) → Z F:
\mathsf P(
\mathsf P(Y)
)
\rightarrow
Z F : P ( P ( Y )) → Z 為高階 observable。
命題 13.1
以下兩條等價。
第一：
存在：
F ˉ : P ( Y ) → Z \bar F:
\mathsf P(Y)
\rightarrow
Z F ˉ : P ( Y ) → Z 使：
F = F ˉ ∘ μ Y . \boxed{
F
=
\bar F\circ\mu_Y.
} F = F ˉ ∘ μ Y . 第二：
若：
μ Y ( H 1 ) = μ Y ( H 2 ) , \mu_Y(H_1)
=
\mu_Y(H_2), μ Y ( H 1 ) = μ Y ( H 2 ) , 則：
F ( H 1 ) = F ( H 2 ) . \boxed{
F(H_1)=F(H_2).
} F ( H 1 ) = F ( H 2 ) . 也就是 F F F
證明
若：
F = F ˉ ∘ μ Y , F
=
\bar F\circ\mu_Y, F = F ˉ ∘ μ Y , 則同 barycenter 立即推出同 F F F
反之，假設 F F F
因：
μ Y \mu_Y μ Y 為滿射，對任意：
P ∈ P ( Y ) P\in\mathsf P(Y) P ∈ P ( Y ) 至少存在：
H H H 使：
μ Y ( H ) = P . \mu_Y(H)=P. μ Y ( H ) = P . 定義：
F ˉ ( P ) = F ( H ) . \bar F(P)
=
F(H). F ˉ ( P ) = F ( H ) . 因 F F F
故：
F = F ˉ ∘ μ Y . F
=
\bar F\circ\mu_Y. F = F ˉ ∘ μ Y . □ \boxed{\square} □ 14. Order Preservation Principle
由命題 13.1，本文提出：
原則 14.1：Order Preservation
只有在研究 observable：
F F F 對 flattening fibers 不敏感時，才可以把：
H ∈ P 2 ( Y ) H
\in
\mathsf P^2(Y) H ∈ P 2 ( Y ) 安全地壓成：
μ Y ( H ) ∈ P ( Y ) . \mu_Y(H)
\in
\mathsf P(Y). μ Y ( H ) ∈ P ( Y ) . 如果存在：
H 1 , H 2 H_1,H_2 H 1 , H 2 使：
μ Y ( H 1 ) = μ Y ( H 2 ) \mu_Y(H_1)
=
\mu_Y(H_2) μ Y ( H 1 ) = μ Y ( H 2 ) 但：
F ( H 1 ) ≠ F ( H 2 ) , F(H_1)
\neq
F(H_2), F ( H 1 ) = F ( H 2 ) , 則：
flattening destroys task-relevant order information . \boxed{
\text{flattening destroys task-relevant order information}.
} flattening destroys task-relevant order information . 15. Recursive Flattening
對：
r ≥ 0 , r\ge0, r ≥ 0 , 令：
Y r = P r ( X ) . Y_r
=
\mathsf P^r(X). Y r = P r ( X ) . 則：
μ Y r : P r + 2 ( X ) → P r + 1 ( X ) . \mu_{Y_r}:
\mathsf P^{r+2}(X)
\rightarrow
\mathsf P^{r+1}(X). μ Y r : P r + 2 ( X ) → P r + 1 ( X ) . 可以逐階 flatten：
P r + k ( X ) → P r + k − 1 ( X ) → ⋯ → P r ( X ) . \mathsf P^{r+k}(X)
\rightarrow
\mathsf P^{r+k-1}(X)
\rightarrow
\cdots
\rightarrow
\mathsf P^r(X). P r + k ( X ) → P r + k − 1 ( X ) → ⋯ → P r ( X ) . 記 composite 為：
μ r [ k ] . \boxed{
\mu^{[k]}_{r}.
} μ r [ k ] . 這表示：
order reduction \boxed{
\text{order reduction}
} order reduction 本身也具有路徑與階數。
16. Recursive Hyperfiber
若：
Q ∈ P r + 1 ( X ) , Q
\in
\mathsf P^{r+1}(X), Q ∈ P r + 1 ( X ) , 定義：
H r ( Q ) = { H ∈ P r + 2 ( X ) : μ P r ( X ) ( H ) = Q } . \boxed{
\mathcal H_r(Q)
=
\{
H\in\mathsf P^{r+2}(X):
\mu_{\mathsf P^r(X)}(H)=Q
\}.
} H r ( Q ) = { H ∈ P r + 2 ( X ) : μ P r ( X ) ( H ) = Q } . 這是一階更高的 flattening fiber。
更一般地，可以研究：
( μ r [ k ] ) − 1 ( Q ) . \left(
\mu_r^{[k]}
\right)^{-1}(Q). ( μ r [ k ] ) − 1 ( Q ) . 它表示：
同一低階 probability object 可以由多少不同的 k k k
17. Probability Order 不是 Bayesian Hierarchy 的新名字
Hierarchical Bayesian model 常有：
θ ∼ π , \theta
\sim
\pi, θ ∼ π , X ∼ P θ . X
\sim
P_\theta. X ∼ P θ . 若：
θ \theta θ 參數化一族概率測度：
P θ , P_\theta, P θ , 則 prior：
π \pi π 可誘導：
H ∈ P ( P ( X ) ) . H
\in
\mathsf P(
\mathsf P(X)
). H ∈ P ( P ( X )) . 所以 Bayesian prior / hyperprior 與 recursive probability order 有直接接口。
但本文不把：
hierarchical Bayes \boxed{
\text{hierarchical Bayes}
} hierarchical Bayes 重新命名成 recursive probability field。
差異在於本文同時追蹤：
probability order；
judgment domain；
scale；
flattening；
cross-scale transport；
order-preservation condition。
18. Hyper-distribution 與生成策略
考慮一組 strategies：
S 1 , … , S n . S_1,\ldots,S_n. S 1 , … , S n . 每個 strategy 對 outcome space X X X
P i . P_i. P i . 若 strategy 自身的概率為：
w i , w_i, w i , 則：
H = ∑ i w i δ P i . H
=
\sum_i
w_i\delta_{P_i}. H = i ∑ w i δ P i . flattening：
μ ( H ) = ∑ i w i P i . \mu(H)
=
\sum_i
w_iP_i. μ ( H ) = i ∑ w i P i . 如果研究只問：
最終 outcome 的平均分布為何？
那麼：
μ ( H ) \mu(H) μ ( H ) 可能足夠。
但若研究問：
不確定性來自 strategy selection 還是 strategy 內部？
則：
H H H 不可被 flatten。
這與 hyper-distribution 在 quantitative information flow 中的用途直接相符。
19. Probability Order 與 epistemic / aleatory 不確定性
本文不宣稱：
r = 1 r=1 r = 1 就是 aleatory，
r = 2 r=2 r = 2 就是 epistemic。
這種對應過度簡化。
例如：
H ∈ P 2 ( X ) H
\in
\mathsf P^2(X) H ∈ P 2 ( X ) 可以描述：
epistemic uncertainty over first-order model；
random environment；
random strategy；
random parameterized stochastic mechanism；
uncertainty over conditional distributions；
posterior distribution over models。
因此 probability order 描述的是：
what kind of object is being probabilized . \boxed{
\text{what kind of object is being probabilized}.
} what kind of object is being probabilized . 它不自動決定哲學上是哪一種 uncertainty interpretation。
20. Scale × Order
Paper 04 的尺度軸為：
s ∈ S . s\in\mathbf S. s ∈ S . 本文 probability-order 軸為：
r ∈ N . r\in\mathbb N. r ∈ N . 現在形成：
( s , r ) ∈ S × N . \boxed{
(s,r)
\in
\mathbf S
\times
\mathbb N.
} ( s , r ) ∈ S × N . 對尺度 s s s
X s , X_s, X s , 定義：
P s ( r ) ∈ P r ( X s ) . \boxed{
\mathfrak P_s^{(r)}
\in
\mathsf P^r(X_s).
} P s ( r ) ∈ P r ( X s ) . 例如：
P t o k e n ( 1 ) \mathfrak P_{\mathrm{token}}^{(1)} P token ( 1 ) 是一階 token distribution。
P s t r a t e g y ( 1 ) \mathfrak P_{\mathrm{strategy}}^{(1)} P strategy ( 1 ) 是一階 strategy distribution。
P s t r a t e g y ( 2 ) \mathfrak P_{\mathrm{strategy}}^{(2)} P strategy ( 2 ) 則可以是：
對不同 strategy distributions 的二階 distribution。
21. Scale–Order Grid
可以將整個系統寫成：
r = 0 r = 1 r = 2 r = 3 s μ X μ P ( X μ ) P 2 ( X μ ) P 3 ( X μ ) s m X m P ( X m ) P 2 ( X m ) P 3 ( X m ) s M X M P ( X M ) P 2 ( X M ) P 3 ( X M ) s G X G P ( X G ) P 2 ( X G ) P 3 ( X G ) \begin{array}{c|cccc}
& r=0 & r=1 & r=2 & r=3 \\
\hline
s_\mu
&
X_\mu
&
\mathsf P(X_\mu)
&
\mathsf P^2(X_\mu)
&
\mathsf P^3(X_\mu)
\\
s_m
&
X_m
&
\mathsf P(X_m)
&
\mathsf P^2(X_m)
&
\mathsf P^3(X_m)
\\
s_M
&
X_M
&
\mathsf P(X_M)
&
\mathsf P^2(X_M)
&
\mathsf P^3(X_M)
\\
s_G
&
X_G
&
\mathsf P(X_G)
&
\mathsf P^2(X_G)
&
\mathsf P^3(X_G)
\end{array} s μ s m s M s G r = 0 X μ X m X M X G r = 1 P ( X μ ) P ( X m ) P ( X M ) P ( X G ) r = 2 P 2 ( X μ ) P 2 ( X m ) P 2 ( X M ) P 2 ( X G ) r = 3 P 3 ( X μ ) P 3 ( X m ) P 3 ( X M ) P 3 ( X G ) 因此：
scale recursion ≠ probability-order recursion . \boxed{
\text{scale recursion}
\neq
\text{probability-order recursion}.
} scale recursion = probability-order recursion . 兩者是兩條不同軸。
22. 橫向與縱向算子
22.1 Scale transport
固定 probability order：
r , r, r , 跨尺度：
s → t s\rightarrow t s → t 使用：
T s → t ( r ) : P r ( X s ) → P r ( X t ) . \boxed{
T_{s\rightarrow t}^{(r)}
:
\mathsf P^r(X_s)
\rightarrow
\mathsf P^r(X_t).
} T s → t ( r ) : P r ( X s ) → P r ( X t ) . 22.2 Order raising
固定尺度 s s s
η s ( r ) : P r ( X s ) → P r + 1 ( X s ) . \eta_s^{(r)}
:
\mathsf P^r(X_s)
\rightarrow
\mathsf P^{r+1}(X_s). η s ( r ) : P r ( X s ) → P r + 1 ( X s ) . 22.3 Order flattening
固定尺度 s s s
μ s ( r ) : P r + 2 ( X s ) → P r + 1 ( X s ) . \mu_s^{(r)}
:
\mathsf P^{r+2}(X_s)
\rightarrow
\mathsf P^{r+1}(X_s). μ s ( r ) : P r + 2 ( X s ) → P r + 1 ( X s ) . 因此 scale-order grid 上同時存在：
horizontal scale transport \boxed{
\text{horizontal scale transport}
} horizontal scale transport 與：
vertical order transport . \boxed{
\text{vertical order transport}.
} vertical order transport . 23. Scale–Order Coherence Square
考慮：
H ∈ P r + 2 ( X s ) . H
\in
\mathsf P^{r+2}(X_s). H ∈ P r + 2 ( X s ) . 可以有兩條 route。
第一條：
先 flatten → 再跨尺度 . \text{先 flatten}
\rightarrow
\text{再跨尺度}. 先 flatten → 再跨尺度 . 即：
H → μ s ( r ) P r + 1 ( X s ) → T s → t ( r + 1 ) P r + 1 ( X t ) . H
\xrightarrow{\mu_s^{(r)}}
\mathsf P^{r+1}(X_s)
\xrightarrow{T_{s\rightarrow t}^{(r+1)}}
\mathsf P^{r+1}(X_t). H μ s ( r ) P r + 1 ( X s ) T s → t ( r + 1 ) P r + 1 ( X t ) . 第二條：
先跨尺度 → 再 flatten . \text{先跨尺度}
\rightarrow
\text{再 flatten}. 先跨尺度 → 再 flatten . 即：
H → T s → t ( r + 2 ) P r + 2 ( X t ) → μ t ( r ) P r + 1 ( X t ) . H
\xrightarrow{T_{s\rightarrow t}^{(r+2)}}
\mathsf P^{r+2}(X_t)
\xrightarrow{\mu_t^{(r)}}
\mathsf P^{r+1}(X_t). H T s → t ( r + 2 ) P r + 2 ( X t ) μ t ( r ) P r + 1 ( X t ) . 因此得到 square：
P r + 2 ( X s ) → T s → t ( r + 2 ) P r + 2 ( X t ) ↓ μ s ( r ) ↓ μ t ( r ) P r + 1 ( X s ) → T s → t ( r + 1 ) P r + 1 ( X t ) . \begin{array}{ccc}
\mathsf P^{r+2}(X_s)
&
\xrightarrow{T_{s\rightarrow t}^{(r+2)}}
&
\mathsf P^{r+2}(X_t)
\\
\downarrow\mu_s^{(r)}
&&
\downarrow\mu_t^{(r)}
\\
\mathsf P^{r+1}(X_s)
&
\xrightarrow{T_{s\rightarrow t}^{(r+1)}}
&
\mathsf P^{r+1}(X_t).
\end{array} P r + 2 ( X s ) ↓ μ s ( r ) P r + 1 ( X s ) T s → t ( r + 2 ) T s → t ( r + 1 ) P r + 2 ( X t ) ↓ μ t ( r ) P r + 1 ( X t ) . 24. 標準自然性與本文的新問題
若：
T T T 完全由 probability monad 的 functorial map 誘導，則 monad multiplication 的 naturality 提供 commuting baseline。
也就是在標準自然情況：
T ( r + 1 ) ∘ μ s ( r ) = μ t ( r ) ∘ T ( r + 2 ) . \boxed{
T^{(r+1)}
\circ
\mu_s^{(r)}
=
\mu_t^{(r)}
\circ
T^{(r+2)}.
} T ( r + 1 ) ∘ μ s ( r ) = μ t ( r ) ∘ T ( r + 2 ) . 這不是本文新定理，而是 monad naturality 的標準要求。
本文真正要研究的是：
判定域中的 learned classifier、noncanonical aggregation、semantic translation 或 context-dependent scale transport 是否仍然滿足這個 commuting condition？
25. Scale–Order Coherence Defect
選擇目標 fiber 上的 divergence：
D t . D_t. D t . 定義：
Δ S O ( H ; s → t , r ) = D t ( T s → t ( r + 1 ) μ s ( r ) H , μ t ( r ) T s → t ( r + 2 ) H ) . \boxed{
\Delta_{\mathrm{SO}}
(
H;s\rightarrow t,r
)
=
D_t
\left(
T_{s\rightarrow t}^{(r+1)}
\mu_s^{(r)}H,
\mu_t^{(r)}
T_{s\rightarrow t}^{(r+2)}H
\right).
} Δ SO ( H ; s → t , r ) = D t ( T s → t ( r + 1 ) μ s ( r ) H , μ t ( r ) T s → t ( r + 2 ) H ) . 若：
Δ S O = 0 , \Delta_{\mathrm{SO}}=0, Δ SO = 0 , 則：
scale transport and order flattening commute on H . \boxed{
\text{scale transport and order flattening commute on }H.
} scale transport and order flattening commute on H . 若：
Δ S O > 0 , \Delta_{\mathrm{SO}}>0, Δ SO > 0 , 則：
flattening before scale change ≠ flattening after scale change . \boxed{
\text{flattening before scale change}
\neq
\text{flattening after scale change}.
} flattening before scale change = flattening after scale change . 這表示高階結構在 scale transport 中具有實際作用。
26. 一個直觀 AI 例子
設二階 strategy hyperdistribution：
H s t r a t e g y = 1 2 δ P A + 1 2 δ P B . H_{\mathrm{strategy}}
=
\frac12\delta_{P_A}
+
\frac12\delta_{P_B}. H strategy = 2 1 δ P A + 2 1 δ P B . 假設 downstream task scoring 對：
P A P_A P A 與：
P B P_B P B 有 nonlinear response：
T ( P ) . T(P). T ( P ) . 如果先 flatten：
P ˉ = 1 2 P A + 1 2 P B , \bar P
=
\frac12P_A+\frac12P_B, P ˉ = 2 1 P A + 2 1 P B , 再算：
T ( P ˉ ) , T(\bar P), T ( P ˉ ) , 一般可能不同於：
1 2 T ( P A ) + 1 2 T ( P B ) . \frac12T(P_A)+\frac12T(P_B). 2 1 T ( P A ) + 2 1 T ( P B ) . 因此：
T ∘ μ ≠ μ ∘ P ( T ) \boxed{
T\circ\mu
\neq
\mu\circ\mathsf P(T)
} T ∘ μ = μ ∘ P ( T ) 對任意 nonlinear judgment transport 並不自動成立。
這正是高階 probability structure 在 AI 評估中的一個可能可觀測來源。
27. Jensen 型來源與 nonlinear transport
若：
T T T 是 nonlinear functional，則：
T ( E H [ P ] ) T(
\mathbb E_H[P]
) T ( E H [ P ]) 一般不等於：
E H [ T ( P ) ] . \mathbb E_H[
T(P)
]. E H [ T ( P )] . 所以：
flatten then evaluate \boxed{
\text{flatten then evaluate}
} flatten then evaluate 與：
evaluate each model then average \boxed{
\text{evaluate each model then average}
} evaluate each model then average 可能不同。
這不是新的 Jensen inequality。
本文只是指出：
probability-order collapse \boxed{
\text{probability-order collapse}
} probability-order collapse 與：
nonlinear scale/judgment transport \boxed{
\text{nonlinear scale/judgment transport}
} nonlinear scale/judgment transport 交會時，自然產生可測的 order effect。
28. Order-Sensitive Observable
定義 28.1
若：
F : P 2 ( Y ) → Z F:
\mathsf P^2(Y)
\rightarrow Z F : P 2 ( Y ) → Z 存在：
H 1 , H 2 H_1,H_2 H 1 , H 2 使：
μ ( H 1 ) = μ ( H 2 ) \mu(H_1)
=
\mu(H_2) μ ( H 1 ) = μ ( H 2 ) 但：
F ( H 1 ) ≠ F ( H 2 ) , F(H_1)
\neq
F(H_2), F ( H 1 ) = F ( H 2 ) , 則稱：
F is order-sensitive . \boxed{
F
\text{ is order-sensitive}.
} F is order-sensitive . 如果不存在這類 pair，則 F F F
這直接對應本文第 13 節的 Barycentric Sufficiency Criterion。
29. Effective Probability Order
形式上：
H ∈ P r ( X ) H
\in
\mathsf P^r(X) H ∈ P r ( X ) 只代表 formal order 為 r r r
但如果：
H H H 完全是 repeated Dirac lift：
H = η [ k ] ( Q ) , H
=
\eta^{[k]}(Q), H = η [ k ] ( Q ) , 則高出來的 k k k
因此可以定義一個最低表示階：
定義 29.1：Effective Order Candidate
令：
ord e f f ( H ) \operatorname{ord}_{\mathrm{eff}}(H) ord eff ( H ) 為最小 q q q H H H
Q ∈ P q ( X ) Q\in\mathsf P^q(X) Q ∈ P q ( X ) 經 repeated Dirac embedding 得到。
這個定義目前主要用於辨識 trivial tower。
對真正一般 higher-order uncertainty，未來仍需更細的 order-complexity notion。
30. Infinite Recursion：不要過早寫成一個「終極概率」
形式：
P 0 ( X ) , P 1 ( X ) , P 2 ( X ) , … \mathsf P^0(X),
\mathsf P^1(X),
\mathsf P^2(X),
\ldots P 0 ( X ) , P 1 ( X ) , P 2 ( X ) , … 完全可以逐階定義。
但：
P ω ( X ) \mathsf P^\omega(X) P ω ( X ) 並不因為符號漂亮就自動存在唯一標準解釋。
所以本文採取：
finite-order exactness + infinite-tower restraint . \boxed{
\text{finite-order exactness}
+
\text{infinite-tower restraint}.
} finite-order exactness + infinite-tower restraint . 即：
有限 r r r
可數 tower：作為 indexed family；
真正 ω \omega ω
這能避免把：
P ( P ( P ( ⋯ ) ) ) \boxed{
P(P(P(\cdots)))
} P ( P ( P ( ⋯ ))) 當成未定義的形而上學無限套娃。
31. 最底層不是「概率原子」
當：
r = 0 , r=0, r = 0 , 我們回到：
X . X. X . 其中的：
x ∈ X x\in X x ∈ X 不是自動意義下的 measure-theoretic probability atom。
若：
P P P 是 nonatomic continuous probability measure，可能有：
P ( { x } ) = 0. P(\{x\})=0. P ({ x }) = 0. 因此本文只把：
x x x 稱為：
base carrier point . \boxed{
\text{base carrier point}.
} base carrier point . 下一篇將專門處理：
atom；
point；
support；
generator；
zero-measure singleton；
nonatomic measure；
之間的區別。
32. Base Point 到 Probability Tower
任意：
x ∈ X x\in X x ∈ X 可以形成 Dirac tower：
x → η X δ x → η P ( X ) δ δ x → ⋯ . x
\xrightarrow{\eta_X}
\delta_x
\xrightarrow{\eta_{\mathsf P(X)}}
\delta_{\delta_x}
\xrightarrow{}
\cdots. x η X δ x η P ( X ) δ δ x ⋯ . 但這條 tower 是完全 deterministic 的。
因此：
存在任意高 formal order ⇏ 存在任意高 uncertainty . \boxed{
\text{存在任意高 formal order}
\not\Rightarrow
\text{存在任意高 uncertainty}.
} 存在任意高 formal order ⇒ 存在任意高 uncertainty . 真正值得研究的是：
non-Dirac spread at each order . \boxed{
\text{non-Dirac spread at each order}.
} non-Dirac spread at each order . 33. Recursive Probability Field
現在可正式提出本文主對象。
定義 33.1：Recursive Probability Field
在尺度 base：
S \mathbf S S 上，一個有限階 Recursive Probability Field，記為：
R R \boxed{
\mathfrak R_R
} R R 至少包含：
R R = ( S , { D s } , { P r ( X s ) } 0 ≤ r ≤ R , T , η , μ , Δ S O ) . \mathfrak R_R
=
(
\mathbf S,
\{\mathfrak D_s\},
\{
\mathsf P^r(X_s)
\}_{0\le r\le R},
\mathbf T,
\boldsymbol\eta,
\boldsymbol\mu,
\boldsymbol\Delta_{\mathrm{SO}}
). R R = ( S , { D s } , { P r ( X s ) } 0 ≤ r ≤ R , T , η , μ , Δ SO ) . 其中：
S \mathbf S S D s \mathfrak D_s D s s s s P r ( X s ) \mathsf P^r(X_s) P r ( X s ) r r r T \mathbf T T η \boldsymbol\eta η μ \boldsymbol\mu μ Δ S O \boldsymbol\Delta_{\mathrm{SO}} Δ SO
本文中的「field」表示 indexed structured family。
它不等同於傳統 random field，也不宣稱是物理 scalar field。
34. Probability Field 的三種用法必須分開
「概率場」一詞至少可能指：
random field / stochastic process 中每個位置的 random variable；
空間位置依賴的 probability distribution；
本文所說跨尺度、跨 probability order 的 indexed family。
因此正式論文後續應固定：
Recursive Probability Field, RPF \boxed{
\text{Recursive Probability Field, RPF}
} Recursive Probability Field, RPF 作為本文專門術語。
不能只寫：
probability field \text{probability field} probability field 而期待讀者自動知道是哪一種。
35. 與先前 AI Probability Field 的整合
先前 AI 概率場包括：
P t o k e n , P_{\mathrm{token}}, P token , P s e m a n t i c , P_{\mathrm{semantic}}, P semantic , P s t r a t e g y , P_{\mathrm{strategy}}, P strategy , P t a s k , P_{\mathrm{task}}, P task , P s u c c e s s . P_{\mathrm{success}}. P success . 現在這些只代表：
r = 1 r=1 r = 1 的 horizontal scale family。
新框架允許：
P s t r a t e g y ( 2 ) \mathfrak P_{\mathrm{strategy}}^{(2)} P strategy ( 2 ) 表示不同 strategy distributions 上的 hyperdistribution。
也允許：
P t a s k ( 2 ) \mathfrak P_{\mathrm{task}}^{(2)} P task ( 2 ) 表示 task-level probability models 自身的不確定性。
因此原本：
multi-scale probability field \boxed{
\text{multi-scale probability field}
} multi-scale probability field 被擴張成：
multi-scale recursive probability field . \boxed{
\text{multi-scale recursive probability field}.
} multi-scale recursive probability field . 36. AI 的模型不確定性與運行不確定性
考慮同一 AI task。
第一階：
P o u t p u t ∣ M , c ( 1 ) P^{(1)}
_{\mathrm{output}\mid M,c} P output ∣ M , c ( 1 ) 描述固定 model M M M c c c
第二階：
H ( 2 ) H^{(2)} H ( 2 ) 可以描述：
model snapshot uncertainty；
prompt uncertainty；
memory-state uncertainty；
latent strategy uncertainty；
unknown deployment mixture。
flattening：
μ ( H ) \mu(H) μ ( H ) 只給出最終平均 output distribution。
若研究目標是：
真正變動來自哪一種 model/context component？
那麼：
μ ( H ) \mu(H) μ ( H ) 不夠。
37. Probability-Order Fingerprint
對某模型或系統，可以建立：
F o r d e r ( M ) = ( P ( 1 ) , H ( 2 ) , J ( 3 ) , … ) . \mathcal F_{\mathrm{order}}(M)
=
\left(
P^{(1)},
H^{(2)},
J^{(3)},
\ldots
\right). F order ( M ) = ( P ( 1 ) , H ( 2 ) , J ( 3 ) , … ) . 但實驗上不一定需要所有階。
可以定義截斷：
F ≤ R ( M ) . \mathcal F_{\le R}(M). F ≤ R ( M ) . 這使：
higher order only when empirically justified . \boxed{
\text{higher order only when empirically justified}.
} higher order only when empirically justified . 不需要為了理論漂亮而無限增加階數。
38. Order Stopping Criterion
本文提出第一版停止原則。
如果對所有研究 observables：
F 1 , … , F k , F_1,\ldots,F_k, F 1 , … , F k , 在第 r + 1 r+1 r + 1
F i = F ˉ i ∘ μ , F_i
=
\bar F_i
\circ
\mu, F i = F ˉ i ∘ μ , 則第 r + 1 r+1 r + 1
此時可以停止：
R t a s k = r . \boxed{
R_{\mathrm{task}}=r.
} R task = r . 因此：
probability recursion should stop when higher-order distinctions become task-invisible . \boxed{
\text{probability recursion should stop when higher-order distinctions become task-invisible}.
} probability recursion should stop when higher-order distinctions become task-invisible . 這比指定固定最大階數更自然。
39. Order Resolution 與尺度解析度
對一個研究：
E , \mathcal E, E , 同時存在：
R S = scale resolution , R_S
=
\text{scale resolution}, R S = scale resolution , 以及：
R P = probability-order resolution . R_P
=
\text{probability-order resolution}. R P = probability-order resolution . 兩者不相同。
某研究可能：
scale 很深，但只需一階 probability；
scale 很淺，但需要二階／三階 model uncertainty；
兩者都深；
兩者都淺。
因此：
model complexity has at least two independent resolution axes . \boxed{
\text{model complexity has at least two independent resolution axes}.
} model complexity has at least two independent resolution axes . 40. Scale–Order Matrix
工程上可以記：
P = [ P s ( r ) ] s , r . \mathbf P
=
\left[
\mathfrak P_s^{(r)}
\right]_{s,r}. P = [ P s ( r ) ] s , r . 例如：
P = [ X μ P μ ( 1 ) P μ ( 2 ) X m P m ( 1 ) P m ( 2 ) X M P M ( 1 ) P M ( 2 ) X G P G ( 1 ) P G ( 2 ) ] . \mathbf P
=
\begin{bmatrix}
X_\mu &
P_\mu^{(1)} &
P_\mu^{(2)}
\\
X_m &
P_m^{(1)} &
P_m^{(2)}
\\
X_M &
P_M^{(1)} &
P_M^{(2)}
\\
X_G &
P_G^{(1)} &
P_G^{(2)}
\end{bmatrix}. P = X μ X m X M X G P μ ( 1 ) P m ( 1 ) P M ( 1 ) P G ( 1 ) P μ ( 2 ) P m ( 2 ) P M ( 2 ) P G ( 2 ) . 再附：
T \mathbf T T 記 scale transports，
μ \boldsymbol\mu μ 記 order flattening，
η \boldsymbol\eta η 記 Dirac lifts，
Δ S O \boldsymbol\Delta_{\mathrm{SO}} Δ SO 記 scale-order coherence defects。
41. Order Ledger
每個高階 probability object 至少保存：
domain_id
scale
probability_order
carrier
measure
is_dirac_degenerate
flattening_target
flattening_map
flattening_fiber_id
observable_set
barycentric_sufficiency_status
跨階操作保存：
source_order
target_order
operation:
dirac_raise
barycentric_flatten
other
information_preservation:
task_observables:
proof_or_test:
42. Recursive Probability Geometry
結合 Paper 04，可把系統表示為：
G R P F = ( S , J D o m , P , T , η , μ , L , Δ , Δ S O ) . \boxed{
\mathfrak G_{\mathrm{RPF}}
=
(
\mathbf S,
\mathbf{JDom},
\mathbf P,
\mathbf T,
\boldsymbol\eta,
\boldsymbol\mu,
\mathbf L,
\mathbf\Delta,
\boldsymbol\Delta_{\mathrm{SO}}
).
} G RPF = ( S , JDom , P , T , η , μ , L , Δ , Δ SO ) . 其中：
L \mathbf L L Δ \mathbf\Delta Δ Δ S O \boldsymbol\Delta_{\mathrm{SO}} Δ SO
這是目前完整度最高的系列核心結構。
43. 新穎性邊界
本文不宣稱首次提出：
probability measures on probability measures；
Giry monad；
monad multiplication；
barycentric integration；
hyper-distributions；
higher-order probability；
hyperpriors；
distributions over functions；
random conditional distributions；
quasi-Borel spaces；
probability monads。
本文提出的是：
Probability Order × Judgment Domain × Scale \boxed{
\text{Probability Order}
\times
\text{Judgment Domain}
\times
\text{Scale}
} Probability Order × Judgment Domain × Scale 的統一 framework。
主要新增概念候選包括：
formal order / effective uncertainty order distinction；
flattening fiber / recursive hyperfiber 作為 order-information carrier；
Barycentric Sufficiency Criterion 作為是否可安全 flatten 的 task criterion；
Order Preservation Principle；
scale-order grid；
scale-order coherence defect；
task-relative order stopping criterion；
Recursive Probability Field 作為判定域上的 indexed scale-order structure。
44. 後續待證問題
44.1 Effective Order 的完整定義
Dirac degeneracy 只是最簡情況。
是否存在更一般：
ord e f f \operatorname{ord}_{\mathrm{eff}} ord eff 可以量化高階 probability object 真正攜帶的 order complexity？
44.2 Hyperfiber Geometry
對：
H Y ( P ) , \mathcal H_Y(P), H Y ( P ) , 是否可以使用：
Wasserstein metric；
information geometry；
convex geometry；
entropy；
建立 fiber internal geometry？
44.3 Order Information Measure
是否可以定義：
I o r d e r ( H ) I_{\mathrm{order}}(H) I order ( H ) 衡量：
H H H 相對於：
μ ( H ) \mu(H) μ ( H ) 多保留了多少結構資訊？
44.4 Scale–Order Naturality
哪些 judgment-domain transports 保證：
T μ = μ T ? T\mu
=
\mu T? T μ = μ T ? 哪些 learned / nonlinear transports 系統性產生：
Δ S O > 0 ? \Delta_{\mathrm{SO}}>0? Δ SO > 0 ? 44.5 Infinite Tower
是否存在對某些 space category 最自然的：
ω \omega ω 階 recursive probability object？
應該使用 limit、coalgebra、graded monad 還是其他結構？
45. 通往 Paper 06：零測度生成點
概率階向下：
r → r − 1 → ⋯ → 0 r
\rightarrow
r-1
\rightarrow
\cdots
\rightarrow
0 r → r − 1 → ⋯ → 0 最後抵達：
X . X. X . 但：
x ∈ X x\in X x ∈ X 究竟在概率論裡是什麼？
它可能是：
atom；
non-atom point；
support point；
generator；
coordinate；
measurable singleton；
zero-measure singleton。
這些不能混為一談。
尤其連續 nonatomic probability 中：
P ( { x } ) = 0 P(\{x\})=0 P ({ x }) = 0 但：
P ( X ) = 1. P(X)=1. P ( X ) = 1. 所以原先直覺中的：
「概率原子」 \boxed{
\text{「概率原子」}
} 「概率原子」 必須被重新命名與重新形式化。
下一篇將專門處理：
zero-measure generating point \boxed{
\text{zero-measure generating point}
} zero-measure generating point 以及它與：
measure-theoretic atom \boxed{
\text{measure-theoretic atom}
} measure-theoretic atom 之間的嚴格區別。
46. 結論
本文把系列從：
尺度概率 \boxed{
\text{尺度概率}
} 尺度概率 推進到：
尺度 × 概率階 . \boxed{
\text{尺度}
\times
\text{概率階}.
} 尺度 × 概率階 . 高階 probability 本身不是新發現。
真正重要的是：
高階 probability 在 flattening 時究竟丟掉什麼？ \boxed{
\text{高階 probability 在 flattening 時究竟丟掉什麼？}
} 高階 probability 在 flattening 時究竟丟掉什麼？ 二點反例已證明：
H 1 ≠ H 2 H_1
\neq
H_2 H 1 = H 2 可以同時滿足：
μ ( H 1 ) = μ ( H 2 ) . \mu(H_1)
=
\mu(H_2). μ ( H 1 ) = μ ( H 2 ) . 因此：
same flattened probability ⇏ same higher-order probability structure . \boxed{
\text{same flattened probability}
\not\Rightarrow
\text{same higher-order probability structure}.
} same flattened probability ⇒ same higher-order probability structure . flattening fiber：
H Y ( P ) \mathcal H_Y(P) H Y ( P ) 將這個被隱藏的高階結構明確化。
Barycentric Sufficiency Criterion 又進一步給出：
什麼時候可以安全 flatten？ \boxed{
\text{什麼時候可以安全 flatten？}
} 什麼時候可以安全 flatten ？ 答案是：
當且僅當研究 observable 對同一 flattening fiber 內的差異不敏感。
這使 probability order 不再是一種哲學套娃，而成為 task-relative、可驗證的結構。
與 Paper 04 結合後，完整索引為：
( s , r ) . \boxed{
(s,r).
} ( s , r ) . 即：
where the probability lives × what order of object is probabilized . \boxed{
\text{where the probability lives}
\times
\text{what order of object is probabilized}.
} where the probability lives × what order of object is probabilized . 跨尺度有：
T s → t ( r ) . T_{s\rightarrow t}^{(r)}. T s → t ( r ) . 跨階有：
η , μ . \eta,
\mu. η , μ . 兩者不一定 commute，因此引入：
Δ S O . \boxed{
\Delta_{\mathrm{SO}}.
} Δ SO . 最終，本文定義 Recursive Probability Field：
R R = ( S , { D s } , { P r ( X s ) } , T , η , μ , Δ S O ) . \boxed{
\mathfrak R_R
=
(
\mathbf S,
\{\mathfrak D_s\},
\{
\mathsf P^r(X_s)
\},
\mathbf T,
\boldsymbol\eta,
\boldsymbol\mu,
\boldsymbol\Delta_{\mathrm{SO}}
).
} R R = ( S , { D s } , { P r ( X s )} , T , η , μ , Δ SO ) . 這是目前系列第一次真正把：
概率場的概率場的概率場 \boxed{
\text{概率場的概率場的概率場}
} 概率場的概率場的概率場 轉化為有限階、可型別化、可 flatten、可比較、可停止的數學對象。
而下一步將不再往上，而是往下：
r = 0. \boxed{
r=0.
} r = 0. 去處理整套結構最底層的：
點、原子、支撐與零測度生成元 . \boxed{
\text{點、原子、支撐與零測度生成元}.
} 點、原子、支撐與零測度生成元 . 參考文獻
[1] Giry, M. (1982). A Categorical Approach to Probability Theory. In Categorical Aspects of Topology and Analysis , Lecture Notes in Mathematics 915, 68--85.
[2] Avery, T. (2014). Codensity and the Giry Monad. arXiv:1410.4432.
[3] Staton, S., Yang, H., Heunen, C., Kammar, O., & Wood, F. (2016). Semantics for Probabilistic Programming: Higher-Order Functions, Continuous Distributions, and Soft Constraints. arXiv:1601.04943.
[4] Jacobs, B. (2016). Hyper Normalisation and Conditioning for Discrete Probability Distributions. arXiv:1607.02790.
[5] Heunen, C., Kammar, O., Staton, S., & Yang, H. (2017). A Convenient Category for Higher-Order Probability Theory. LICS 2017 . arXiv:1701.02547.
[6] Alvim, M. S., Mardziel, P., & Hicks, M. (2017). Quantifying Vulnerability of Secret Generation Using Hyper-Distributions. arXiv:1701.04174.
[7] Tavares, Z., Zhang, X., Minaysan, E., Burroni, J., Ranganath, R., & Solar-Lezama, A. (2019). The Random Conditional Distribution for Higher-Order Probabilistic Inference. arXiv:1903.10556.
[8] Sturtz, K. (2020). The Existence and Utility of Giry Algebras in Probability Theory. arXiv:2006.08290.
[9] Forré, P. (2021). Quasi-Measurable Spaces. arXiv:2109.11631.
[10] Van Belle, R. (2021). Probability Monads as Codensity Monads. arXiv:2111.01250.
[11] Kristel, P., & Peterseim, B. (2024). A Topologically Enriched Probability Monad on the Cartesian Closed Category of CGWH Spaces. arXiv:2404.08430.
Appendix A. 最小符號表
符號
意義
P ( X ) \mathsf P(X) P ( X ) X X X
P r ( X ) \mathsf P^r(X) P r ( X ) 第 r r r
r r r probability order
η Y \eta_Y η Y Dirac unit / order raise
μ Y \mu_Y μ Y barycentric monad multiplication / flattening
T R ( X ) \mathcal T_R(X) T R ( X ) 截斷到 R R R
T P ( X ) \mathcal T_{\mathsf P}(X) T P ( X ) 可數 probability tower
H Y ( P ) \mathcal H_Y(P) H Y ( P ) flattening fiber / hyperfiber
H r ( Q ) \mathcal H_r(Q) H r ( Q ) 第 r r r
P s ( r ) \mathfrak P_s^{(r)} P s ( r ) 尺度 s s s r r r
T s → t ( r ) T_{s\rightarrow t}^{(r)} T s → t ( r ) 固定 probability order 的 scale transport
Δ S O \Delta_{\mathrm{SO}} Δ SO scale-order coherence defect
R R \mathfrak R_R R R 有限階 Recursive Probability Field
Appendix B. Recursive Probability Field Schema
scale_base:
scales:
scale_relations:
judgment_domains:
- domain_id:
scale:
reference_scope:
context:
base_carrier:
probability_orders:
max_order:
objects:
- domain_id:
order:
carrier:
probability_object:
is_dirac_degenerate:
order_maps:
dirac_units:
flattening_maps:
flattening_fibers:
scale_transports:
- source_domain:
target_domain:
order:
transport:
witness:
coherence:
- source_scale:
target_scale:
source_order:
flatten_then_scale:
scale_then_flatten:
comparison_divergence:
scale_order_defect:
observables:
- observable_id:
required_order:
barycentric_sufficient:
proof_or_test:
stopping:
task_order_cutoff:
criterion:
Appendix C. Canonical Order Status
O 0 → O 1 → O 2 → O 3. O0
\rightarrow
O1
\rightarrow
O2
\rightarrow
O3. O 0 → O 1 → O 2 → O 3.
O 0 O0 O 0 O 1 O1 O 1 O 2 O2 O 2 O 3 O3 O 3
其中 O 2 O2 O 2 O 3 O3 O 3
Dirac lift 可以讓 formal order 任意增加，但只有 order-sensitive observable 才能證明更高 probability order 對當前研究具有不可消去作用。