TADC-01：注意力不是單點選擇——可變認知空間與注意—空間轉換猜想

英文題名： Attention Is Not Merely Point Selection: The Variable Cognitive Space and Attention–Space Transformation Conjectures
系列： Topological Attention and Dynamic Cognitive Domains — Conjecture Series（TADC）
中文系列名： 拓樸注意力與動態認知域命題系列
編號： TADC-01
版本： v0.1
日期： 2026-08-17
作者： Neo.K（許筌崴）
協作： GPT-5.6 Sol
文件性質： 理論命題／形式化研究綱領／可證偽模型
文獻檢索截點： 2026-08-17

摘要

注意力最直觀的描述，是在大量可處理資訊中選擇某些對象、位置、特徵或任務表示，並提高其認知優先權。這種描述非常有用，但它通常隱含一個最低階假設：

\boxed{ \text{可供注意的認知空間已經存在。} }

亦即，存在一個候選集合：

X=\{x_1,x_2,\ldots,x_n\},

注意力所做的是：

A_t:X\rightarrow \mathbf w_t,

也就是改變既有元素的權重、激活或優先順序。

本文提出另一種可能：

\boxed{ X_t \text{ 本身也可能隨認知活動而改變。} }

因此，注意活動的作用未必只是在固定認知空間中重新分配資源；在部分高階認知條件下，它可能參與改變未來哪些認知對象、關係、鄰域與推理路徑成為可達。

本文提出兩個根猜想：

\boxed{ \textbf{Variable Cognitive Space Conjecture — VCSC} }

即有效認知空間隨時間、目標、學習、記憶與控制而變動；以及更強的：

\boxed{ \textbf{Attention–Space Transformation Conjecture — ASTC} }

即注意配置本身可能對這種認知空間變化具有可辨認的因果貢獻。

本文不直接假設這些結構已構成嚴格的數學 topology。為避免將「拓樸」僅作為漂亮隱喻，本文首先採用動態關係結構、可達性核與鄰域系統作為最小形式，並建立固定空間選擇模型作為虛無模型。

ASTC 進一步分成弱、中、強三個版本：注意改變表徵幾何；注意造成持續的可達性改變；以及注意參與產生不能由固定潛在表示加上單純 gain modulation 完整解釋的新結構。

因此，本文並不是宣告「注意力就是拓樸」，而是提出一個可以被傳統 attention、learning、working memory、semantic priming、task-set reconfiguration 與 cognitive-map 模型擊敗的命題。

0. 邊界聲明

本文不是臨床研究、醫療建議或神經疾病模型，不以 ADHD、hyperfocus 或任何個人案例作為理論成立的證據。

本文提出的是：

\boxed{ \text{general cognitive architecture conjecture} }

而不是：

\boxed{ \text{ADHD-specific theory}. }

ADHD、專家研究者、程式設計者、遊戲玩家、AI-assisted workers 與一般健康成人，未來都可以成為不同測試族群。

此外，本文不主張：

\text{attention} = \text{topology}.

本文的真正命題是較弱而可驗證的：

\boxed{ \text{attention may participate in transforming the effective structure of cognitive accessibility}. }

只有在後續能證明該結構具有可操作的 neighborhood、connectivity、nesting、continuity 與 invariants 時，才有資格將「topological」由方法論名稱提升為嚴格數學描述。

1. 問題：注意力是在空間中移動，還是在改變空間？

先考慮最低階模型。

存在固定認知集合：

X=\{x_1,x_2,\ldots,x_n\}.

注意力只改變：

\mathbf w_t = (w_{1,t},w_{2,t},\ldots,w_{n,t}).

例如：

w_{3,t}\uparrow

表示：

x_3

成為目前最重要的處理對象。

這種模型可以描述很多注意現象，本文不否定它。

但考慮高階推理。

一開始：

X_t=\{a,b,c\}.

主體注意到：

a\mathrel{R_1}b.

接著由：

b

推導出：

b\mathrel{R_2}d.

原來：

d\notin X_t.

現在：

d\in X_{t+1}.

甚至原來不存在有效連結：

(a,d)\notin\mathcal R_t,

經過推理之後：

(a,d)\in\mathcal R_{t+1}.

此時變化不只是：

w_a>w_b.

而是：

\boxed{ X_t\neq X_{t+1} }

甚至：

\boxed{ \mathcal R_t\neq\mathcal R_{t+1}. }

所以真正的問題變成：

\boxed{ \text{Attention selects states} }

與：

\boxed{ \text{Attention participates in transforming the state space} }

是不是兩種不同的認知作用？

2. 現有文獻其實已經靠得很近

這個命題並不是因為用了「拓樸」兩個字就自然成立，但現有認知神經科學確實已經提供數個很接近的拼圖。

首先，抽象知識並不只以孤立項目的形式存在。Garvert、Dolan 與 Behrens 的研究顯示，人類 hippocampal–entorhinal system 可以表示非空間、離散的 relational graph，而且 neural representation 會反映關係結構中的距離；後續研究也顯示分開學習的抽象結構可以被組合成支援新推論的 cognitive map。

2024 年研究又顯示，人類可以學習 multidimensional abstract spaces，hippocampus、entorhinal cortex 與 orbitofrontal cortex 在 exploration、learning 與 exploitation 階段呈現不同角色。這支持「抽象問題本身可以形成可導航的 relational space」這個方向。

更重要的是，2025 年 Peer 與 Epstein 直接研究 nested spaces，發現人類會把環境組織成 subspaces，跨 subspace integration 具有額外行為成本，而且相關腦區表徵反映這種階層結構。

2026 年 Leach、Chen 與 Hwang 則進一步把較抽象的 context reconfiguration 與較具體的 subordinate task-set reconfiguration 分開，發現不同階層具有不同的 behavioral switch cost 與 neural pattern reconfiguration。換言之，高階目標與低階規則並不是同一尺度上的同一種「切換」。

甚至注意本身也已被觀察到能改變表徵幾何。2023 年的 feature-based attention 研究顯示，選擇性注意特定顏色會使 color feature space 發生系統性的 expansion / compression，改變後續知覺相似性。

但這些結果都還沒有證明本文的強命題。

因為：

\boxed{ \text{representational warping} \neq \text{new cognitive topology}. }

attention-induced warping 完全可能由既有 neural populations 上的 gain modulation 產生。

所以它最多直接支持我們後面定義的 ASTC-W。

3. 先建立敵人：固定空間選擇模型

如果 TADC 不能被簡單模型擊敗，就沒有研究價值。

因此定義：

Fixed-Space Selection Model，FSSM

在一個分析 episode 中：

X_t=X,

\mathcal R_t=\mathcal R,

\mathcal N_t=\mathcal N.

只有：

\mathbf w_t

發生改變。

所以：

\mathcal C_t = (X,\mathcal R,\mathcal N,\mathbf w_t,G_t).

注意力：

A_t: \mathbf w_t \mapsto \mathbf w_{t+1}.

即使：

某概念突然非常顯著；
某條 association 更容易被想到；
某種特徵被放大；
某個 decision boundary 改變；
某個 task set 暫時支配行為；

只要：

X,\mathcal R,\mathcal N

沒有真正改變，就不需要 TADC。

所以：

\boxed{ \text{Activation} \neq \text{Structural Transformation}. }

這條要一直保留。

4. 可變認知空間猜想

現在定義：

\boxed{ \mathcal C_t = ( X_t, \mathcal R_t, \kappa_t, \mathcal N_t, A_t, G_t ) }

其中：

X_t

是目前有效的 cognitive objects；

\mathcal R_t

是關係集合；

\kappa_t(x,y\mid G_t)

表示在目前 goal 下：

x\rightarrow y

的有效可達強度；

\mathcal N_t

是 cognitive neighborhood system；

A_t\subseteq X_t

是當下 active set；

而：

G_t

是高階目標與 context。

關係可以具有不同類型：

\mathcal R_t = \{ R_S, R_C, R_A, R_P, R_T, R_G \},

分別表示：

semantic；
causal；
analogical；
procedural；
temporal；
goal-relative relationships。

VCSC 最低命題：

\boxed{ \exists t_1,t_2: \mathcal C_{t_1}\not\equiv\mathcal C_{t_2}. }

即有效認知空間不是永久固定。

這一條其實不強。

learning、memory、consolidation、task context 都可能讓它成立。

真正有風險的是下一條。

5. 注意—空間轉換猜想

令：

a_t

為 attention configuration，

e_t

為 external input，

m_t

為 memory state。

定義：

\boxed{ \mathcal C_{t+1} = \Phi ( \mathcal C_t, a_t, e_t, m_t ). }

ASTC 宣稱：

\boxed{ \frac{\partial\mathcal C_{t+1}} {\partial a_t} \neq0 }

至少在部分認知條件成立。

這個偏導只表示因果依賴概念，目前並不宣稱 $\mathcal C$ 一定具有普通微分結構。

換句話說：

如果：

a_t^{(1)} \neq a_t^{(2)},

而我們盡量固定：

e_t, m_t, \text{exposure}, \text{reward}, \text{time},

之後仍然得到：

\mathcal C_{t+1}^{(1)} \neq \mathcal C_{t+1}^{(2)},

那就開始有注意參與 space transformation 的證據。

6. 為什麼現在不能直接寫 $(X,\tau)$ ？

這是一個重要的數學自我限制。

如果現在直接說：

(X,\tau)

是 topological space，

就得回答：

\varnothing\in\tau?

X\in\tau?

任意 union 是否仍然 open？

有限 intersection 是否仍 open？

更重要的是：

cognitive open set 到底是什麼？

目前沒有充分理由。

所以第一篇只定義：

Goal-conditioned cognitive neighborhood

N_t(x;\theta,G_t) = \left\{ y: \kappa_t(x,y\mid G_t)\geq\theta \right\}.

然後：

\mathcal N_t = \{ N_t(x;\theta,G_t) \}.

也就是先得到：

\boxed{ \text{dynamic neighborhood system}. }

未來如果它符合 topology、pretopology、Alexandrov topology 或其他結構，再正式升級。

所以現在：

\boxed{ \text{Topological} = \text{research direction}, }

而不是：

\boxed{ \text{proved mathematical classification}. }

7. 注意力真正可能改變的是「可達性」

這可能是第一篇最重要的形式化。

假設目前 active set：

A_t\subseteq X_t.

定義：

\operatorname{Reach}_t^{(k)}(A_t)

為從：

A_t

經最多 (k) 個有效 relational transitions 可以到達的 cognitive objects。

粗略寫：

\operatorname{Reach}_t^{(k)}(A_t) = \left\{ y: A_t \leadsto_k y \right\}.

那注意的結果可能不只是：

w(x)\uparrow,

而是：

\boxed{ \operatorname{Reach}_{t+1}^{(k)} \neq \operatorname{Reach}_{t}^{(k)}. }

例如本來從：

A

只能想到：

B,C,D.

經過 relational attention 後，同一起點自然可以到：

B,C,D,E,F,G.

這個變化就比：

「E 的 activation 比較高」

更強。

它變成：

\boxed{ \text{future cognitive possibility space changed}. }

8. ASTC 必須拆成三個強度

ASTC-W：Weak Geometry Version

只要求：

\kappa_t \neq \kappa_{t+1}.

即 relational weights 或 representational geometry 改變。

但是：

X_t=X_{t+1},

而且原來的 edges 全部還在。

這可能只是：

\text{gain modulation}.

ASTC-M：Persistent Accessibility Version

要求注意 cue 消失後：

a_{t+\Delta} = a_{\mathrm{baseline}},

但：

\mathcal N_{t+\Delta} \neq \mathcal N_t.

或者：

\operatorname{Reach}_{t+\Delta}^{(k)} \neq \operatorname{Reach}_t^{(k)}.

也就是：

\boxed{ \text{attention} \rightarrow \text{persistent accessibility change}. }

ASTC-S：Strong Structural Construction Version

最強版要求真正出現：

\mathcal R_t \rightarrow \mathcal R_{t+1},

或：

X_t \rightarrow X_{t+1}.

例如原來：

(x,y) \notin \mathcal R_t^{\mathrm{effective}},

之後：

(x,y) \in \mathcal R_{t+1}^{\mathrm{effective}}.

甚至原來不存在 cognitive unit：

z.

經過 chunking / abstraction：

z=f(x_1,x_2,\ldots,x_n),

使：

z\in X_{t+1}.

但這裡最大問題是：

這完全可能只是：

\text{learning},

\text{memory consolidation},

\text{chunking},

或：

\text{schema formation}.

所以 ASTC-S 必須證明：

\boxed{ \text{attention contributes independently to this structural construction}. }

否則它不成立。

9. 移動和改造不是同一件事

我們至少要拆：

Traversal

x_t\rightarrow x_{t+1},

但：

\mathcal C_t=\mathcal C_{t+1}.

Reweighting

\kappa_t\rightarrow\kappa_{t+1}.

Expansion

X_t\subset X_{t+1}.

Contraction

X_{t+1}\subset X_t.

Rewiring

\mathcal R_t\neq\mathcal R_{t+1}.

Chunk Formation

\{x_1,x_2,x_3\} \rightarrow z.

使原本三個 low-level objects 可以在較高解析度下變成：

\boxed{ \text{one object}. }

這會自然連到後續的 macro/micro relativity。

10. 「領域」也不必是基本物件

假設學科分類：

D= \{ D_{\mathrm{math}}, D_{\mathrm{AI}}, D_{\mathrm{psych}}, D_{\mathrm{biology}} \}.

這是 external classification。

但如果：

x\in D_{\mathrm{math}},

y\in D_{\mathrm{psych}},

然而在目前目標下：

\kappa_t(x,y\mid G)\gg0,

則兩者在 cognitive space 中可能非常近。

所以：

\boxed{ d_{\mathrm{discipline}}(x,y) \neq d_{\mathrm{cognitive}}(x,y). }

甚至：

d_{\mathrm{discipline}}\gg0

但：

d_{\mathrm{cognitive}}\approx1.

外部觀察者看到的是跨領域跳躍，主體內部卻可能只是沿著關係鄰域遍歷。

這一部分留給 TADC-02 與 TADC-06 展開。

11. 最危險的競爭解釋：其實全部只是 learning

假設：

a_t \rightarrow \text{encoding} \rightarrow \mathcal C_{t+1}.

這時 attention 可能只是 gate。

甚至：

\text{exposure} \rightarrow \text{learning} \rightarrow \mathcal C_{t+1}

已經足夠。

所以真正需要比較：

M_0: \text{exposure} \rightarrow \Delta\mathcal C,

與：

M_1: \text{attention} + \text{matched exposure} \rightarrow \Delta\mathcal C.

ASTC 至少需要：

\boxed{ \Delta\mathcal C_{M_1} > \Delta\mathcal C_{M_0} }

在 exposure、time、reward 等條件被控制後出現。

否則：

\text{learning theory}

就夠了。

12. Working Memory 也可能把我們整篇殺掉

另一個可能：

\text{attention} \rightarrow \text{WM activation}.

只要相關 items 還留在 working memory：

P(y\mid x)\uparrow.

看起來就像 cognitive accessibility 改變。

所以我們需要：

\boxed{ \text{post-cue persistence}. }

如果 attention cue 拿掉後：

\Delta\mathcal C \rightarrow0,

那 ASTC-M 就不成立。

13. Semantic Priming 也不能被偷換成拓樸

如果注意：

x

之後：

RT(y\mid x)\downarrow,

完全可能只是 priming。

所以：

\boxed{ \text{one faster association} \neq \text{topological transformation}. }

強證據至少要看：

multi-step reachability；
novel inference；
generalization；
neighborhood change；
persistent restructuring；
competing-model performance。

14. 第一個真正的實驗

Matched-Exposure Relational Attention Experiment

所有 participant 都看到完全相同的：

X

以及完全相同 stimulus sequence。

差別只在：

Group A

注意：

\text{individual feature}.

Group B

注意：

\text{pairwise relation}.

Group C

注意：

\text{global relational structure}.

所以：

E_A=E_B=E_C.

訓練後測：

\text{pairwise similarity},

\text{multi-step inference},

\text{novel route discovery},

\text{generalization},

\text{free transition trajectory}.

如果：

\operatorname{Reach}_C^{(k)} > \operatorname{Reach}_A^{(k)}

而且不能只用記憶強度解釋，

那 ASTC 開始有東西。

15. 第二個實驗：表徵幾何

建立：

D_{\mathrm{pre}}

與：

D_{\mathrm{post}},

分別表示 manipulation 前後的 representational distance matrix。

測：

\Delta D = D_{\mathrm{post}} - D_{\mathrm{pre}}.

如果只有局部 gain：

固定空間模型可能足以解釋。

但是如果出現：

new cluster；
new bridge；
new effective dimension；
new inference route；

動態空間模型的必要性就提高。

16. 第三個實驗：把 cue 拿掉

在：

10\text{ min},

1\text{ day},

1\text{ week}

後重新測：

\mathcal C.

如果：

\Delta\mathcal C(10\text{ min})>0

但：

\Delta\mathcal C(1\text{ day})=0,

可能只是短期 state effect。

如果持續：

\Delta\mathcal C(1\text{ week})>0,

則需要考慮：

\text{attention-mediated learning/consolidation}.

17. 第四個實驗：重新索引

假設：

U_1\subset U_2\subset U_3.

有時讓 participant 把：

U_1

當成整個 task。

另一條件則把：

U_1

視為：

U_2

裡的一個 subordinate unit。

如果只是固定 hierarchy：

固定 tree model 應該足以預測。

如果同一 object set 的：

\mathcal N

因觀察尺度而被系統性重新組織：

\mathcal N^{(1)} \neq \mathcal N^{(2)},

那就開始接近後續的：

\boxed{ \text{Re-indexing}. }

18. 五個核心預測

ASTC-H1 — Attention-Dependent Reachability

a_1\neq a_2

在 matched exposure 下造成：

\operatorname{Reach}^{(k)}_1 \neq \operatorname{Reach}^{(k)}_2.

ASTC-H2 — Persistence

attention cue 拿掉後：

\Delta\mathcal N>0.

否則中版不成立。

ASTC-H3 — Novel Generalization

attention-induced change 必須影響：

\boxed{ \text{untrained inference}. }

只改善熟悉 item 不夠。

ASTC-H4 — Fixed-Space Model Failure

固定 latent representation 加 dynamic weights：

M_F

至少在部分任務必須輸給：

M_D.

即：

\boxed{ \operatorname{PredictiveAccuracy}(M_D) > \operatorname{PredictiveAccuracy}(M_F). }

如果永遠沒有，ASTC-S 就是多餘的。

ASTC-H5 — Goal-Dependent Neighborhood

同樣的 object set：

X

在：

G_1

與：

G_2

下形成：

\mathcal N(X\mid G_1) \neq \mathcal N(X\mid G_2).

19. 什麼會真正殺掉這套理論？

如果結果顯示：

\boxed{ \text{fixed representation + gain modulation} }

就能完整解釋所有現象，

則：

ASTC\text{-S}

應直接放棄。

如果：

\Delta\mathcal C=0

只要 attention cue 消失，

則：

ASTC\text{-M}

應放棄。

如果 relational-space language 沒有比：

\text{semantic similarity}

與：

\text{association strength}

提供任何額外預測，

則：

\text{space}

只是重新命名。

如果我們始終找不到：

neighborhood；
connectivity；
gluing；
invariants；
meaningful coarse-graining；

那「topological」也應該刪掉。

系列可以降級成：

\boxed{ \text{Dynamic Relational Attention Theory}. }

這是可以接受的結果。

20. 為什麼仍然值得走「拓樸」方向？

因為它讓問題從：

哪個點的 activation 最大？

變成：

哪些東西彼此可達？

以及：

哪些區域形成 connected component？

哪條 bridge 被建立？

哪些 domain 被拆開？

哪些 domain 被黏合？

改變解析度之後，哪些結構仍然存在？

也就是從：

\boxed{ \text{point value} }

走向：

\boxed{ \text{relational organization}. }

如果未來這些量能穩定預測 cognition，那 topology 就不是修辭。

它會開始有真正的 explanatory content。

21. TADC 與 Cognitive Map 並不是競爭理論

cognitive-map literature 比較接近問：

\boxed{ \text{How is relational structure represented?} }

而 TADC 問：

\boxed{ \text{How can effective relational structure change during cognition?} }

所以：

\text{Cognitive Map}

可以成為：

\text{TADC}

的一種 implementation substrate。

並不衝突。

22. 最小總模型

最後把全部壓成一行：

\boxed{ \mathcal C_t = (X_t,\mathcal R_t,\kappa_t,\mathcal N_t,A_t,G_t) }

而：

\boxed{ \mathcal C_{t+1} = \Phi( \mathcal C_t, a_t, e_t, m_t ). }

固定空間模型：

\Phi_F: (X,\mathcal R,\mathcal N,\mathbf w_t) \rightarrow (X,\mathcal R,\mathcal N,\mathbf w_{t+1}).

動態空間模型：

\Phi_D: (X_t,\mathcal R_t,\mathcal N_t) \rightarrow (X_{t+1},\mathcal R_{t+1},\mathcal N_{t+1}).

所以整篇真正只問：

\boxed{ \operatorname{PredictiveGain} (\Phi_D,\Phi_F) >0? }

如果答案是：

0,

我們不需要這套理論。

如果穩定：

>0,

那才開始有資格往真正 topology 前進。

23. 結論

本文提出：

\boxed{ \textbf{VCSC} }

即：

有效認知空間不是必然固定的。

以及：

\boxed{ \textbf{ASTC} }

即：

注意活動可能不只在認知空間中移動與分配權重，也可能參與改變之後哪些認知對象、關係與路徑成為可達。

但本文刻意不宣稱：

\text{Attention}=\text{Topology}.

目前最嚴格的寫法仍然是：

\boxed{ \text{Attention may transform effective cognitive accessibility structure.} }

等到後面真的能定義：

\text{neighborhood},

\text{connectivity},

\text{nesting},

\text{gluing},

\text{invariants},

再決定「拓樸注意力」究竟是數學理論，還是一個最後應被降級的研究比喻。

這也是 TADC-01 最重要的自我限制：

\boxed{ \text{Do not call a change topological until topology adds testable structure.} }

但若 ASTC 成立，注意力問題就會從：

\boxed{ \text{What is being selected?} }

向上多出一個問題：

\boxed{ \text{What becomes reachable because of that selection?} }

而這兩個問題，不再是同一個問題。

參考文獻

Garvert MM, Dolan RJ, Behrens TEJ. A map of abstract relational knowledge in the human hippocampal-entorhinal cortex. eLife. 2017;6:e17086.
Park SA, Miller DS, Nili H, Ranganath C, Boorman ED. Map Making: Constructing, Combining, and Inferring on Abstract Cognitive Maps. Neuron. 2020;107:1226–1238.e8.
Qiu Y, et al. Forming cognitive maps for abstract spaces: the roles of the human hippocampus and orbitofrontal cortex. Communications Biology. 2024;7:517.
Wang X, et al. Macroscale brain states support the control of semantic cognition. Communications Biology. 2024;7:926.
Peer M, Epstein RA. Cognitive maps for hierarchical spaces in the human brain. Cerebral Cortex. 2025;35(9):bhaf261.
Leach SC, Chen X, Hwang K. Hierarchical Reconfiguration of Neurocognitive Task Set Representations Mediates Cognitive Flexibility. Journal of Neuroscience. 2026.
Baram AB, et al. An abstract relational map emerges in the human medial prefrontal cortex with consolidation. Current Biology. 2026;36:3315–3325.e4.
Feature-based attention warps the perception of visual features. Scientific Reports. 2023.
Behrens TEJ, Muller TH, Whittington JCR, Mark S, Baram AB, Stachenfeld KL, Kurth-Nelson Z. What Is a Cognitive Map? Organizing Knowledge for Flexible Behavior. Neuron. 2018;100(2):490–509.
Theves S, Fernández G, Doeller CF. The hippocampal-entorhinal system represents nested hierarchical relations between words during concept learning. Hippocampus. 2021.

系列後續

TADC-02：《動態認知域：領域作為局部座標圖》
TADC-03：《拓樸注意力六算子：展開、收斂、遍歷、黏合、切離與重索引》
TADC-04：《嵌套注意域與觀察尺度》
TADC-05：《從單點超專注到拓樸超專注》
TADC-06：《關係優先認知與跨域連續性》
TADC-07：《外部認知支架與人—AI 認知拓樸》
TADC-08：《拓樸注意力的測量、反證與工程化》

狀態： TADC-01 v0.1
原始人體／臨床數據： 無
理論狀態： 猜想／研究綱領；未經實驗驗證

TADC-01：注意力不是單點選擇——可變認知空間與注意—空間轉換猜想

TADC-01：注意力不是單點選擇——可變認知空間與注意—空間轉換猜想

摘要

0. 邊界聲明

1. 問題：注意力是在空間中移動，還是在改變空間？

2. 現有文獻其實已經靠得很近

3. 先建立敵人：固定空間選擇模型

Fixed-Space Selection Model，FSSM

4. 可變認知空間猜想

5. 注意—空間轉換猜想

6. 為什麼現在不能直接寫 (X,τ)(X,\tau)(X,τ)？

Goal-conditioned cognitive neighborhood

7. 注意力真正可能改變的是「可達性」

8. ASTC 必須拆成三個強度

ASTC-W：Weak Geometry Version

ASTC-M：Persistent Accessibility Version

ASTC-S：Strong Structural Construction Version

9. 移動和改造不是同一件事

Traversal

Reweighting

Expansion

Contraction

Rewiring

Chunk Formation

10. 「領域」也不必是基本物件

11. 最危險的競爭解釋：其實全部只是 learning

12. Working Memory 也可能把我們整篇殺掉

13. Semantic Priming 也不能被偷換成拓樸

14. 第一個真正的實驗

Matched-Exposure Relational Attention Experiment

Group A

Group B

Group C

15. 第二個實驗：表徵幾何

16. 第三個實驗：把 cue 拿掉

17. 第四個實驗：重新索引

18. 五個核心預測

ASTC-H1 — Attention-Dependent Reachability

ASTC-H2 — Persistence

ASTC-H3 — Novel Generalization

ASTC-H4 — Fixed-Space Model Failure

ASTC-H5 — Goal-Dependent Neighborhood

19. 什麼會真正殺掉這套理論？

20. 為什麼仍然值得走「拓樸」方向？

21. TADC 與 Cognitive Map 並不是競爭理論

22. 最小總模型

23. 結論

參考文獻

系列後續

6. 為什麼現在不能直接寫 $(X,\tau)$ ？