TADC-06：關係優先認知與跨域連續性——從學科距離到關係距離的認知拓樸猜想
英文題名： Relation-First Cognition and Cross-Domain Continuity: From Disciplinary Distance to Relational Cognitive Distance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-06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／關係空間模型／可證偽研究綱領文獻檢索截點： 2026-08-17
摘要
跨領域思考通常以外部知識分類為基礎描述。例如，從數學轉向認知科學、從生物學轉向人工智慧，常被視為一次「跨域切換」。然而，這種描述預設了學科分類距離可以代表認知轉換距離。
本文提出相反的候選框架：
disciplinary distance ≠ cognitive relational distance . \boxed{
\text{disciplinary distance}
\neq
\text{cognitive relational distance}.
} disciplinary distance = cognitive relational distance . 一個表面上跨越多個學科的轉換，若兩個問題共享高度相似的因果結構、形式關係、程序結構、控制約束、類比映射或目標角色，則在認知系統的有效關係空間中可能仍是局部移動。反之，兩個被歸入同一學科的問題，若缺乏可重用的關係結構，對主體而言也可能需要高成本重建。
本文提出三個核心猜想：
Relation-First Cognition Conjecture（RFCC） ：在部分高階推理中，關係結構比外部分類標籤更能預測有效認知鄰接與轉換成本；Cross-Domain Continuity Conjecture（CDCC） ：部分表面跨領域轉換，可在另一個 goal-conditioned relational topology 中形成連續或近連續的認知軌跡；Relational Re-representation Conjecture（RRC） ：跨域映射不只發現既有相似性，也可能透過 analogical alignment、abstraction 與 schema updating 改變後續有效關係表示。
本文定義外部分類距離：
d e x t ( x , y ) , d_{\mathrm{ext}}(x,y), d ext ( x , y ) , 關係認知距離：
d r e l ( x , y ∣ G ) , d_{\mathrm{rel}}(x,y\mid G), d rel ( x , y ∣ G ) , 以及跨域落差量：
Δ c r o s s = d e x t − d r e l . \boxed{
\Delta_{\mathrm{cross}}
=
d_{\mathrm{ext}}
-
d_{\mathrm{rel}}.
} Δ cross = d ext − d rel . 當：
Δ c r o s s ≫ 0 , \Delta_{\mathrm{cross}}\gg0, Δ cross ≫ 0 , 稱為 Apparent Cross-Domain / Relationally Local Transition ：外部分類看似遙遠，但內部關係上近鄰。
本文進一步使用 multiplex relational graph 表示語義、因果、類比、程序、時間、目標與控制關係，並提出 structural-alignment score、bridge density、translation cost、relational path cost 與 continuity ratio 等可測量量。
現有 analogical reasoning 研究已證明人類可跨不同 sensory modalities 進行 analogical mapping；實驗也觀察到 relational re-representation；計算模型則展示 relational representations 可支援跨 video games 與心理任務的 cross-domain generalization。2025/2026 年的 schema-drift 研究進一步顯示，抽象 relational schemas 在反覆類比使用後可以發生可測改變。同時，semantic-control 與 task-space cognitive-map 研究顯示，相同刺激可因目標與控制需求形成不同的大尺度認知／腦狀態，且 task-relevant abstract structure 可被建構為 cognitive maps。
這些結果支持「關係結構具有跨表面分類的認知作用」，但尚未證明 RFCC / CDCC。本文因此建立 taxonomy-only、surface-similarity、fixed-semantic-space、ordinary analogy、random-association 與 expertise-only 等競爭模型，並提出跨學科距離矩陣、relation-matched switching、bridge induction、re-representation、schema drift、path-return 與 multi-scale continuity 等實驗。
本文的核心主張不是「所有領域其實都一樣」，而是：
external categorical discontinuity ⇏ internal cognitive discontinuity . \boxed{
\text{external categorical discontinuity}
\not\Rightarrow
\text{internal cognitive discontinuity}.
} external categorical discontinuity ⇒ internal cognitive discontinuity . 如果關係距離不能比學科標籤、語義相似度與一般熟悉度提供額外預測，則本篇強版本應被拒絕。
關鍵詞： relational cognition；cross-domain reasoning；analogy；structural alignment；cognitive distance；cognitive topology；re-representation；cognitive maps；semantic control；TADC
0. 邊界聲明
本文不是要主張：
「所有知識本質上都是一樣的。」
也不是：
「學科分類沒有意義。」
學科分類對：
知識累積；
教育；
方法論；
社群；
審查；
工具；
專業規範；
都具有重要功能。
本文研究的是另一個問題：
Are disciplinary boundaries the same as cognitive transition boundaries? \boxed{
\text{Are disciplinary boundaries
the same as cognitive transition boundaries?}
} Are disciplinary boundaries the same as cognitive transition boundaries? 本文提出的答案只是：
not necessarily . \boxed{
\text{not necessarily}.
} not necessarily . 此外，「關係優先」不是指：
relations always dominate objects . \text{relations always dominate objects}. relations always dominate objects . 而是：
在部分需要 transfer、analogy、abstraction、cross-domain inference 與 problem reformulation 的高階 cognition 中，relational structure 可能比表面 category labels 更能預測認知鄰接。
1. 從 TADC-02 的問題重新開始
TADC-02 已提出：
d d i s c i p l i n e ( x , y ) ≠ d c o g n i t i v e ( x , y ) . d_{\mathrm{discipline}}(x,y)
\neq
d_{\mathrm{cognitive}}(x,y). d discipline ( x , y ) = d cognitive ( x , y ) . 但當時只是概念區分。
TADC-06 的目標是：
定義這兩種距離；
找到可觀察 proxy；
建立競爭模型；
決定是否真的需要「跨域連續性」這個構念。
2. 外部分類距離
令外部 taxonomy：
Π e x t = { D 1 , D 2 , … , D m } . \Pi^{\mathrm{ext}}
=
\{
D_1,D_2,\ldots,D_m
\}. Π ext = { D 1 , D 2 , … , D m } . 每個 cognitive object：
x x x 可具有一個或多個外部分類標籤：
L e x t ( x ) . L_{\mathrm{ext}}(x). L ext ( x ) . 最簡距離：
d e x t ( x , y ) = { 0 , L ( x ) = L ( y ) , 1 , L ( x ) ≠ L ( y ) . d_{\mathrm{ext}}(x,y)
=
\begin{cases}
0,&L(x)=L(y),\\
1,&L(x)\neq L(y).
\end{cases} d ext ( x , y ) = { 0 , 1 , L ( x ) = L ( y ) , L ( x ) = L ( y ) . 但真實 taxonomy 通常 hierarchical。
因此可用 tree distance：
d e x t t r e e ( x , y ) d_{\mathrm{ext}}^{\mathrm{tree}}
(
x,y
) d ext tree ( x , y ) 或 ontology graph distance。
3. 外部分類距離的限制
兩個 concepts：
x , y x,y x , y 可能分別屬於：
D A , D B . D_A,
D_B. D A , D B . 即使：
d e x t ( x , y ) ≫ 0 , d_{\mathrm{ext}}(x,y)
\gg0, d ext ( x , y ) ≫ 0 , 它們可能共享：
feedback；
invariance；
conservation；
recursion；
optimization；
hierarchy；
phase transition；
information bottleneck；
control loop。
因此：
external label distance \boxed{
\text{external label distance}
} external label distance 不必等於：
structural reasoning distance . \boxed{
\text{structural reasoning distance}.
} structural reasoning distance . 4. Multiplex Relational Graph
定義 cognitive relational graph：
G t = ( V t , E t ( S ) , E t ( C ) , E t ( A ) , E t ( P ) , E t ( T ) , E t ( G ) , E t ( K ) ) . \mathcal G_t
=
(
V_t,
E_t^{(S)},
E_t^{(C)},
E_t^{(A)},
E_t^{(P)},
E_t^{(T)},
E_t^{(G)},
E_t^{(K)}
). G t = ( V t , E t ( S ) , E t ( C ) , E t ( A ) , E t ( P ) , E t ( T ) , E t ( G ) , E t ( K ) ) . 其中：
E ( S ) E^{(S)} E ( S ) E ( C ) E^{(C)} E ( C ) E ( A ) E^{(A)} E ( A ) E ( P ) E^{(P)} E ( P ) E ( T ) E^{(T)} E ( T ) E ( G ) E^{(G)} E ( G ) E ( K ) E^{(K)} E ( K )
因此 cognition 不在單一 semantic embedding 中發生，
而可能在：
multiplex relational space \boxed{
\text{multiplex relational space}
} multiplex relational space 中發生。
5. 關係認知距離
每種 relation：
r r r 有權重：
w r ( G t ) . w_r(G_t). w r ( G t ) . 定義 aggregate accessibility：
κ t ( x , y ∣ G t ) = F ( κ S , κ C , κ A , κ P , κ T , κ G , κ K ) . \kappa_t(x,y\mid G_t)
=
F
\left(
\kappa_S,
\kappa_C,
\kappa_A,
\kappa_P,
\kappa_T,
\kappa_G,
\kappa_K
\right). κ t ( x , y ∣ G t ) = F ( κ S , κ C , κ A , κ P , κ T , κ G , κ K ) . 若 path：
γ = x 0 → x 1 → ⋯ → x n , \gamma
=
x_0\rightarrow x_1\rightarrow\cdots\rightarrow x_n, γ = x 0 → x 1 → ⋯ → x n , 可定義：
K r e l ( γ ∣ G ) = − ∑ i = 0 n − 1 log κ ( x i , x i + 1 ∣ G ) . K_{\mathrm{rel}}(\gamma\mid G)
=
-\sum_{i=0}^{n-1}
\log
\kappa(
x_i,x_{i+1}\mid G
). K rel ( γ ∣ G ) = − i = 0 ∑ n − 1 log κ ( x i , x i + 1 ∣ G ) . 因此：
d r e l ( x , y ∣ G ) = min γ : x ⇝ y K r e l ( γ ∣ G ) . \boxed{
d_{\mathrm{rel}}(x,y\mid G)
=
\min_{\gamma:x\leadsto y}
K_{\mathrm{rel}}(\gamma\mid G).
} d rel ( x , y ∣ G ) = γ : x ⇝ y min K rel ( γ ∣ G ) . 6. 為什麼使用 goal-conditioned distance？
同兩個 concepts：
x , y x,y x , y 在不同問題下可能：
d r e l ( x , y ∣ G 1 ) ≪ d r e l ( x , y ∣ G 2 ) . d_{\mathrm{rel}}(x,y\mid G_1)
\ll
d_{\mathrm{rel}}(x,y\mid G_2). d rel ( x , y ∣ G 1 ) ≪ d rel ( x , y ∣ G 2 ) . 例如：
在：
G 1 = compare feedback structures G_1
=
\text{compare feedback structures} G 1 = compare feedback structures 時，
兩個不同學科系統可能非常近。
但在：
G 2 = compare empirical measurement protocols G_2
=
\text{compare empirical measurement protocols} G 2 = compare empirical measurement protocols 時，
它們可能非常遠。
因此：
d r e l = d r e l ( x , y ∣ G ) . \boxed{
d_{\mathrm{rel}}
=
d_{\mathrm{rel}}(x,y\mid G).
} d rel = d rel ( x , y ∣ G ) . 7. Relation-First Cognition Conjecture（RFCC）
RFCC 宣稱：
在至少部分高階推理與知識轉移任務中，goal-conditioned relational distance 比 external disciplinary distance 更能預測 transition cost、inference success 與 transfer。
形式：
Pred ( d r e l ) > Pred ( d e x t ) \boxed{
\operatorname{Pred}
(
d_{\mathrm{rel}}
)
>
\operatorname{Pred}
(
d_{\mathrm{ext}}
)
} Pred ( d rel ) > Pred ( d ext ) 在適當控制：
familiarity；
word similarity；
education；
exposure；
motor / perceptual demands；
後成立。
8. 「關係優先」不是「語義優先」
semantic similarity：
s s e m ( x , y ) s_{\mathrm{sem}}(x,y) s sem ( x , y ) 只是：
G \mathcal G G 的一層。
兩個表面語義很遠的情境：
s s e m ↓ s_{\mathrm{sem}}\downarrow s sem ↓ 可能仍有：
s s t r u c t ↑ . s_{\mathrm{struct}}\uparrow. s struct ↑ . 這正是 analogy literature 長期研究的核心現象之一。
所以：
relation-first ≠ semantic-similarity-first . \boxed{
\text{relation-first}
\neq
\text{semantic-similarity-first}.
} relation-first = semantic-similarity-first . 9. Analogical Mapping 的既有基礎
analogical reasoning 經常要求：
source ↔ target \text{source}
\leftrightarrow
\text{target} source ↔ target 表面 items 不同，
但：
relational structure \text{relational structure} relational structure 相似。
因此：
surface dissimilarity + structural similarity \boxed{
\text{surface dissimilarity}
+
\text{structural similarity}
} surface dissimilarity + structural similarity 不是新發現。
TADC-06 的新問題是：
這種 structural similarity 是否能被提升為對 cognitive transition distance 的一般描述？
10. 跨 modality analogy
Weinberger 等人（2022）研究 analogical mapping across sensory modalities，顯示 analogy ability 並不只局限於單一資訊 modality。
這支持：
relational mapping can cross surface representational format . \boxed{
\text{relational mapping can cross
surface representational format}.
} relational mapping can cross surface representational format . 但跨 modality 不等於跨 disciplinary domain。
因此只是鄰接證據。
11. Cross-Domain Generalization 的計算模型
Doumas、Puebla、Martin 與 Hummel（2022）提出 relation-learning / cross-domain generalization theory。
該模型能：
從簡單 visual stimuli 學 relational representations；
在 Breakout 與 Pong 等不同 domains 間 generalize；
在不同心理任務之間做 relational transfer。
這提供一個重要 possibility proof：
cross-domain transfer can be modeled through structured relational representations . \boxed{
\text{cross-domain transfer can be modeled
through structured relational representations}.
} cross-domain transfer can be modeled through structured relational representations . 但 computational sufficiency 不等於 human cognitive necessity。
12. Relational Re-representation
Lu、Wu 與 Holyoak 等人的 analogical re-representation work 顯示：
analogical mapping 過程中，
relation representation 本身可能發生改變，
以允許原本不完全相同的 relations 被重新對齊。
因此 analogy 不一定只是：
find existing isomorphism . \text{find existing isomorphism}. find existing isomorphism . 也可能：
transform representations so alignment becomes possible . \boxed{
\text{transform representations so alignment becomes possible}.
} transform representations so alignment becomes possible . 這與 TADC-01 的 ASTC 非常接近。
13. Relational Re-representation Conjecture（RRC）
本文提出更一般版本：
若：
x , y x,y x , y 原本：
d r e l ( t ) ( x , y ) ≫ 0 , d_{\mathrm{rel}}^{(t)}(x,y)
\gg0, d rel ( t ) ( x , y ) ≫ 0 , 經：
alignment / abstraction / schema induction \text{alignment / abstraction / schema induction} alignment / abstraction / schema induction 後：
d r e l ( t + 1 ) ( x , y ) < d r e l ( t ) ( x , y ) , d_{\mathrm{rel}}^{(t+1)}(x,y)
<
d_{\mathrm{rel}}^{(t)}(x,y), d rel ( t + 1 ) ( x , y ) < d rel ( t ) ( x , y ) , 則：
cognitive distance itself has been transformed . \boxed{
\text{cognitive distance itself has been transformed}.
} cognitive distance itself has been transformed . RRC 宣稱：
cross-domain reasoning can sometimes change the relational metric it uses . \boxed{
\text{cross-domain reasoning can sometimes
change the relational metric it uses}.
} cross-domain reasoning can sometimes change the relational metric it uses . 14. Schema Drift
Vagnino 與 Walker 的 2025/2026 Cognition work 研究：
abstract relational schemas \text{abstract relational schemas} abstract relational schemas 是否會在類比使用中改變。
結果指出 abstract schemas 在特定條件下確實會 drift。
這是一個很重要的鄰接結果：
relational abstraction itself can be plastic . \boxed{
\text{relational abstraction itself can be plastic}.
} relational abstraction itself can be plastic . 但 schema drift 不自動證明：
attention topology . \text{attention topology}. attention topology . 它只使：
R t ≠ R t + 1 \mathcal R_t
\neq
\mathcal R_{t+1} R t = R t + 1 變得更加實驗上可信。
15. Cross-Domain Continuity Conjecture（CDCC）
令一條 trajectory：
γ = ( x 0 , x 1 , … , x n ) . \gamma
=
(x_0,x_1,\ldots,x_n). γ = ( x 0 , x 1 , … , x n ) . 外部 taxonomy：
L e x t ( x i ) L_{\mathrm{ext}}(x_i) L ext ( x i ) 可能頻繁改變。
如果：
d r e l ( x i , x i + 1 ∣ G ) ≤ ϵ d_{\mathrm{rel}}
(
x_i,x_{i+1}
\mid G
)
\leq
\epsilon d rel ( x i , x i + 1 ∣ G ) ≤ ϵ 對大部分 (i) 成立，
則在 relational topology 中：
γ \gamma γ 仍是一條 low-cost path。
因此：
external domain discontinuity ⇏ relational cognitive discontinuity . \boxed{
\text{external domain discontinuity}
\not\Rightarrow
\text{relational cognitive discontinuity}.
} external domain discontinuity ⇒ relational cognitive discontinuity . 16. 跨域落差量
定義：
Δ c r o s s ( x , y ∣ G ) = d ^ e x t ( x , y ) − d ^ r e l ( x , y ∣ G ) \boxed{
\Delta_{\mathrm{cross}}
(
x,y\mid G
)
=
\widehat d_{\mathrm{ext}}(x,y)
-
\widehat d_{\mathrm{rel}}(x,y\mid G)
} Δ cross ( x , y ∣ G ) = d ext ( x , y ) − d rel ( x , y ∣ G ) 其中兩距離先標準化。
17. 四種情形
Type I — Same-domain / Relationally Local
d e x t ↓ , d r e l ↓ . d_{\mathrm{ext}}\downarrow,
\qquad
d_{\mathrm{rel}}\downarrow. d ext ↓ , d rel ↓ . 最普通。
Type II — Cross-domain / Relationally Local
d e x t ↑ , d r e l ↓ . d_{\mathrm{ext}}\uparrow,
\qquad
d_{\mathrm{rel}}\downarrow. d ext ↑ , d rel ↓ . 即：
Δ c r o s s ≫ 0. \Delta_{\mathrm{cross}}\gg0. Δ cross ≫ 0. 這是 TADC-06 最關注情形。
Type III — Same-domain / Relationally Distant
d e x t ↓ , d r e l ↑ . d_{\mathrm{ext}}\downarrow,
\qquad
d_{\mathrm{rel}}\uparrow. d ext ↓ , d rel ↑ . 外部分類相同，
但 cognition 可能需要大幅重建。
Type IV — Cross-domain / Relationally Distant
d e x t ↑ , d r e l ↑ . d_{\mathrm{ext}}\uparrow,
\qquad
d_{\mathrm{rel}}\uparrow. d ext ↑ , d rel ↑ . 真正的高成本跨域。
18. 所以「跨領域能力」本身也要重新拆
一般說某人：
cross-domain ability ↑ . \text{cross-domain ability}\uparrow. cross-domain ability ↑ . 可能至少表示：
A. Low Relational Distance
他已經建立很多跨 domain bridge。
B. High Translation Ability
即使 distance 大，
也能做 chart translation。
C. High Search Ability
能找出 hidden alignment。
D. High Re-representation Ability
能改造表示以產生 alignment。
E. High Re-indexing Ability
能換尺度重新描述問題。
因此：
cross-domain cognition ≠ one scalar talent . \boxed{
\text{cross-domain cognition}
\neq
\text{one scalar talent}.
} cross-domain cognition = one scalar talent . 19. Structural Alignment Score
對兩個 local structures：
U A , U B , U_A,
U_B, U A , U B , 定義候選：
S a l i g n ( U A , U B ) S_{\mathrm{align}}
(
U_A,U_B
) S align ( U A , U B ) 考慮：
role correspondence；
relation type correspondence；
causal ordering；
graph motif；
constraint structure；
goal role。
例如：
S a l i g n = α S R + β S C + γ S G + δ S M . S_{\mathrm{align}}
=
\alpha S_R
+
\beta S_C
+
\gamma S_G
+
\delta S_M. S align = α S R + β S C + γ S G + δ S M . 20. 高 alignment 不要求 item similarity
可能：
S i t e m ≈ 0 S_{\mathrm{item}}\approx0 S item ≈ 0 但：
S a l i g n ≈ 1. S_{\mathrm{align}}\approx1. S align ≈ 1. 這正是：
deep analogy . \boxed{
\text{deep analogy}.
} deep analogy . 所以 TADC 的 distance 應讓：
S a l i g n S_{\mathrm{align}} S align 降低：
d r e l . d_{\mathrm{rel}}. d rel . 21. Bridge Object / Bridge Relation
TADC-02 已定義 bridge object。
本文加入：
B α β = { b : b supports low-cost relational translation } . B_{\alpha\beta}
=
\{
b:
b
\text{ supports low-cost relational translation}
\}. B α β = { b : b supports low-cost relational translation } . bridge 不一定是一個 object。
它可能是一個 relation pattern：
r ∗ . r^*. r ∗ . 例如：
r ∗ = feedback loop . r^*
=
\text{feedback loop}. r ∗ = feedback loop . 則：
r ∗ r^* r ∗ 可以同時連接：
biology；
control engineering；
economics；
cognition。
22. Bridge Density
定義：
ρ B ( U A , U B ) = ∣ B A B ∣ ∣ U A ∣ + ∣ U B ∣ \rho_B
(
U_A,U_B
)
=
\frac{
|B_{AB}|
}{
|U_A|+|U_B|
} ρ B ( U A , U B ) = ∣ U A ∣ + ∣ U B ∣ ∣ B A B ∣ 或 weighted version：
ρ B w = ∑ b ∈ B w b . \rho_B^w
=
\sum_{b\in B}
w_b. ρ B w = b ∈ B ∑ w b . 候選預測：
ρ B ↑ ⇒ K s w i t c h ↓ . \rho_B\uparrow
\Rightarrow
K_{\mathrm{switch}}\downarrow. ρ B ↑⇒ K switch ↓ . 23. Translation Cost
沿用 TADC-02：
K α β = K r e t r i e v a l + K r e c o d e + K c o n t e x t + K l o s s . K_{\alpha\beta}
=
K_{\mathrm{retrieval}}
+
K_{\mathrm{recode}}
+
K_{\mathrm{context}}
+
K_{\mathrm{loss}}. K α β = K retrieval + K recode + K context + K loss . 加入：
K a l i g n . K_{\mathrm{align}}. K align . 因此：
K α β = K R + K C + K L + K A . \boxed{
K_{\alpha\beta}
=
K_R+K_C+K_L+K_A.
} K α β = K R + K C + K L + K A . 若：
S a l i g n ↑ , S_{\mathrm{align}}\uparrow, S align ↑ , 通常預測：
K A ↓ . K_A\downarrow. K A ↓ . 24. Cognitive Discontinuity Index
定義：
CDI ( x , y ) = α K c o n t e x t + β K a l i g n + γ K r e t r i e v a l + δ d r e l . \operatorname{CDI}(x,y)
=
\alpha K_{\mathrm{context}}
+
\beta K_{\mathrm{align}}
+
\gamma K_{\mathrm{retrieval}}
+
\delta d_{\mathrm{rel}}. CDI ( x , y ) = α K context + β K align + γ K retrieval + δ d rel . 如果：
C D I ↓ CDI\downarrow C D I ↓ 即使：
d e x t ↑ , d_{\mathrm{ext}}\uparrow, d ext ↑ , 實際 transition 可能仍然流暢。
25. 跨域連續不是「沒有切換」
重要限制：
如果：
L e x t ( x ) ≠ L e x t ( y ) , L_{\mathrm{ext}}(x)\neq L_{\mathrm{ext}}(y), L ext ( x ) = L ext ( y ) , 外部分類確實改變。
CDCC 不是否認這件事。
而是說：
categorical switch ≠ high cognitive discontinuity . \boxed{
\text{categorical switch}
\neq
\text{high cognitive discontinuity}.
} categorical switch = high cognitive discontinuity . 26. Relation-First 與 Category-First
定義兩種理想化 policy。
Category-First
先：
L ( x ) L(x) L ( x ) 再找 domain-specific method：
M L ( x ) . M_{L(x)}. M L ( x ) . 流程：
x → D i → M i . x
\rightarrow
D_i
\rightarrow
M_i. x → D i → M i . Relation-First
先抽：
R ( x ) \mathcal R(x) R ( x ) 再找：
R ( y ) ≈ R ( x ) . \mathcal R(y)
\approx
\mathcal R(x). R ( y ) ≈ R ( x ) . 流程：
x → r ∗ → { y 1 , y 2 , … } . x
\rightarrow
r^*
\rightarrow
\{y_1,y_2,\ldots\}. x → r ∗ → { y 1 , y 2 , … } . 27. 兩者不應被道德化
Category-first 在很多領域很有效：
法律；
medicine；
engineering standards；
taxonomy；
regulated procedure。
Relation-first 對：
analogy；
theory transfer；
creativity；
model reuse；
abstraction；
可能更有效。
所以：
relation-first ≠ universally superior . \boxed{
\text{relation-first}
\neq
\text{universally superior}.
} relation-first = universally superior . 它是一種 task-dependent policy。
28. Relation-First Policy Selector
令：
P R F = P ( relation-first ∣ G , X , R , C ) . P_{\mathrm{RF}}
=
P(
\text{relation-first}
\mid
G,
X,
R,
C
). P RF = P ( relation-first ∣ G , X , R , C ) . 如果 goal：
G G G 要求：
novel transfer；
cross-domain inference；
structural discovery；
則：
P R F ↑ P_{\mathrm{RF}}\uparrow P RF ↑ 可能更有效。
若要求：
strict compliance；
exact domain convention；
fixed procedure；
則：
P R F ↓ P_{\mathrm{RF}}\downarrow P RF ↓ 可能更有效。
29. Semantic Control 的鄰接證據
Wang 等人（2024）使用相同或高度匹配 stimuli，
比較：
global semantic association；
semantic feature matching；
non-semantic control tasks。
其結果顯示：
不同 retrieval demands 形成不同 macroscale brain-state configurations。
這支持：
same inputs can induce different effective relational retrieval states depending on goal . \boxed{
\text{same inputs can induce different effective
relational retrieval states depending on goal}.
} same inputs can induce different effective relational retrieval states depending on goal . 但這不是 RFCC 的直接證明。
30. Task-Space Cognitive Maps
Tan 等人（2025）顯示 medial / lateral OFC 等區域對 task-space cognitive map 有互補表徵，
支持：
task-relevant abstract state structure can be explicitly represented . \boxed{
\text{task-relevant abstract state structure
can be explicitly represented}.
} task-relevant abstract state structure can be explicitly represented . 這使：
d r e l ( x , y ∣ G ) d_{\mathrm{rel}}(x,y\mid G) d rel ( x , y ∣ G ) 不再只是語言遊戲。
但仍需行為與 neural data 共同驗證。
31. 關係空間可以不是唯一的
同一：
X X X 可有：
G ( c a u s a l ) , \mathcal G^{(causal)}, G ( c a u s a l ) , G ( s e m a n t i c ) , \mathcal G^{(semantic)}, G ( se man t i c ) , G ( p r o c e d u r a l ) . \mathcal G^{(procedural)}. G ( p r oce d u r a l ) . 因此：
one object set ≠ one cognitive topology . \boxed{
\text{one object set}
\neq
\text{one cognitive topology}.
} one object set = one cognitive topology . goal：
G G G 決定哪一層 weighting 上升。
32. Relation Layer Switching
如果從：
E ( S ) E^{(S)} E ( S ) 切到：
E ( C ) , E^{(C)}, E ( C ) , 即由 semantic similarity 看問題，
改成 causal structure 看問題，
這是一種：
relation-layer switch . \boxed{
\text{relation-layer switch}.
} relation-layer switch . 它可能：
X t = X t + 1 X_t=X_{t+1} X t = X t + 1 但：
d r e l ( t ) ≠ d r e l ( t + 1 ) . d_{\mathrm{rel}}^{(t)}
\neq
d_{\mathrm{rel}}^{(t+1)}. d rel ( t ) = d rel ( t + 1 ) . 這又是一種 TADC-01 式 space transformation。
33. 跨域推理的三階段
候選模型：
Stage 1 — Retrieval
找：
U B U_B U B 作為 candidate source。
Stage 2 — Alignment
計算：
S a l i g n ( U A , U B ) . S_{\mathrm{align}}(U_A,U_B). S align ( U A , U B ) . Stage 3 — Re-representation
必要時：
R A , R B → R ~ A , R ~ B \mathcal R_A,\mathcal R_B
\rightarrow
\widetilde{\mathcal R}_A,
\widetilde{\mathcal R}_B R A , R B → R A , R B 使共通結構可被抽取。
34. 第四階段：Transfer
建立：
M : U A ⇝ U B . M:
U_A
\rightsquigarrow
U_B. M : U A ⇝ U B . 如果：
M M M 支援 novel inference，
才算真正 cross-domain transfer。
單純說：
「這兩個很像。」
不夠。
35. 第五階段：Schema Update
從 source / target 對齊後形成：
S ∗ . S^*. S ∗ . 而：
S ∗ S^* S ∗ 會影響未來：
d r e l . d_{\mathrm{rel}}. d rel . 因此：
cross-domain transfer can alter future cross-domain distance . \boxed{
\text{cross-domain transfer
can alter future cross-domain distance}.
} cross-domain transfer can alter future cross-domain distance . 這是 RRC / schema-drift 方向最重要的推論。
36. Distance Plasticity
定義：
Δ d r e l = d r e l p o s t − d r e l p r e . \Delta d_{\mathrm{rel}}
=
d_{\mathrm{rel}}^{\mathrm{post}}
-
d_{\mathrm{rel}}^{\mathrm{pre}}. Δ d rel = d rel post − d rel pre . 若 alignment learning 後：
Δ d r e l < 0 , \Delta d_{\mathrm{rel}}<0, Δ d rel < 0 , 則 cognitive distance 被壓縮。
若錯誤 analogy 被修正：
Δ d r e l > 0 , \Delta d_{\mathrm{rel}}>0, Δ d rel > 0 , 則 cognitive distance 被拉開。
所以：
d r e l itself may be plastic . \boxed{
d_{\mathrm{rel}}
\text{ itself may be plastic}.
} d rel itself may be plastic . 37. Relation Compression
多個 domains：
D 1 , … , D n D_1,\ldots,D_n D 1 , … , D n 若共享：
r ∗ , r^*, r ∗ , 則可以 coarse-grain 成：
[ r ∗ ] \boxed{
[r^*]
} [ r ∗ ] 這是一個 relation-centered super-domain。
例如：
{ D 1 , D 2 , D 3 } → U r ∗ . \{D_1,D_2,D_3\}
\rightarrow
U_{r^*}. { D 1 , D 2 , D 3 } → U r ∗ . 這是一種 TADC-04 Re-indexing。
38. 所謂「沒有領域」的嚴格版本
本文不使用：
沒有任何領域。
而使用：
No fixed single partition is assumed to be cognitively privileged across all goals . \boxed{
\text{No fixed single partition is assumed
to be cognitively privileged across all goals}.
} No fixed single partition is assumed to be cognitively privileged across all goals . 中文：
不假定存在一套對所有目標都具有認知優先性的固定領域分割。
這比「領域不存在」精確得多。
39. 多個合法 atlas
同一：
X X X 可能有：
A ( d i s c i p l i n a r y ) , \mathfrak A^{(disciplinary)}, A ( d i sc i pl ina r y ) , A ( c a u s a l ) , \mathfrak A^{(causal)}, A ( c a u s a l ) , A ( f o r m a l ) , \mathfrak A^{(formal)}, A ( f or ma l ) , A ( p r o c e d u r a l ) . \mathfrak A^{(procedural)}. A ( p r oce d u r a l ) . 不同 atlas 可能都有效，
但適用 goal 不同。
因此：
multiple valid atlases ≠ no structure . \boxed{
\text{multiple valid atlases}
\neq
\text{no structure}.
} multiple valid atlases = no structure . 40. Relation-First Cognition 的風險：錯誤 analogy
若看到：
r A ≈ r B r_A\approx r_B r A ≈ r B 就過度 transfer，
可能造成：
false structural equivalence . \boxed{
\text{false structural equivalence}.
} false structural equivalence . 例如：
surface relation 類似但 causal mechanism 不同；
mathematical form 相同但 domain assumptions 不同；
control architecture 類似但 scale / noise regime 不同。
所以 RFCC 需要：
alignment + constraint checking . \boxed{
\text{alignment}
+
\text{constraint checking}.
} alignment + constraint checking . 41. Constraint-Preserving Mapping
一個合法 mapping：
M : U A → U B M:U_A\rightarrow U_B M : U A → U B 不能只保 relation names。
還要測：
C A → C B . C_A
\rightarrow
C_B. C A → C B . 定義：
Q M = S a l i g n − λ L c o n s t r a i n t . Q_M
=
S_{\mathrm{align}}
-
\lambda
L_{\mathrm{constraint}}. Q M = S align − λ L constraint . 其中：
L c o n s t r a i n t L_{\mathrm{constraint}} L constraint 是 constraint violation。
只有：
Q M > θ Q_M>\theta Q M > θ 才接受 transfer。
42. Cross-Domain Hallucination
在 human / AI reasoning 中，
若：
S s u r f a c e ↑ S_{\mathrm{surface}}\uparrow S surface ↑ 但：
S c o n s t r a i n t ↓ , S_{\mathrm{constraint}}\downarrow, S constraint ↓ , 仍強行 Gluing，
會產生：
cross-domain hallucination . \boxed{
\text{cross-domain hallucination}.
} cross-domain hallucination . 這裡 hallucination 只是廣義錯誤結構對齊，
不是精神醫學術語。
43. Detachment 在跨域研究中的必要性
TADC-03 的：
D = Detachment D
=
\text{Detachment} D = Detachment 在這裡尤其重要。
一個 analogy：
A ↔ B A\leftrightarrow B A ↔ B 部分成立，
不能因此所有 relations 都被 Gluing。
需要：
D [ R i n v a l i d ] . D[
R_{\mathrm{invalid}}
]. D [ R invalid ] . 因此成熟 relation-first cognition 不是：
G → G → G G\rightarrow G\rightarrow G G → G → G 而是：
G → test → D → G v a l i d . \boxed{
G
\rightarrow
\text{test}
\rightarrow
D
\rightarrow
G_{\mathrm{valid}}.
} G → test → D → G valid . 44. Cross-Domain Continuity Ratio
對 trajectory：
γ = ( x 1 , … , x n ) , \gamma=(x_1,\ldots,x_n), γ = ( x 1 , … , x n ) , 定義：
C C R ( γ ) = ∑ i 1 [ d r e l ( x i , x i + 1 ∣ G ) < θ ] n − 1 . CCR(\gamma)
=
\frac{
\sum_i
\mathbf 1[
d_{\mathrm{rel}}(x_i,x_{i+1}\mid G)<\theta
]
}{
n-1
}. C C R ( γ ) = n − 1 ∑ i 1 [ d rel ( x i , x i + 1 ∣ G ) < θ ] . 如果：
C C R → 1 , CCR\rightarrow1, C C R → 1 , 即使 external labels 頻繁改變，
trajectory 仍具有高 relational continuity。
45. External Switching Ratio
定義：
E S R ( γ ) = ∑ i 1 [ L e x t ( x i ) ≠ L e x t ( x i + 1 ) ] n − 1 . ESR(\gamma)
=
\frac{
\sum_i
\mathbf 1[
L_{\mathrm{ext}}(x_i)
\neq
L_{\mathrm{ext}}(x_{i+1})
]
}{
n-1
}. E S R ( γ ) = n − 1 ∑ i 1 [ L ext ( x i ) = L ext ( x i + 1 )] . 關鍵 signature：
E S R ↑ ∧ C C R ↑ . \boxed{
ESR\uparrow
\quad\land\quad
CCR\uparrow.
} E S R ↑ ∧ C C R ↑ . 也就是：
表面高跨域，內部高連續。
46. Relation-First Signature
因此候選 relation-first trajectory：
Θ R F = ( E S R , C C R , S a l i g n , K t r a n s l a t i o n , P r e t u r n , Q M ) . \Theta_{RF}
=
(
ESR,
CCR,
S_{\mathrm{align}},
K_{\mathrm{translation}},
P_{\mathrm{return}},
Q_M
). Θ R F = ( E S R , C C R , S align , K translation , P return , Q M ) . 如果：
E S R ↑ , C C R ↑ , K t r a n s l a t i o n ↓ , Q M ↑ , ESR\uparrow,
CCR\uparrow,
K_{\mathrm{translation}}\downarrow,
Q_M\uparrow, E S R ↑ , C C R ↑ , K translation ↓ , Q M ↑ , 比「random switching」更符合 RFCC。
47. 與 TADC-05 的連接
TADC-05：
H m a c r o ↓ ∧ H m i c r o ↑ . H_{\mathrm{macro}}\downarrow
\land
H_{\mathrm{micro}}\uparrow. H macro ↓ ∧ H micro ↑ . TADC-06 現在補：
即使 micro topics 跨 external disciplines：
H e x t − d o m a i n ↑ , H_{\mathrm{ext-domain}}\uparrow, H ext − domain ↑ , 只要：
C C R ↑ CCR\uparrow C C R ↑ 仍可屬於同一 higher-order cognitive complex。
因此：
domain hyperfocus \boxed{
\text{domain hyperfocus}
} domain hyperfocus 不必等於：
discipline hyperfocus . \boxed{
\text{discipline hyperfocus}.
} discipline hyperfocus . 48. Null Model 1：Taxonomy-Only
假設：
K s w i t c h = f ( d e x t ) . K_{\mathrm{switch}}
=
f(
d_{\mathrm{ext}}
). K switch = f ( d ext ) . 如果外部學科距離已穩定預測：
RT；
error；
transfer；
re-entry；
則 RFCC 沒必要。
49. Null Model 2：Surface Similarity
假設：
K s w i t c h = f ( 1 − s s u r f a c e ) . K_{\mathrm{switch}}
=
f(
1-s_{\mathrm{surface}}
). K switch = f ( 1 − s surface ) . 如果普通 lexical / perceptual / semantic similarity 已完整解釋，
不用 structural relation。
50. Null Model 3：Fixed Semantic Embedding
假設存在：
Z s e m Z_{\mathrm{sem}} Z sem 固定。
只需 embedding cosine distance：
d Z ( x , y ) d_Z(x,y) d Z ( x , y ) 即可。
如果：
d r e l d_{\mathrm{rel}} d rel 無法提供增量，
multiplex relational topology 沒必要。
51. Null Model 4：Ordinary Analogy
也可能 TADC-06 只是：
analogy theory renamed . \boxed{
\text{analogy theory renamed}.
} analogy theory renamed . 這是一個真正風險。
若 RFCC 只在 explicit analogy tasks 成立，
而無法預測：
spontaneous topic transition；
switching cost；
domain return；
research problem navigation；
那它應被限制為 analogy subtheory。
52. Null Model 5：Expertise Only
專家跨域流暢，
可能只是：
more knowledge . \text{more knowledge}. more knowledge . 如果控制：
expertise , familiarity , retrieval fluency \text{expertise},
\text{familiarity},
\text{retrieval fluency} expertise , familiarity , retrieval fluency 後，
relation distance 不再有預測力，
RFCC 被削弱。
53. Null Model 6：Random Association
高 branching：
ν s w i t c h ↑ \nu_{\mathrm{switch}}\uparrow ν switch ↑ 可能只是 diffuse association。
如果 transitions：
d r e l d_{\mathrm{rel}} d rel 並不比隨機 baseline 短，
則：
C C R CCR C C R 不成立。
54. 實驗一：Crossed Distance Matrix
建立四類 pairs：
same-domain / relationally near；
same-domain / relationally far；
cross-domain / relationally near；
cross-domain / relationally far。
控制：
familiarity；
word frequency；
surface similarity；
task difficulty。
測：
R T , A c c u r a c y , T r a n s f e r , M e m o r y . RT,
Accuracy,
Transfer,
Memory. R T , A cc u r a cy , T r an s f er , M e m or y . 55. 關鍵比較
RFCC 預測：
K ( cross-domain, relationally near ) < K ( same-domain, relationally far ) . K(
\text{cross-domain, relationally near}
)
<
K(
\text{same-domain, relationally far}
). K ( cross-domain, relationally near ) < K ( same-domain, relationally far ) . 如果反覆成立，
就是非常強的證據：
d r e l > d e x t in predictive importance . \boxed{
d_{\mathrm{rel}}
>
d_{\mathrm{ext}}
\text{ in predictive importance}.
} d rel > d ext in predictive importance . 56. 實驗二：Bridge Induction
先測：
d r e l p r e ( U A , U B ) . d_{\mathrm{rel}}^{pre}
(
U_A,U_B
). d rel p r e ( U A , U B ) . 再教一個 shared relational schema：
r ∗ . r^*. r ∗ . 之後測：
d r e l p o s t . d_{\mathrm{rel}}^{post}. d rel p os t . RRC 預測：
d r e l p o s t < d r e l p r e . d_{\mathrm{rel}}^{post}
<
d_{\mathrm{rel}}^{pre}. d rel p os t < d rel p r e . 57. 實驗三：False Bridge
建立 surface-similar 但 structurally invalid pair。
若 relation-first cognition 成熟，
經 constraint feedback 後應：
d r e l ↑ d_{\mathrm{rel}}\uparrow d rel ↑ 或：
Q M ↓ . Q_M\downarrow. Q M ↓ . 這直接測：
Detachment of false analogy . \boxed{
\text{Detachment of false analogy}.
} Detachment of false analogy . 58. 實驗四：Re-representation
提供兩個 relations：
r A , r B r_A,r_B r A , r B 初始不容易對齊。
經 analogy task 後測：
predicate interpretation；
relation categorization；
transfer；
change detection。
若 representations 本身改變：
R t → R t + 1 , \mathcal R_t
\rightarrow
\mathcal R_{t+1}, R t → R t + 1 , 支持 RRC。
59. 實驗五：Spontaneous Cross-Domain Navigation
不提示 analogy。
給 open-ended problem solving task。
記錄：
x 1 → x 2 → ⋯ x_1\rightarrow x_2\rightarrow\cdots x 1 → x 2 → ⋯ 並事後建立：
external labels；
semantic distance；
structural distance；
causal distance；
goal relevance。
測：
K s w i t c h K_{\mathrm{switch}} K switch 到底最受哪個 distance 預測。
60. 實驗六：Return Path
如果：
x i x_i x i 跨到：
y j y_j y j 再返回：
x i + k , x_{i+k}, x i + k , 測：
P r e t u r n P_{\mathrm{return}} P return 是否被 structural bridge 預測。
RFCC 預測：
S a l i g n ↑ ⇒ P r e t u r n ↑ . S_{\mathrm{align}}\uparrow
\Rightarrow
P_{\mathrm{return}}\uparrow. S align ↑⇒ P return ↑ . 61. 實驗七：Multi-Atlas Task
同一 object set：
X X X 先按：
A ( d i s c i p l i n a r y ) \mathfrak A^{(disciplinary)} A ( d i sc i pl ina r y ) 操作，
再按：
A ( c a u s a l ) \mathfrak A^{(causal)} A ( c a u s a l ) 或：
A ( f o r m a l ) \mathfrak A^{(formal)} A ( f or ma l ) 操作。
測：
performance；
switch cost；
novel inference；
neural representational geometry。
如果某 goal 下：
A ( c a u s a l ) \mathfrak A^{(causal)} A ( c a u s a l ) 明顯勝過：
A ( d i s c i p l i n a r y ) , \mathfrak A^{(disciplinary)}, A ( d i sc i pl ina r y ) , 支持 multiple-valid-atlas model。
62. 實驗八：Schema Drift
對同一 relational schema：
S S S 反覆應用到不同 domains：
D 1 , D 2 , … , D n . D_1,D_2,\ldots,D_n. D 1 , D 2 , … , D n . 追蹤：
S 0 → S 1 → ⋯ . S_0\rightarrow S_1\rightarrow\cdots. S 0 → S 1 → ⋯ . 測其：
boundary；
prototype；
inference pattern；
transfer errors。
如果 schema 會因應用 history 改變，
支持：
relation-space plasticity . \boxed{
\text{relation-space plasticity}.
} relation-space plasticity . 63. 八個核心可證偽命題
TADC6-H1 — Relational Distance Predicts Switching
控制 external taxonomy 後：
d r e l d_{\mathrm{rel}} d rel 仍預測：
K s w i t c h . K_{\mathrm{switch}}. K switch . TADC6-H2 — Cross-Domain Near Can Beat Same-Domain Far
存在：
K C N < K S F , K_{CN}
<
K_{SF}, K C N < K S F , 其中：
(CN)：cross-domain relationally near；
(SF)：same-domain relationally far。
TADC6-H3 — Bridge Learning Compresses Distance
d r e l p o s t < d r e l p r e . d_{\mathrm{rel}}^{post}
<
d_{\mathrm{rel}}^{pre}. d rel p os t < d rel p r e . TADC6-H4 — False Analogy Can Be Detached
constraint feedback 後：
Q M ↓ Q_M\downarrow Q M ↓ 且 erroneous transfer 減少。
TADC6-H5 — Relational Re-representation
analogical alignment 後：
R t ≠ R t + 1 \mathcal R_t
\neq
\mathcal R_{t+1} R t = R t + 1 具有獨立 behavioral signature。
TADC6-H6 — High ESR Can Coexist with High CCR
存在 trajectories：
E S R ↑ ∧ C C R ↑ . ESR\uparrow
\land
CCR\uparrow. E S R ↑ ∧ C C R ↑ . TADC6-H7 — Multiple Atlases Have Goal-Specific Value
不同：
A i \mathfrak A_i A i 對不同：
G j G_j G j 具有不同 predictive utility。
TADC6-H8 — Relation Model Adds Prediction
multiplex relational model：
M R M_R M R 必須在 out-of-sample prediction 上優於：
taxonomy；
surface similarity；
semantic embedding；
familiarity；
模型。
64. 什麼會殺掉 RFCC / CDCC？
F1 — Taxonomy Wins
若：
d e x t d_{\mathrm{ext}} d ext 穩定優於：
d r e l , d_{\mathrm{rel}}, d rel , RFCC 強版失敗。
F2 — Semantic Embedding Is Enough
若：
d Z d_Z d Z 完全吸收 structural relation effect，
multiplex model 過度複雜。
F3 — Relation Effect Disappears after Familiarity Control
若：
expertise / familiarity \text{expertise / familiarity} expertise / familiarity 解釋全部效果，
relation-first 不需要。
F4 — No High-ESR / High-CCR Trajectories
若 external domain switching 高時，
relational continuity 必然低，
CDCC 被否定。
F5 — Re-representation Is Not Needed
若 alignment 只是在固定 representation 中匹配，
RRC 強版失敗。
F6 — Schema Drift Has No Functional Consequence
若 schema representation 改變，
但不影響 future inference / transfer，
distance-plasticity 說法被削弱。
F7 — Relation-First Only Works in Explicit Analogy Tasks
則本篇應縮減為 analogy theory extension，
不能宣稱一般 cognitive-domain continuity。
65. Relation-First 的最小模型
令：
G t = ( V , E ( 1 ) , … , E ( m ) ) . \mathcal G_t
=
(V,E^{(1)},\ldots,E^{(m)}). G t = ( V , E ( 1 ) , … , E ( m ) ) . goal-conditioned weighting：
w t ( G ) = ( w 1 , … , w m ) . \mathbf w_t(G)
=
(
w_1,\ldots,w_m
). w t ( G ) = ( w 1 , … , w m ) . 有效 graph：
G t G = ∑ r w r ( G ) E ( r ) . \mathcal G_t^G
=
\sum_r
w_r(G)
E^{(r)}. G t G = r ∑ w r ( G ) E ( r ) . 認知距離：
d r e l G = d ( G t G ) . d_{\mathrm{rel}}^G
=
d(
\mathcal G_t^G
). d rel G = d ( G t G ) . 因此：
goal changes ⇒ effective topology changes . \boxed{
\text{goal changes}
\Rightarrow
\text{effective topology changes}.
} goal changes ⇒ effective topology changes . 66. Cross-Domain Continuity 的最小判準
對 trajectory：
γ . \gamma. γ . 若：
E S R ( γ ) ≥ θ E ESR(\gamma)\geq\theta_E E S R ( γ ) ≥ θ E 且：
C C R ( γ ) ≥ θ C , CCR(\gamma)\geq\theta_C, C C R ( γ ) ≥ θ C , 則稱：
surface-cross-domain but relationally continuous trajectory . \boxed{
\text{surface-cross-domain but relationally continuous trajectory}.
} surface-cross-domain but relationally continuous trajectory . 這只是描述性分類。
要升級成認知機制，
仍需：
C C R CCR C C R 預測 behavior / neural dynamics。
67. 與 TADC-03 六算子的統一
Relation-first cognition 可以直接映射到：
Expansion
發現新 source domain：
E . E. E . Traversal
沿 relational path：
T . T. T . Gluing
建立 analogy bridge：
G . G. G . Detachment
移除 invalid transfer：
D . D. D . Re-indexing
把兩個具體 domains 壓成：
r ∗ r^* r ∗ 的 abstract schema：
R − . R^-. R − . 再把 schema 套回新 domain：
R + . R^+. R + . 68. 一條典型跨域推理路徑
x A ⟶ E U B ⟶ G B A B ⟶ R − S ∗ ⟶ R + U C ⟶ D S v a l i d . x_A
\overset{E}{\longrightarrow}
U_B
\overset{G}{\longrightarrow}
B_{AB}
\overset{R^-}{\longrightarrow}
S^*
\overset{R^+}{\longrightarrow}
U_C
\overset{D}{\longrightarrow}
S_{\mathrm{valid}}. x A ⟶ E U B ⟶ G B A B ⟶ R − S ∗ ⟶ R + U C ⟶ D S valid . 這比：
A → B → C A\rightarrow B\rightarrow C A → B → C 的「換領域」描述多出了真正結構內容。
69. 與 TADC-04 的統一
若：
U A , U B , U C U_A,U_B,U_C U A , U B , U C 在 fine scale 是不同 domains，
但：
R − R^- R − 後都變成：
z r ∗ , z_{r^*}, z r ∗ , 則 coarse scale：
d r e l ( U A , U B ) → 0. d_{\mathrm{rel}}
(
U_A,U_B
)
\rightarrow0. d rel ( U A , U B ) → 0. 因此：
cross-domain distance can collapse under relational coarse-graining . \boxed{
\text{cross-domain distance can collapse
under relational coarse-graining}.
} cross-domain distance can collapse under relational coarse-graining . 這是 TADC-04 scale relativity 在跨域認知上的直接結果。
70. 與 TADC-05 的統一
若 long-focus trajectory：
γ \gamma γ 跨：
D 1 , D 2 , … , D n D_1,D_2,\ldots,D_n D 1 , D 2 , … , D n 但：
C C R ( γ ) ↑ CCR(\gamma)\uparrow C C R ( γ ) ↑ 且：
G C ↑ , G_C\uparrow, G C ↑ , 則這些 external switches 不一定破壞：
Topological Hyperfocus . \boxed{
\text{Topological Hyperfocus}.
} Topological Hyperfocus . 也就是：
disciplinary diversity ≠ attentional fragmentation . \boxed{
\text{disciplinary diversity}
\neq
\text{attentional fragmentation}.
} disciplinary diversity = attentional fragmentation . 71. Cross-Domain Entropy
外部分類 entropy：
H e x t = − ∑ D p ( D ) log p ( D ) . H_{\mathrm{ext}}
=
-\sum_Dp(D)\log p(D). H ext = − D ∑ p ( D ) log p ( D ) . relation-family entropy：
H R = − ∑ r p ( r ) log p ( r ) . H_R
=
-\sum_rp(r)\log p(r). H R = − r ∑ p ( r ) log p ( r ) . 一條 trajectory 可以：
H e x t ↑ H_{\mathrm{ext}}\uparrow H ext ↑ 但：
H R ↓ , H_R\downarrow, H R ↓ , 如果它一直在追同一種 structure。
例如跨很多 domains，
但都在追：
r ∗ = feedback . r^*
=
\text{feedback}. r ∗ = feedback . 72. 反過來也可能
外部 domain：
D D D 固定，
但 relation families：
r 1 , r 2 , … r_1,r_2,\ldots r 1 , r 2 , … 一直亂跳。
所以：
H e x t ↓ H_{\mathrm{ext}}\downarrow H ext ↓ 但：
H R ↑ . H_R\uparrow. H R ↑ . 這再次說明：
discipline entropy ≠ cognitive relation entropy . \boxed{
\text{discipline entropy}
\neq
\text{cognitive relation entropy}.
} discipline entropy = cognitive relation entropy . 73. Relation-Locked Attention
本文提出一個不等於 hyperfocus 的中性描述：
Relation-Locked Attention（RLA） . \boxed{
\text{Relation-Locked Attention（RLA）}.
} Relation-Locked Attention （ RLA ） . 若：
P ( r ∗ ∣ γ ) → 1 , P(r^*\mid\gamma)\rightarrow1, P ( r ∗ ∣ γ ) → 1 , 即使：
P ( D i ) P(D_i) P ( D i ) 分散，
可說 attention 長期鎖定某個 relation family。
這個構念比：
domain lock \text{domain lock} domain lock 更抽象。
74. RLA 與 THF 的差別
THF：
persistent evolving cognitive complex . \boxed{
\text{persistent evolving cognitive complex}.
} persistent evolving cognitive complex . RLA：
persistent relation family . \boxed{
\text{persistent relation family}.
} persistent relation family . RLA 可以是 THF 的一個 invariant：
I R ( K t ) = r ∗ . I_R(\mathcal K_t)=r^*. I R ( K t ) = r ∗ . 如果：
r ∗ r^* r ∗ 在多次 domain changes 中保持，
它可能就是 TADC-04 所求的 cross-scale invariant 候選之一。
75. 關係不變量
假設：
M i : U i → U i + 1 . M_i:
U_i\rightarrow U_{i+1}. M i : U i → U i + 1 . 如果：
I R ( U i ) = I R ( U i + 1 ) , I_R(U_i)
=
I_R(U_{i+1}), I R ( U i ) = I R ( U i + 1 ) , 則：
I R I_R I R 是 relational invariant。
例如：
feedback structure \boxed{
\text{feedback structure}
} feedback structure 可能在 biological / computational / social systems 中保持。
但真正合法 transfer 還要保：
constraints . \text{constraints}. constraints . 76. Relation Invariant ≠ Mechanism Identity
兩個 systems 共享：
I R I_R I R 不表示：
mechanism A = mechanism B . \text{mechanism}_A
=
\text{mechanism}_B. mechanism A = mechanism B . 因此：
structural invariance ≠ ontological identity . \boxed{
\text{structural invariance}
\neq
\text{ontological identity}.
} structural invariance = ontological identity . 這是避免跨域理論過度膨脹的重要限制。
77. 可驗證的「領域沒有領域」版本
最強但仍合法的命題不是：
there are no domains . \text{there are no domains}. there are no domains . 而是：
No single external domain partition is assumed to dominate cognitive adjacency for every high-level goal. \boxed{
\text{No single external domain partition
is assumed to dominate cognitive adjacency
for every high-level goal.}
} No single external domain partition is assumed to dominate cognitive adjacency for every high-level goal. 若實驗最後顯示：
Π e x t \Pi^{\mathrm{ext}} Π ext 在所有 task 上都最有預測力，
這句就被否定。
78. 研究方法上的重要後果
若 RFCC 可能成立，
研究 cross-domain cognition 時不能只記：
how many labels changed . \text{how many labels changed}. how many labels changed . 還要記：
relational distance；
mapping quality；
bridge structure；
constraint preservation；
re-representation；
return path；
goal continuity。
否則會把：
relational traversal \boxed{
\text{relational traversal}
} relational traversal 誤判成：
cognitive fragmentation . \boxed{
\text{cognitive fragmentation}.
} cognitive fragmentation . 79. TADC-06 最小預測模型
定義 switch cost：
K i → j = β 0 + β 1 d e x t + β 2 d s e m + β 3 d r e l + β 4 F + β 5 E + ϵ . K_{i\rightarrow j}
=
\beta_0
+
\beta_1d_{\mathrm{ext}}
+
\beta_2d_{\mathrm{sem}}
+
\beta_3d_{\mathrm{rel}}
+
\beta_4F
+
\beta_5E
+
\epsilon. K i → j = β 0 + β 1 d ext + β 2 d sem + β 3 d rel + β 4 F + β 5 E + ϵ . 其中：
(F)：familiarity；
(E)：expertise。
RFCC 最小要求：
β 3 > 0 \boxed{
\beta_3>0
} β 3 > 0 且加入：
d r e l d_{\mathrm{rel}} d rel 後，
out-of-sample prediction 提升。
80. 強版本預測
更強：
∣ β 3 ∣ > ∣ β 1 ∣ |\beta_3|
>
|\beta_1| ∣ β 3 ∣ > ∣ β 1 ∣ 在 cross-domain transfer task 中成立。
但本文不把這個不等式當必要條件。
只要：
Δ Prediction d r e l > 0 \Delta\operatorname{Prediction}_{d_{\mathrm{rel}}}>0 Δ Prediction d rel > 0 就有增量價值。
81. 最小資料集
一個未來 dataset 至少應有：
{ x i , L i , G i , R i j , d s e m , d r e l , t i , K i , Y i } . \{
x_i,
L_i,
G_i,
R_{ij},
d_{\mathrm{sem}},
d_{\mathrm{rel}},
t_i,
K_i,
Y_i
\}. { x i , L i , G i , R ij , d sem , d rel , t i , K i , Y i } . 其中：
cognitive state；
external label；
goal；
relation type；
distances；
timestamp；
switch cost；
outcome。
這樣才能真正驗證：
d e x t d_{\mathrm{ext}} d ext 與：
d r e l d_{\mathrm{rel}} d rel 誰更重要。
82. 不能只靠自我報告
一個 participant 說：
我覺得這兩個領域其實一樣。
不是證據。
必須有：
RT；
error；
transfer；
novel inference；
eye tracking；
transition sequence；
neural representation；
predictive model；
等 independent observables。
因此：
subjective continuity ≠ measured continuity . \boxed{
\text{subjective continuity}
\neq
\text{measured continuity}.
} subjective continuity = measured continuity . 83. 也不能只靠 embedding
LLM embedding：
z ( x ) z(x) z ( x ) 可以估 semantic distance，
但：
embedding similarity ≠ human relational distance . \boxed{
\text{embedding similarity}
\neq
\text{human relational distance}.
} embedding similarity = human relational distance . 尤其：
causal；
procedural；
analogical；
goal；
關係可能和一般 semantic embedding 不一致。
embedding 可以是 proxy，
不能直接當 ground truth。
84. 人–AI 情境暫時不在本篇證明
AI 可以：
找 analogy；
補 bridge；
保存 context；
降低 retrieval cost；
建 relational graphs。
這可能大幅改變：
d r e l e f f e c t i v e . d_{\mathrm{rel}}^{\mathrm{effective}}. d rel effective . 但那是 TADC-07 的主題。
TADC-06 先建立：
relation-first cognition \boxed{
\text{relation-first cognition}
} relation-first cognition 本身。
85. 核心理論總結
本文提出：
G t G = ∑ r w r ( G ) E ( r ) \boxed{
\mathcal G_t^G
=
\sum_r
w_r(G)E^{(r)}
} G t G = r ∑ w r ( G ) E ( r ) 以及：
d r e l ( x , y ∣ G ) = min γ : x ⇝ y K r e l ( γ ∣ G ) . \boxed{
d_{\mathrm{rel}}(x,y\mid G)
=
\min_{\gamma:x\leadsto y}
K_{\mathrm{rel}}(\gamma\mid G).
} d rel ( x , y ∣ G ) = γ : x ⇝ y min K rel ( γ ∣ G ) . 與外部分類：
d e x t ( x , y ) d_{\mathrm{ext}}(x,y) d ext ( x , y ) 比較。
86. 三個根猜想
RFCC
d r e l adds predictive value beyond d e x t . \boxed{
d_{\mathrm{rel}}
\text{ adds predictive value beyond }
d_{\mathrm{ext}}.
} d rel adds predictive value beyond d ext . CDCC
E S R ↑ ∧ C C R ↑ \boxed{
ESR\uparrow
\land
CCR\uparrow
} E S R ↑ ∧ C C R ↑ 的 trajectory 可以存在。
RRC
d r e l p o s t ≠ d r e l p r e \boxed{
d_{\mathrm{rel}}^{post}
\neq
d_{\mathrm{rel}}^{pre}
} d rel p os t = d rel p r e 因 alignment / re-representation / schema change 而發生。
87. 結論
本文將「跨領域」從一個單一類別事件：
D i → D j D_i\rightarrow D_j D i → D j 重寫為兩個彼此可分離的問題：
第一：
external taxonomy changed? \boxed{
\text{external taxonomy changed?}
} external taxonomy changed? 第二：
effective relational state changed discontinuously? \boxed{
\text{effective relational state changed discontinuously?}
} effective relational state changed discontinuously? 兩者不必相同。
因此：
external categorical discontinuity ⇏ internal cognitive discontinuity . \boxed{
\text{external categorical discontinuity}
\not\Rightarrow
\text{internal cognitive discontinuity}.
} external categorical discontinuity ⇒ internal cognitive discontinuity . 本文提出：
Δ c r o s s = d e x t − d r e l \boxed{
\Delta_{\mathrm{cross}}
=
d_{\mathrm{ext}}
-
d_{\mathrm{rel}}
} Δ cross = d ext − d rel 來描述外部分類與內部關係距離的落差。
當：
Δ c r o s s ≫ 0 , \Delta_{\mathrm{cross}}\gg0, Δ cross ≫ 0 , 外界可能看到：
大幅跨領域。
但 cognition 可能只是：
traversing a short relational path . \boxed{
\text{traversing a short relational path}.
} traversing a short relational path . 現有 analogical reasoning、cross-domain generalization、re-representation、schema drift、semantic control 與 task-space cognitive-map literature 都說明：
surface category 並非唯一有效結構；
relational mapping 可以跨 representation format；
relational representations 可以支援 transfer；
relation representations 本身可能改變；
task goal 可以重配置有效認知／腦狀態。
但這些仍不足以證明：
relation-first topology is the general architecture of human cognition . \boxed{
\text{relation-first topology
is the general architecture of human cognition}.
} relation-first topology is the general architecture of human cognition . 所以本篇接受明確反證：
如果：
external taxonomy；
semantic embedding；
familiarity；
ordinary analogy；
已能完整預測 switching、transfer 與 return，
則 RFCC 不需要。
如果：
E S R ↑ ESR\uparrow E S R ↑ 必然伴隨：
C C R ↓ , CCR\downarrow, C C R ↓ , 則 CDCC 失敗。
如果 relational representations 在 cross-domain use 後沒有功能性塑形，
RRC 強版本失敗。
因此 TADC-06 的最終命題不是：
「領域不存在。」
而是：
No single fixed domain partition should be assumed to define cognitive adjacency before relational structure is measured. \boxed{
\text{No single fixed domain partition
should be assumed to define cognitive adjacency
before relational structure is measured.}
} No single fixed domain partition should be assumed to define cognitive adjacency before relational structure is measured. 中文：
在測量關係結構之前，不應先假定任何單一固定領域分割必然等於認知鄰接結構。
若這個命題成立，
「跨領域能力」就不再只是：
ability to jump far . \boxed{
\text{ability to jump far}.
} ability to jump far . 它可能同時包括：
ability to discover that two apparently distant regions were structurally adjacent all along . \boxed{
\text{ability to discover that two apparently distant regions
were structurally adjacent all along}.
} ability to discover that two apparently distant regions were structurally adjacent all along . 而這正是 TADC-07 的入口：
如果 AI、外部記憶與多智能體系統可以主動保存 context、發現 bridge、建立 relation graph，那它們是否不只是「幫人算得更快」，而是在直接改變有效認知距離與可達拓樸？
參考文獻
Wang X, Krieger-Redwood K, Cui Y, Smallwood J, Du Y, Jefferies E, et al. Macroscale brain states support the control of semantic cognition. Communications Biology . 2024;7:926. doi:10.1038/s42003-024-06630-7.
Tan L, Qiu Y, Qiu L, et al. The medial and lateral orbitofrontal cortex jointly represent the cognitive map of task space. Communications Biology . 2025;8:163. doi:10.1038/s42003-025-07588-w. PMID: 39900714.
Qiu Y, Li H, Liao J, et al. Forming cognitive maps for abstract spaces: the roles of the human hippocampus and orbitofrontal cortex. Communications Biology . 2024;7:517. doi:10.1038/s42003-024-06214-5. PMID: 38693344.
Weinberger AB, Gallagher NM, Warren T, Green AE. Analogical mapping across sensory modalities and evidence for a general analogy factor. Cognition . 2022;223:105029. doi:10.1016/j.cognition.2022.105029. PMID: 35091260.
Kroczek B, Ciechanowska I, Chuderski A. Uncovering the course of analogical mapping using eye tracking. Cognition . 2022;225:105140. doi:10.1016/j.cognition.2022.105140. PMID: 35483161.
Doumas LAA, Puebla G, Martin AE, Hummel JE. A theory of relation learning and cross-domain generalization. Psychological Review . 2022;129(5):999–1041. doi:10.1037/rev0000346. PMID: 35113620.
Evidence of analogical re-representation from a change detection task. Cognition . 2019. doi:10.1016/j.cognition.2019.04.031. PMID: 31075695. Vagnino R, Walker C. Schema drift: Relational concepts and conceptual change. Cognition . 2026;271:106418. doi:10.1016/j.cognition.2025.106418. PMID: 41494364.
Garvert MM, Dolan RJ, Behrens TEJ. A map of abstract relational knowledge in the human hippocampal-entorhinal cortex. eLife . 2017;6:e17086. doi:10.7554/eLife.17086.
Park SA, Miller DS, Nili H, Ranganath C, Boorman ED. Map Making: Constructing, Combining, and Inferring on Abstract Cognitive Maps. Neuron . 2020;107(6):1226–1238.e8. doi:10.1016/j.neuron.2020.06.030.
Behrens TEJ, Muller TH, Whittington JCR, et al. What Is a Cognitive Map? Organizing Knowledge for Flexible Behavior. Neuron . 2018;100(2):490–509. doi:10.1016/j.neuron.2018.10.002.
Holyoak KJ, Thagard P. The analogical mind. American Psychologist . 1997;52(1):35–44. PMID: 9017931.
Semantic Structural Alignment of Neural Representational Spaces Enables Translation between English and Chinese Words. Journal of Cognitive Neuroscience . 2016. doi:10.1162/jocn_a_01000. PMID: 27315264. Qiu Y, et al. Dynamic changes in orbitofrontal-hippocampal connectivity linked to cognitive map formation in humans. NeuroImage . 2025;318:121415. PMID: 40780573.
與系列的關係
已完成：
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-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——宏觀／微觀的相對性與多尺度重索引》
TADC-05：《從單點超專注到拓樸超專注——域級持續性、內部高熵遍歷與可控退出》
TADC-06：《關係優先認知與跨域連續性——從學科距離到關係距離的認知拓樸猜想》
下一篇：
TADC-07：《外部認知支架與人—AI 認知拓樸》
後續：
TADC-08：《拓樸注意力的測量、反證與工程化》
狀態： TADC-06 v0.1原始人體／臨床數據： 無理論狀態： 猜想／研究綱領；未經一般性實驗驗證跨域狀態： RFCC / CDCC / RRC 均為待驗證命題拓樸狀態： relational topology 為 goal-conditioned multiplex accessibility 的候選形式，不宣稱已建立嚴格數學拓樸