選擇底空間與選擇算子族：從人格描述到動態主體建模
從選擇痕跡、條件化逆向到「選擇束後的下一個底空間」
English Title: Choice Bottom-Space and Choice-Operator Families: From Trait Description to Dynamic Subject Modeling — From Choice Traces and Conditional Inference to the Next Bottom-Space After a Choice Bundle 系列： 三域耦合普世倫理與主體不可替代論系列（Tri-Domain Coupled Universal Ethics and Subject Non-Substitutability Series, TCUE-SNS）篇次： Paper 03 / 11作者： Neo.K（許筌崴）× Aletheia（GPT-5.6 Sol）機構： EveMissLab／一言諾科技有限公司版本： v0.1日期： 2026-08-15文件定位： 動態主體建模／選擇理論／認知算子逆向／計算人格學批判／元認知接口／預測倫理狀態： 理論提出版。本文提出選擇底空間、選擇束、選擇算子族、條件化逆向、算子漂移、底空間更新、預測非命定與資料解析度限制等定義與命題；不宣稱人格可被完整還原，不宣稱可由有限歷史唯一推出未來，不宣稱觀察到的規律等於主體本質。
摘要
傳統人格描述常把一個人表示為若干相對穩定的特徵、類型、偏好或統計向量。這些方法在心理測量、行為預測與個體差異研究中具有價值，但若研究目標進一步轉向「一個主體在不同歷史、情境、資訊、資源、關係與第一人稱狀態下如何生成選擇」，單一人格向量便不足以承擔整個問題。本文提出「選擇底空間與選擇算子族」（Choice Bottom-Space and Choice-Operator Families, CBS-COF）框架，把主體建模從固定人格本質轉向條件化、動態、可修正的選擇生成結構。
對任一主體 S S S t t t
B S ( t ) = ( H S ( t ) , E S ( t ) , I S ( t ) , R S ( t ) , C S ( t ) , G S ( t ) , M S ( t ) , S S 1 p ( t ) , K S ( t ) ) \boxed{
\mathbb B_S(t)
=
\left(
H_S(t),
E_S(t),
I_S(t),
R_S(t),
C_S(t),
G_S(t),
M_S(t),
\mathcal S_S^{1p}(t),
\mathcal K_S(t)
\right)
} B S ( t ) = ( H S ( t ) , E S ( t ) , I S ( t ) , R S ( t ) , C S ( t ) , G S ( t ) , M S ( t ) , S S 1 p ( t ) , K S ( t ) ) 其中 H H H E E E I I I R R R C C C G G G M M M S 1 p \mathcal S^{1p} S 1 p K \mathcal K K
在底空間上，本文不假定只有單一固定策略，而定義選擇算子族：
O S ( t ) = { Ω S , 1 ( t ) , Ω S , 2 ( t ) , … } \boxed{
\mathfrak O_S(t)
=
\left\{
\Omega_{S,1}^{(t)},
\Omega_{S,2}^{(t)},
\ldots
\right\}
} O S ( t ) = { Ω S , 1 ( t ) , Ω S , 2 ( t ) , … } 其中單一算子可表示為：
Ω S , i ( t ) : B S ( t ) × X t ⇀ Δ ( C S ( t ) ) , \Omega_{S,i}^{(t)}:
\mathbb B_S(t)
\times
\mathcal X_t
\rightharpoonup
\Delta\left(\mathcal C_S(t)\right), Ω S , i ( t ) : B S ( t ) × X t ⇀ Δ ( C S ( t ) ) , 即在特定底空間與局部輸入 X t \mathcal X_t X t C S ( t ) \mathcal C_S(t) C S ( t )
本文的核心動力不是一次選擇，而是「選擇束後的下一個底空間」。定義選擇束：
b S ( t ) = ( χ t , ρ t , η t , κ t , μ t ) \boxed{
\mathbf b_S(t)
=
\left(
\chi_t,
\rho_t,
\eta_t,
\kappa_t,
\mu_t
\right)
} b S ( t ) = ( χ t , ρ t , η t , κ t , μ t ) 其中 χ t \chi_t χ t ρ t \rho_t ρ t η t \eta_t η t κ t \kappa_t κ t μ t \mu_t μ t
B S ( t + 1 ) = F B ( B S ( t ) , b S ( t ) , Δ W t ) \boxed{
\mathbb B_S(t+1)
=
F_B\left(
\mathbb B_S(t),
\mathbf b_S(t),
\Delta W_t
\right)
} B S ( t + 1 ) = F B ( B S ( t ) , b S ( t ) , Δ W t ) 而算子族亦可更新：
O S ( t + 1 ) = F O ( O S ( t ) , B S ( t + 1 ) , b S ( t ) , E t ) . \boxed{
\mathfrak O_S(t+1)
=
F_O\left(
\mathfrak O_S(t),
\mathbb B_S(t+1),
\mathbf b_S(t),
\mathcal E_t
\right).
} O S ( t + 1 ) = F O ( O S ( t ) , B S ( t + 1 ) , b S ( t ) , E t ) . 因此，一個人的選擇不只是由既有結構產生；它也反過來改寫下一次選擇發生的底空間。這使主體建模具有反身、歷史依賴與路徑生成性。
本文承接 GCORF 的 Source–Operator Non-Identity，提出：由選擇痕跡推得的只是候選算子族 O ^ S \widehat{\mathfrak O}_S O S
外部研究已提供若干重要鄰近證據：Bayesian inverse planning 顯示可由行動反推目標假設；動態計算表型研究顯示個體計算參數會隨練習、情緒與時間改變；近期 preference learning 與 dynamic preference inference 研究則明確處理隱藏效用、情境效應與隨時間漂移的偏好。本文不把這些方法等同於完整主體模型，而把它們視為「局部算子／局部底空間」可被實證估計的證據。
本文的核心句為：
A subject is not a fixed trait vector, but neither is the subject exhausted by a choice model. \boxed{
\text{A subject is not a fixed trait vector, but neither is the subject exhausted by a choice model.}
} A subject is not a fixed trait vector, but neither is the subject exhausted by a choice model. 以及：
Choice generates history; history reshapes the next choice-space. \boxed{
\text{Choice generates history; history reshapes the next choice-space.}
} Choice generates history; history reshapes the next choice-space. 關鍵詞： 選擇底空間、選擇算子族、動態主體、人格本質化、inverse planning、computational phenotyping、偏好漂移、元認知、選擇束、路徑依賴、GCORF、RMRM、UBE、預測倫理
0. 問題的提出：我們到底是在研究「人」，還是在研究「選擇生成結構」？
如果觀察一個人十年，收集其論文、對話、程式碼、投票、購買、創作、修訂、合作、拒絕、妥協、冒險與反思，我們能不能從中重建某種穩定結構？
直覺答案是：可以，至少部分可以。
但一旦把問題寫成：
Data → Profile → Person , \text{Data}
\rightarrow
\text{Profile}
\rightarrow
\text{Person}, Data → Profile → Person , 就會出現一個危險跳躍。
因為觀察到的痕跡可以支援：
conditional regularity , \text{conditional regularity}, conditional regularity , 卻未必支援：
timeless essence . \text{timeless essence}. timeless essence . 本文因此把研究目標從：
「這個人本質上是什麼？」 \boxed{\text{「這個人本質上是什麼？」}} 「這個人本質上是什麼？」 改成：
「在什麼底空間下，哪些選擇算子會被激活、如何組合、如何更新？」 \boxed{
\text{「在什麼底空間下，哪些選擇算子會被激活、如何組合、如何更新？」}
} 「在什麼底空間下，哪些選擇算子會被激活、如何組合、如何更新？」 這不是降低對人的研究解析度，反而是把問題拆得更精確。
1. 與 Paper 01 的接口：三域中的「選擇」位置
Paper 01 定義：
Σ S = ( L S , A S , S S 1 p ) . \Sigma_S
=
\left(
\mathcal L_S,
\mathcal A_S,
\mathcal S_S^{1p}
\right). Σ S = ( L S , A S , S S 1 p ) . 其中：
L S \mathcal L_S L S A S \mathcal A_S A S S S 1 p \mathcal S_S^{1p} S S 1 p
本文主要展開 A S \mathcal A_S A S
因為任何選擇都受到：
L S ⋈ A S ⋈ S S 1 p \mathcal L_S
\bowtie
\mathcal A_S
\bowtie
\mathcal S_S^{1p} L S ⋈ A S ⋈ S S 1 p 的共同影響。
例如，一個人在第三人稱觀察下做出相同的拒絕行為，可能分別來自：
價值拒絕 , 風險避讓 , 疲勞 , 策略性延遲 , 表演 , 誤解 . \text{價值拒絕},
\quad
\text{風險避讓},
\quad
\text{疲勞},
\quad
\text{策略性延遲},
\quad
\text{表演},
\quad
\text{誤解}. 價值拒絕 , 風險避讓 , 疲勞 , 策略性延遲 , 表演 , 誤解 . 所以外顯行為不能單獨完成主體建模。
2. 與 Paper 02 的接口：可建模不等於可替代
Paper 02 已提出：
ExternalModel ( S ) ⇏ FirstPersonReplacement ( S ) . \operatorname{ExternalModel}(S)
\not\Rightarrow
\operatorname{FirstPersonReplacement}(S). ExternalModel ( S ) ⇒ FirstPersonReplacement ( S ) . 本文進一步強調：
O ^ S ≠ S . \boxed{
\widehat{\mathfrak O}_S
\neq
S.
} O S = S . 即使 O ^ S \widehat{\mathfrak O}_S O S
a model of conditional choice generation , \text{a model of conditional choice generation}, a model of conditional choice generation , 而不是：
the ontological totality of the subject . \text{the ontological totality of the subject}. the ontological totality of the subject . 因此 Paper 02 解決「模型不能免費變成人」，Paper 03 解決「模型到底應該建成什麼樣，才不會從一開始就把人本質化」。
3. 與 GCORF 的接口：Source–Operator Non-Identity
GCORF 已建立：
S → EvidenceExtraction D S → Reconstruct O ^ S , S
\xrightarrow{\operatorname{EvidenceExtraction}}
D_S
\xrightarrow{\operatorname{Reconstruct}}
\widehat{\mathfrak O}_S, S EvidenceExtraction D S Reconstruct O S , 並要求：
S ≠ Ω . \boxed{
S\neq\Omega.
} S = Ω. Paper 03 將這一原則推到一般主體選擇：
Subject ≠ Choice Trace ≠ Choice Operator ≠ Choice Model . \boxed{
\text{Subject}
\neq
\text{Choice Trace}
\neq
\text{Choice Operator}
\neq
\text{Choice Model}.
} Subject = Choice Trace = Choice Operator = Choice Model . 這四者之間可以存在映射，但不能無條件同一。
4. 為什麼「人格向量」不夠？
傳統表示可能寫成：
p S = ( p 1 , … , p n ) . \mathbf p_S
=
\left(
p_1,
\ldots,
p_n
\right). p S = ( p 1 , … , p n ) . 它可以很好地回答：
在某套測量制度下，這個人在若干維度上相對於群體的位置是什麼？
但它不一定回答：
當環境改變、資訊增加、關係重組、身份受威脅、目標衝突、情緒變化或主體反思自身模型後，下一個選擇如何生成？
因此：
Trait Description ≢ Choice Generation Model . \boxed{
\text{Trait Description}
\not\equiv
\text{Choice Generation Model}.
} Trait Description ≡ Choice Generation Model . 5. 選擇底空間的最小定義
對主體 S S S t t t
B S ( t ) = ( H t , E t , I t , R t , C t , G t , M t , S t 1 p , K t ) S . \boxed{
\mathbb B_S(t)
=
\left(
H_t,
E_t,
I_t,
R_t,
C_t,
G_t,
M_t,
\mathcal S_t^{1p},
\mathcal K_t
\right)_S.
} B S ( t ) = ( H t , E t , I t , R t , C t , G t , M t , S t 1 p , K t ) S . 此處每一項都不是唯一形式，而是 typed slot。
其目的不是聲稱已找到人類決策的九個終極原語，而是提供一個最低可擴張容器。
6. 歷史分量 H t H_t H t
H t H_t H t
H t = { prior choices , outcomes , commitments , losses , learning , relationships } . H_t
=
\left\{
\text{prior choices},
\text{outcomes},
\text{commitments},
\text{losses},
\text{learning},
\text{relationships}
\right\}. H t = { prior choices , outcomes , commitments , losses , learning , relationships } . 本文不要求保存「全部過去」。
而要求：
H t = RelevantHistory Π ( S , t ) , \boxed{
H_t
=
\operatorname{RelevantHistory}_{\Pi}(S,t),
} H t = RelevantHistory Π ( S , t ) , 其中 Π \Pi Π
7. 環境分量 E t E_t E t
E t E_t E t
physical , social , institutional , digital , symbolic \text{physical},
\quad
\text{social},
\quad
\text{institutional},
\quad
\text{digital},
\quad
\text{symbolic} physical , social , institutional , digital , symbolic 環境條件。
同一個主體在不同 E t E_t E t
Ω S ( B S ( 1 ) ) ≠ Ω S ( B S ( 2 ) ) . \Omega_S
\left(
\mathbb B_S^{(1)}
\right)
\neq
\Omega_S
\left(
\mathbb B_S^{(2)}
\right). Ω S ( B S ( 1 ) ) = Ω S ( B S ( 2 ) ) . 8. 資訊分量 I t I_t I t
選擇不是只由偏好產生。
一個主體可能在新證據出現後改變選擇：
I t → I t + 1 ⇒ χ t ≠ χ t + 1 . I_t
\rightarrow
I_{t+1}
\Rightarrow
\chi_t
\neq
\chi_{t+1}. I t → I t + 1 ⇒ χ t = χ t + 1 . 因此「改變意見」有時是：
operator drift , \text{operator drift}, operator drift , 也可能只是：
same operator under new evidence . \text{same operator under new evidence}. same operator under new evidence . 二者必須區分。
9. 資源與關係分量 R t R_t R t
R t R_t R t
resources + relationships . \text{resources}
+
\text{relationships}. resources + relationships . 原因是某些選擇只有在：
Accessible ( χ ∣ R t ) = 1 \operatorname{Accessible}(\chi\mid R_t)=1 Accessible ( χ ∣ R t ) = 1 時才真正存在於可行域。
一個人沒有選擇某選項，不代表他拒絕該選項；可能只是：
χ ∉ C S ( t ) . \chi
\notin
\mathcal C_S(t). χ ∈ / C S ( t ) . 10. 限制分量 C t C_t C t
C t C_t C t
law , physical constraints , social sanctions , contracts , self-commitments . \text{law},
\quad
\text{physical constraints},
\quad
\text{social sanctions},
\quad
\text{contracts},
\quad
\text{self-commitments}. law , physical constraints , social sanctions , contracts , self-commitments . 限制不是純外部因素。
自我承諾亦可形成：
C t s e l f . C_t^{self}. C t se l f . 例如：
「我已承諾不做 x 」 \text{「我已承諾不做 }x\text{」} 「我已承諾不做 x 」 會改變下一輪選擇結構。
11. 目標與價值分量 G t G_t G t
本文不把 G t G_t G t
更一般地：
G t = ( g t , ⪯ t , T t ) , G_t
=
\left(
\mathbf g_t,
\preceq_t,
\mathcal T_t
\right), G t = ( g t , ⪯ t , T t ) , 其中：
g t \mathbf g_t g t ⪯ t \preceq_t ⪯ t T t \mathcal T_t T t
因此：
Preference ≠ single fixed utility scalar . \boxed{
\text{Preference}
\neq
\text{single fixed utility scalar}.
} Preference = single fixed utility scalar . 12. 內部模型分量 M t M_t M t
M t M_t M t
M t = ( M t w o r l d , M t s e l f , M t o t h e r s ) . M_t
=
\left(
M_t^{world},
M_t^{self},
M_t^{others}
\right). M t = ( M t w or l d , M t se l f , M t o t h er s ) . 其中：
M t s e l f M_t^{self} M t se l f 會在 Paper 04 的元認知非免疫問題中成為核心。
Paper 03 只先建立一個接口：
M t s e l f → B S ( t + 1 ) . M_t^{self}
\rightarrow
\mathbb B_S(t+1). M t se l f → B S ( t + 1 ) . 也就是「知道自己可能怎麼選」本身會改變下一個選擇底空間。
13. 第一人稱分量 S t 1 p \mathcal S_t^{1p} S t 1 p
Paper 02 已強調第一人稱域不只是單一 qualia 變數。
本文保留：
S t 1 p ⊇ { J s e l f , J h e r e , J n o w , J o w n , J a g e n c y , J c o n t i n u i t y , J p h e n } . \mathcal S_t^{1p}
\supseteq
\left\{
J_{self},
J_{here},
J_{now},
J_{own},
J_{agency},
J_{continuity},
J_{phen}
\right\}. S t 1 p ⊇ { J se l f , J h er e , J n o w , J o w n , J a g e n cy , J co n t in u i t y , J p h e n } . 這意味著選擇底空間不能只由第三人稱客觀條件構成。
14. 能力分量 K t \mathcal K_t K t
K t \mathcal K_t K t
K t = { memory , language , planning , motor access , tools , delegation } . \mathcal K_t
=
\left\{
\text{memory},
\text{language},
\text{planning},
\text{motor access},
\text{tools},
\text{delegation}
\right\}. K t = { memory , language , planning , motor access , tools , delegation } . 即使一個主體「想選」，若缺乏執行能力：
Intent ( χ ) = 1 \operatorname{Intent}(\chi)=1 Intent ( χ ) = 1 也不推出：
Action ( χ ) = 1. \operatorname{Action}(\chi)=1. Action ( χ ) = 1. 15. 可選擇集合不是宇宙中所有可能行動
定義：
C S ( t ) = ReachableChoice ( B S ( t ) ) . \boxed{
\mathcal C_S(t)
=
\operatorname{ReachableChoice}
\left(
\mathbb B_S(t)
\right).
} C S ( t ) = ReachableChoice ( B S ( t ) ) . 因此：
C S ( t ) ⊊ A a l l . \mathcal C_S(t)
\subsetneq
\mathcal A_{all}. C S ( t ) ⊊ A a l l . 未選擇某行動不應自動被解讀成：
Reject S ( χ ) = 1. \operatorname{Reject}_S(\chi)=1. Reject S ( χ ) = 1. 除非：
χ ∈ C S ( t ) \chi
\in
\mathcal C_S(t) χ ∈ C S ( t ) 且存在足夠證據顯示主體曾將其納入可比較選項。
16. 選擇底空間不是選項清單
選項清單只回答：
C S ( t ) = { c 1 , … , c n } . \mathcal C_S(t)=\{c_1,\ldots,c_n\}. C S ( t ) = { c 1 , … , c n } . 底空間則回答：
哪些選項可見？
哪些選項可達？
哪些選項有成本？
哪些選項與身份衝突？
哪些選項會改變未來？
哪些選項對其他主體產生張力？
因此：
B S ( t ) ≠ C S ( t ) . \boxed{
\mathbb B_S(t)
\neq
\mathcal C_S(t).
} B S ( t ) = C S ( t ) . 17. 選擇算子的最小定義
單一選擇算子定義為：
Ω S , i ( t ) : B S ( t ) × X t ⇀ Δ ( C S ( t ) ) . \boxed{
\Omega_{S,i}^{(t)}:
\mathbb B_S(t)
\times
\mathcal X_t
\rightharpoonup
\Delta\left(\mathcal C_S(t)\right).
} Ω S , i ( t ) : B S ( t ) × X t ⇀ Δ ( C S ( t ) ) . 其中 Δ ( C ) \Delta(\mathcal C) Δ ( C )
機率分布；
排序；
partial order；
候選束；
deterministic action；
abstention。
因此選擇算子不必被迫寫成 softmax。
18. 為什麼是「算子族」而不是一個策略？
主體可能具有：
O S ( t ) = { Ω 1 , Ω 2 , … , Ω m } . \mathfrak O_S(t)
=
\left\{
\Omega_1,
\Omega_2,
\ldots,
\Omega_m
\right\}. O S ( t ) = { Ω 1 , Ω 2 , … , Ω m } . 不同算子可能分別處理：
risk , trust , novelty , conflict , commitment , exploration . \text{risk},
\quad
\text{trust},
\quad
\text{novelty},
\quad
\text{conflict},
\quad
\text{commitment},
\quad
\text{exploration}. risk , trust , novelty , conflict , commitment , exploration . 實際選擇可能是組合：
Ω t ∗ = Ω i 1 ⋆ t Ω i 2 ⋆ t ⋯ ⋆ t Ω i k . \Omega_t^{*}
=
\Omega_{i_1}
\star_t
\Omega_{i_2}
\star_t
\cdots
\star_t
\Omega_{i_k}. Ω t ∗ = Ω i 1 ⋆ t Ω i 2 ⋆ t ⋯ ⋆ t Ω i k . 19. 算子激活條件
引入激活函數：
α S , i ( t ) = Activate ( Ω S , i , B S ( t ) , X t ) . \alpha_{S,i}(t)
=
\operatorname{Activate}
\left(
\Omega_{S,i},
\mathbb B_S(t),
\mathcal X_t
\right). α S , i ( t ) = Activate ( Ω S , i , B S ( t ) , X t ) . 則：
Ω t ∗ = G ( { Ω i : α i ( t ) > 0 } ) . \Omega_t^{*}
=
\mathcal G
\left(
\{\Omega_i:
\alpha_i(t)>0\}
\right). Ω t ∗ = G ( { Ω i : α i ( t ) > 0 } ) . 這使「同一個人不同情境下像不同的人」不必被神秘化。
可能只是：
α i ( t ) ≠ α i ( t ′ ) . \alpha_i(t)
\neq
\alpha_i(t'). α i ( t ) = α i ( t ′ ) . 20. 選擇算子不是人格標籤
例如「風險厭惡」作為人格詞可能很粗。
更精細的算子描述可以是：
Ω r i s k : ( uncertainty , loss bound , reversibility , resource state ) ↦ risk policy . \Omega_{risk}:
\left(
\text{uncertainty},
\text{loss bound},
\text{reversibility},
\text{resource state}
\right)
\mapsto
\text{risk policy}. Ω r i s k : ( uncertainty , loss bound , reversibility , resource state ) ↦ risk policy . 因此：
Label ≠ Operator . \boxed{
\text{Label}
\neq
\text{Operator}.
} Label = Operator . 21. 選擇痕跡單元
承接 GCORF，可定義一般選擇痕跡：
u t = ( S , t , B t o b s , C t o b s , χ t , ρ t , η t , κ t , E v i d t ) . \boxed{
u_t
=
\left(
S,
t,
\mathbb B_t^{obs},
\mathcal C_t^{obs},
\chi_t,
\rho_t,
\eta_t,
\kappa_t,
Evid_t
\right).
} u t = ( S , t , B t o b s , C t o b s , χ t , ρ t , η t , κ t , E v i d t ) . 其中上標 o b s obs o b s
觀察者取得的底空間只是：
B t o b s , \mathbb B_t^{obs}, B t o b s , 不保證等於：
B t t r u e . \mathbb B_t^{true}. B t t r u e . 22. 可觀察底空間與真實底空間必須分離
本文要求：
B S o b s ( t ) ≠ B S t r u e ( t ) \boxed{
\mathbb B_S^{obs}(t)
\neq
\mathbb B_S^{true}(t)
} B S o b s ( t ) = B S t r u e ( t ) 一般情況下只能假設：
B S o b s ( t ) = Π o b s ( B S t r u e ( t ) ) + ϵ t . \mathbb B_S^{obs}(t)
=
\Pi_{obs}
\left(
\mathbb B_S^{true}(t)
\right)
+
\epsilon_t. B S o b s ( t ) = Π o b s ( B S t r u e ( t ) ) + ϵ t . 這是避免「資料庫裡沒有的變數，就當作不存在」的第一道防線。
23. 條件化逆向
給定痕跡集合：
U S = { u 1 , … , u n } , \mathcal U_S
=
\{u_1,
\ldots,
u_n\}, U S = { u 1 , … , u n } , 目標不是求：
Essence ( S ) , \operatorname{Essence}(S), Essence ( S ) , 而是：
O ^ S = Infer ( O ∣ U S , Π , M , A o b s ) . \boxed{
\widehat{\mathfrak O}_S
=
\operatorname{Infer}
\left(
\mathfrak O
\mid
\mathcal U_S,
\Pi,
\mathcal M,
\mathcal A_{obs}
\right).
} O S = Infer ( O ∣ U S , Π , M , A o b s ) . 其中：
Π \Pi Π M \mathcal M M A o b s \mathcal A_{obs} A o b s
24. 逆向規劃是局部先例，不是完整答案
Bayesian inverse planning 已表明，可用代理的可觀察行動反推目標、信念或意圖假設。
其一般結構可表示為：
P ( G ∣ A , E ) ∝ P ( A ∣ G , E ) P ( G ) . P(G\mid A,E)
\propto
P(A\mid G,E)P(G). P ( G ∣ A , E ) ∝ P ( A ∣ G , E ) P ( G ) . 本文吸收的不是某一特定 rationality assumption，而是逆向問題的形式：
behavior → latent conditional structure . \text{behavior}
\rightarrow
\text{latent conditional structure}. behavior → latent conditional structure . 但本文同時保留：
inverse inference ≠ ontological recovery . \boxed{
\text{inverse inference}
\neq
\text{ontological recovery}.
} inverse inference = ontological recovery . 25. 隱藏效用推斷是局部算子估計
近期 preference learning 研究從人類選擇推估 latent decision utilities，並把 context effects 納入模型。
這支持：
Observed Choice ⇒ Partial Latent Inference \text{Observed Choice}
\Rightarrow
\text{Partial Latent Inference} Observed Choice ⇒ Partial Latent Inference 在某些實驗域可行。
但即使 utility inference 很準，也不推出：
Utility Vector = Subject . \text{Utility Vector}
=
\text{Subject}. Utility Vector = Subject . 26. 動態偏好推斷支持算子漂移概念
當偏好權重會隨時間與情境漂移，可寫成：
w t + 1 = F w ( w t , E t , ξ t ) . \mathbf w_{t+1}
=
F_w
\left(
\mathbf w_t,
E_t,
\xi_t
\right). w t + 1 = F w ( w t , E t , ξ t ) . 這與本文的：
O S ( t + 1 ) ≠ O S ( t ) \mathfrak O_S(t+1)
\neq
\mathfrak O_S(t) O S ( t + 1 ) = O S ( t ) 具有結構上的相容性。
但本文更廣，因為被更新的不只 preference weights，而可能包括：
operator composition , bottom-space , self-model , reachable choices . \text{operator composition},
\quad
\text{bottom-space},
\quad
\text{self-model},
\quad
\text{reachable choices}. operator composition , bottom-space , self-model , reachable choices . 27. 動態計算表型支持「非定常個體」
長期計算表型研究顯示，同一個人的可估計計算參數會受到練習、情緒與時間變化影響。
因此，若：
θ S ( t ) ≠ θ S ( t + 1 ) , \theta_S(t)
\neq
\theta_S(t+1), θ S ( t ) = θ S ( t + 1 ) , 不能直接判定為 measurement failure。
它可能代表：
subject-level nonstationarity . \boxed{
\text{subject-level nonstationarity}.
} subject-level nonstationarity . 這正是本文拒絕「一次測量即本質」的實證理由之一。
28. 選擇束：單一 action 太薄
若只記：
χ t = chosen action , \chi_t
=
\text{chosen action}, χ t = chosen action , 會漏掉選擇之後的認知更新。
因此本文定義：
b S ( t ) = ( χ t , ρ t , η t , κ t , μ t ) . \boxed{
\mathbf b_S(t)
=
\left(
\chi_t,
\rho_t,
\eta_t,
\kappa_t,
\mu_t
\right).
} b S ( t ) = ( χ t , ρ t , η t , κ t , μ t ) . 其中：
χ t \chi_t χ t ρ t \rho_t ρ t η t \eta_t η t κ t \kappa_t κ t μ t \mu_t μ t
29. 選擇束不等於所有分量都可觀察
通常：
ρ t \rho_t ρ t 可由語言取得，
χ t \chi_t χ t 可由行為取得，
但：
η t , μ t \eta_t,
\quad
\mu_t η t , μ t 可能只有部分可見。
因此觀察者得到的是：
b ^ S ( t ) = Π b ( b S ( t ) ) . \widehat{\mathbf b}_S(t)
=
\Pi_b
\left(
\mathbf b_S(t)
\right). b S ( t ) = Π b ( b S ( t ) ) . 30. 核心動力：選擇束後的下一個底空間
本文最核心的更新式是：
B S ( t + 1 ) = F B ( B S ( t ) , b S ( t ) , Δ W t ) . \boxed{
\mathbb B_S(t+1)
=
F_B
\left(
\mathbb B_S(t),
\mathbf b_S(t),
\Delta W_t
\right).
} B S ( t + 1 ) = F B ( B S ( t ) , b S ( t ) , Δ W t ) . Δ W t \Delta W_t Δ W t
因此：
Choice → History → New Bottom-Space . \text{Choice}
\rightarrow
\text{History}
\rightarrow
\text{New Bottom-Space}. Choice → History → New Bottom-Space . 31. 選擇會創造新的限制
例如：
χ t = 簽署承諾 \chi_t
=
\text{簽署承諾} χ t = 簽署承諾 可能導致：
C t + 1 = C t ∪ { c n e w } . C_{t+1}
=
C_t
\cup
\{c_{new}\}. C t + 1 = C t ∪ { c n e w } . 因此選擇不只是從限制中產生，也能產生限制。
32. 選擇會創造新的資源
例如學習、合作或投資可能使：
R t + 1 ⊃ R t . R_{t+1}
\supset
R_t. R t + 1 ⊃ R t . 所以：
Choice ⇏ mere consumption of options . \boxed{
\text{Choice}
\not\Rightarrow
\text{mere consumption of options}.
} Choice ⇒ mere consumption of options . 選擇也可以生成未來選項。
33. 選擇會改變主體對自身的認識
若主體第一次做出：
χ t ∉ ExpectedSelf ( M t s e l f ) , \chi_t
\notin
\operatorname{ExpectedSelf}(M_t^{self}), χ t ∈ / ExpectedSelf ( M t se l f ) , 則可能產生：
M t + 1 s e l f ≠ M t s e l f . M_{t+1}^{self}
\neq
M_t^{self}. M t + 1 se l f = M t se l f . 這使「我是什麼樣的人」本身成為動態變數。
34. 自我描述可以進入下一輪底空間
一旦主體形成：
ρ t = 「我是某種人」 , \rho_t
=
\text{「我是某種人」}, ρ t = 「我是某種人」 , 這個敘事可能成為：
C t + 1 s e l f , G t + 1 , M t + 1 s e l f C_{t+1}^{self},
\quad
G_{t+1},
\quad
M_{t+1}^{self} C t + 1 se l f , G t + 1 , M t + 1 se l f 的一部分。
因此人格敘事不是純描述。
它可能具有：
self-binding causal effect . \boxed{
\text{self-binding causal effect}.
} self-binding causal effect . 35. 包裝與非包裝先作為表示算子處理
本文暫不把「真實的我」與「包裝的我」做二元切割。
定義表現算子：
ρ t p u b = Ψ t ( ρ t i n t , E t , G t , M t o t h e r s ) . \rho_t^{pub}
=
\Psi_t
\left(
\rho_t^{int},
E_t,
G_t,
M_t^{others}
\right). ρ t p u b = Ψ t ( ρ t in t , E t , G t , M t o t h er s ) . Ψ t \Psi_t Ψ t
masking , role-playing , strategic disclosure , natural expression . \text{masking},
\quad
\text{role-playing},
\quad
\text{strategic disclosure},
\quad
\text{natural expression}. masking , role-playing , strategic disclosure , natural expression . Paper 04 將進一步處理其遞迴元認知。
36. 「故意自然」也是一種可觀察策略，但不自動是假
若：
Ψ t = act-natural , \Psi_t
=
\text{act-natural}, Ψ t = act-natural , 不表示：
ρ t p u b = false . \rho_t^{pub}
=
\text{false}. ρ t p u b = false . 一個主體可以有意識地選擇自然表達，同時內容仍然真實。
因此：
strategic presentation ⇏ false content . \boxed{
\text{strategic presentation}
\not\Rightarrow
\text{false content}.
} strategic presentation ⇒ false content . 37. 算子族更新
底空間更新後，算子族也可能更新：
O S ( t + 1 ) = F O ( O S ( t ) , B S ( t + 1 ) , b S ( t ) , E t ) . \boxed{
\mathfrak O_S(t+1)
=
F_O
\left(
\mathfrak O_S(t),
\mathbb B_S(t+1),
\mathbf b_S(t),
\mathcal E_t
\right).
} O S ( t + 1 ) = F O ( O S ( t ) , B S ( t + 1 ) , b S ( t ) , E t ) . 其中 E t \mathcal E_t E t
learning , trauma , training , reflection , social feedback , institutional adaptation . \text{learning},
\quad
\text{trauma},
\quad
\text{training},
\quad
\text{reflection},
\quad
\text{social feedback},
\quad
\text{institutional adaptation}. learning , trauma , training , reflection , social feedback , institutional adaptation . 38. 底空間更新與算子更新不能混同
可能有：
B t + 1 ≠ B t , \mathbb B_{t+1}
\neq
\mathbb B_t, B t + 1 = B t , 但：
O t + 1 = O t . \mathfrak O_{t+1}
=
\mathfrak O_t. O t + 1 = O t . 也可能反過來。
因此：
BottomSpaceUpdate ≠ OperatorUpdate . \boxed{
\text{BottomSpaceUpdate}
\neq
\text{OperatorUpdate}.
} BottomSpaceUpdate = OperatorUpdate . 這直接承接 GCORF 對 state update 與 operator update 的區分。
39. 五種動態來源
本文至少區分：
Δ S = ( Δ B , Δ O , Δ A , Δ M , Δ R ) , \Delta_S
=
\left(
\Delta_B,
\Delta_O,
\Delta_A,
\Delta_M,
\Delta_R
\right), Δ S = ( Δ B , Δ O , Δ A , Δ M , Δ R ) , 其中：
Δ B \Delta_B Δ B Δ O \Delta_O Δ O Δ A \Delta_A Δ A Δ M \Delta_M Δ M Δ R \Delta_R Δ R
「人變了」這句話必須至少問：哪一層變了？
40. 穩定性不是靜止
若一個主體在多情境下保持某些結構：
I S ⊆ O S ( t ) \mathcal I_S
\subseteq
\mathfrak O_S(t) I S ⊆ O S ( t ) 且：
I S ≈ I S ( t + Δ ) , \mathcal I_S
\approx
\mathcal I_S(t+\Delta), I S ≈ I S ( t + Δ ) , 可以稱為選擇不變量候選。
但不要求：
O S ( t ) = O S ( t + Δ ) . \mathfrak O_S(t)
=
\mathfrak O_S(t+\Delta). O S ( t ) = O S ( t + Δ ) . 41. 選擇不變量候選
可能的不變量包括：
reversibility preference , evidence sensitivity , commitment preservation , anti-domination , novelty seeking . \text{reversibility preference},
\quad
\text{evidence sensitivity},
\quad
\text{commitment preservation},
\quad
\text{anti-domination},
\quad
\text{novelty seeking}. reversibility preference , evidence sensitivity , commitment preservation , anti-domination , novelty seeking . 但本文只允許稱為：
candidate invariant under observed domains . \boxed{
\text{candidate invariant under observed domains}.
} candidate invariant under observed domains . 不能直接升格為跨所有世界的本質。
42. 跨情境一致不等於本體必然
若：
∀ E i ∈ E o b s , Ω ( S , E i ) ≈ ω ∗ , \forall E_i
\in
\mathcal E_{obs},
\quad
\Omega(S,E_i)
\approx
\omega^*, ∀ E i ∈ E o b s , Ω ( S , E i ) ≈ ω ∗ , 最多支持：
Stable E o b s ( ω ∗ ) . \operatorname{Stable}_{\mathcal E_{obs}}(\omega^*). Stable E o b s ( ω ∗ ) . 不能推出：
Necessary ( ω ∗ ) . \operatorname{Necessary}(\omega^*). Necessary ( ω ∗ ) . 43. 可識別性問題
不同算子族可能產生相同觀察：
O 1 ≠ O 2 , \mathfrak O_1
\neq
\mathfrak O_2, O 1 = O 2 , 但：
Π o b s ( O 1 ) = Π o b s ( O 2 ) . \Pi_{obs}
\left(
\mathfrak O_1
\right)
=
\Pi_{obs}
\left(
\mathfrak O_2
\right). Π o b s ( O 1 ) = Π o b s ( O 2 ) . 這稱為：
Choice-Operator Non-Identifiability . \boxed{
\text{Choice-Operator Non-Identifiability}.
} Choice-Operator Non-Identifiability . 因此任何單一解釋都需要競爭模型。
44. 多模型保留原則
若：
P ( O i ∣ U S ) P(\mathfrak O_i\mid\mathcal U_S) P ( O i ∣ U S ) 有多個顯著候選，系統應保存：
{ O 1 , O 2 , … } , \left\{
\mathfrak O_1,
\mathfrak O_2,
\ldots
\right\}, { O 1 , O 2 , … } , 而不是強制選出一個人格真相。
即：
Ambiguity ⇏ forced essence selection . \boxed{
\text{Ambiguity}
\not\Rightarrow
\text{forced essence selection}.
} Ambiguity ⇒ forced essence selection . 45. 貝葉斯表示只是其中一種實現
可寫：
P ( O S , B S ∣ U S ) . P
\left(
\mathfrak O_S,
\mathbb B_S
\mid
\mathcal U_S
\right). P ( O S , B S ∣ U S ) . 但本文不把 Bayesian representation 設為正典唯一形式。
其他可能包括：
version spaces , set-valued inference , causal models , program synthesis , symbolic operator graphs . \text{version spaces},
\quad
\text{set-valued inference},
\quad
\text{causal models},
\quad
\text{program synthesis},
\quad
\text{symbolic operator graphs}. version spaces , set-valued inference , causal models , program synthesis , symbolic operator graphs . 46. 預測函數的正確形式
對未來選擇：
P ( χ t + k ∣ B t , O ^ t , E t : t + k ) . \boxed{
P
\left(
\chi_{t+k}
\mid
\mathbb B_t,
\widehat{\mathfrak O}_t,
\mathcal E_{t:t+k}
\right).
} P ( χ t + k ∣ B t , O t , E t : t + k ) . 這是一個條件分布。
它不是：
χ t + k = destiny . \chi_{t+k}
=
\text{destiny}. χ t + k = destiny . 47. 預測非命定原則
本文提出：
HighPredictability ( S ) ⇏ Predestination ( S ) . \boxed{
\operatorname{HighPredictability}(S)
\not\Rightarrow
\operatorname{Predestination}(S).
} HighPredictability ( S ) ⇒ Predestination ( S ) . 原因不是神秘自由意志，而是模型本身只在指定：
B , O , E \mathbb B,
\quad
\mathfrak O,
\quad
\mathcal E B , O , E 下形成條件判定。
新的資訊、反思、他者介入與底空間更新都可改變後續分布。
48. 預測非所有權原則
即使：
P ( χ t + 1 = c ∗ ) → 1 , P(\chi_{t+1}=c^*)
\rightarrow
1, P ( χ t + 1 = c ∗ ) → 1 , 也不能推出：
AuthorityToChoose o b s e r v e r ( S ) = 1. \operatorname{AuthorityToChoose}_{observer}(S)=1. AuthorityToChoose o b ser v er ( S ) = 1. 因此：
Prediction ≠ Choice Ownership . \boxed{
\text{Prediction}
\neq
\text{Choice Ownership}.
} Prediction = Choice Ownership . 這與 Paper 02 的 authority non-transfer 相容。
49. 預測成功可能反過來改變被預測者
若主體得知：
P ^ ( χ = c ) = 0.97 , \widehat P(\chi=c)=0.97, P ( χ = c ) = 0.97 , 該資訊可進入：
I t + 1 , M t + 1 s e l f . I_{t+1},
\quad
M_{t+1}^{self}. I t + 1 , M t + 1 se l f . 於是：
B t + 1 ≠ B t . \mathbb B_{t+1}
\neq
\mathbb B_t. B t + 1 = B t . 因此高階主體模型具有：
prediction-induced domain change . \boxed{
\text{prediction-induced domain change}.
} prediction-induced domain change . 50. 這是主體索引反固定點的選擇版本
可寫：
O ^ t → shown to S M t + 1 s e l f → B t + 1 → O t + 1 . \widehat{\mathfrak O}_t
\xrightarrow{\text{shown to }S}
M_{t+1}^{self}
\xrightarrow{}
\mathbb B_{t+1}
\xrightarrow{}
\mathfrak O_{t+1}. O t shown to S M t + 1 se l f B t + 1 O t + 1 . 因此：
Model of subject → input to subject → new subject state . \boxed{
\text{Model of subject}
\rightarrow
\text{input to subject}
\rightarrow
\text{new subject state}.
} Model of subject → input to subject → new subject state . 51. 最新行為更新優先
若歷史模型預測：
χ t = c , \chi_t=c, χ t = c , 但主體實際選擇：
χ t = d , c ≠ d , \chi_t=d,
\quad
c\neq d, χ t = d , c = d , 則模型應更新：
O ^ t + 1 = Update ( O ^ t , d ) . \widehat{\mathfrak O}_{t+1}
=
\operatorname{Update}
\left(
\widehat{\mathfrak O}_t,
d
\right). O t + 1 = Update ( O t , d ) . 不得反過來宣稱：
模型才是真正的你，你的當下行為只是噪音。
52. 但單次異常也不自動推翻整個模型
本文同時拒絕：
χ t ≠ χ ^ t ⇒ O ^ t = ∅ . \chi_t
\neq
\widehat{\chi}_t
\Rightarrow
\widehat{\mathfrak O}_t
=
\varnothing. χ t = χ t ⇒ O t = ∅ . 正確做法是增加：
Δ m o d e l , \Delta_{model}, Δ m o d e l , 並檢查：
noise , domain shift , operator shift , new evidence . \text{noise},
\quad
\text{domain shift},
\quad
\text{operator shift},
\quad
\text{new evidence}. noise , domain shift , operator shift , new evidence . 53. 選擇模型債務
定義：
Δ c h o i c e = ( Δ B , Δ O , Δ i d , Δ o b s , Δ p r e d , Δ e t h ) . \boxed{
\Delta_{choice}
=
\left(
\Delta_B,
\Delta_O,
\Delta_{id},
\Delta_{obs},
\Delta_{pred},
\Delta_{eth}
\right).
} Δ c h o i ce = ( Δ B , Δ O , Δ i d , Δ o b s , Δ p r e d , Δ e t h ) . 其中：
Δ B \Delta_B Δ B Δ O \Delta_O Δ O Δ i d \Delta_{id} Δ i d Δ o b s \Delta_{obs} Δ o b s Δ p r e d \Delta_{pred} Δ p r e d Δ e t h \Delta_{eth} Δ e t h
54. 執行能力與認識許可分離
GCORF 已有：
E x e c u t a b l e ( Ω , D ) ⇏ L i c e n s e d ( Ω , D ) . Executable(\Omega,D)
\not\Rightarrow
Licensed(\Omega,D). E x ec u t ab l e ( Ω , D ) ⇒ L i ce n se d ( Ω , D ) . Paper 03 對主體選擇模型寫成：
CanInfer ( S ) ⇏ MayInfer ( S ) . \boxed{
\operatorname{CanInfer}(S)
\not\Rightarrow
\operatorname{MayInfer}(S).
} CanInfer ( S ) ⇒ MayInfer ( S ) . 尤其當推論解析度足以形成：
vulnerability map , steering policy , coercion surface \text{vulnerability map},
\quad
\text{steering policy},
\quad
\text{coercion surface} vulnerability map , steering policy , coercion surface 時，倫理許可必須獨立判定。
55. 最小必要解析度原則
若任務只需要：
PopulationPattern , \operatorname{PopulationPattern}, PopulationPattern , 就不應無必要建立：
HighResolutionIndividualModel . \operatorname{HighResolutionIndividualModel}. HighResolutionIndividualModel . 形式候選：
R e s ∗ ( T ) = min { r : Sufficient ( r , T ) = 1 } . \boxed{
Res^*(T)
=
\min
\left\{
r:
\operatorname{Sufficient}(r,T)=1
\right\}.
} R e s ∗ ( T ) = min { r : Sufficient ( r , T ) = 1 } . 56. 去識別化不能只刪姓名
若移除姓名後仍可由：
O S + H S + R S \mathfrak O_S
+
H_S
+
R_S O S + H S + R S 重新識別主體，則：
Name Removal ⇏ De-identification . \boxed{
\text{Name Removal}
\not\Rightarrow
\text{De-identification}.
} Name Removal ⇒ De-identification . 因此發布算子研究時應優先保留：
structural class , \text{structural class}, structural class , 而不是：
recoverable individual trace graph . \text{recoverable individual trace graph}. recoverable individual trace graph . 57. 公開人物不是零隱私主體
公開痕跡較多只表示：
∣ D S p u b l i c ∣ ↑ . |D_S^{public}|
\uparrow. ∣ D S p u b l i c ∣ ↑ . 不表示：
EthicalBoundary ( S ) = 0. \operatorname{EthicalBoundary}(S)=0. EthicalBoundary ( S ) = 0. 因此研究公開人物仍應區分：
public-role evidence \text{public-role evidence} public-role evidence 與：
private-life inference . \text{private-life inference}. private-life inference . 58. 主體模型與人格裁決必須分離
一個模型可以說：
P ( Ω i ∣ D ) = 0.8. P(\Omega_i\mid D)=0.8. P ( Ω i ∣ D ) = 0.8. 但不應直接生成：
此人就是某種人。
因此本文要求輸出格式優先使用：
conditional operator statement \boxed{
\text{conditional operator statement}
} conditional operator statement 而不是：
essential trait verdict . \boxed{
\text{essential trait verdict}.
} essential trait verdict . 59. 結構函數的跨主體相似性
不同主體可能存在：
O A ∼ O B \mathfrak O_A
\sim
\mathfrak O_B O A ∼ O B 於某局部域。
這使：
method transfer , behavioral class , agent routing \text{method transfer},
\quad
\text{behavioral class},
\quad
\text{agent routing} method transfer , behavioral class , agent routing 成為可能。
但：
O A ∼ O B ⇏ A ∼ i d e n t i t y B . \boxed{
\mathfrak O_A
\sim
\mathfrak O_B
\not\Rightarrow
A\sim_{identity}B.
} O A ∼ O B ⇒ A ∼ i d e n t i t y B . 60. 從人類到其他存在的擴張條件
本文目前主要以人類與研究者痕跡為例。
但形式上只要求存在：
B X ( t ) , C X ( t ) , O X ( t ) , b X ( t ) . \mathbb B_X(t),
\quad
\mathcal C_X(t),
\quad
\mathfrak O_X(t),
\quad
\mathbf b_X(t). B X ( t ) , C X ( t ) , O X ( t ) , b X ( t ) . 因此可條件性擴張到：
AI agents , organizations , collective subjects? \text{AI agents},
\quad
\text{organizations},
\quad
\text{collective subjects?} AI agents , organizations , collective subjects? 但是否具有第一人稱主體域：
S X 1 p \mathcal S_X^{1p} S X 1 p 仍是另一個獨立判定問題。
61. 組織可以有選擇算子，但不自動有感質
例如公司可能具有：
O o r g \mathfrak O_{org} O or g 與：
B o r g , \mathbb B_{org}, B or g , 但這只證明：
organizational decision structure . \text{organizational decision structure}. organizational decision structure . 不能直接推出：
S o r g 1 p ≠ ∅ . \mathcal S_{org}^{1p}
\neq
\varnothing. S or g 1 p = ∅ . 這再次顯示三域必須分離。
62. AI 可以有策略漂移，但不自動證明主體性
若 AI 系統：
π t + 1 ≠ π t , \pi_{t+1}
\neq
\pi_t, π t + 1 = π t , 或外部記憶使：
B t + 1 ≠ B t , \mathbb B_{t+1}
\neq
\mathbb B_t, B t + 1 = B t , 最多說明：
dynamic decision system . \text{dynamic decision system}. dynamic decision system . 是否存在：
S 1 p \mathcal S^{1p} S 1 p 仍需 Paper 01／02 的獨立主體性判定。
63. 選擇底空間的 UBE 接口
固定域可能飽和：
E x t D ( B t ) = ∅ . Ext_D(\mathbb B_t)=\varnothing. E x t D ( B t ) = ∅ . 但若發現新變數：
D ′ = GenerateDomain ( B t , Δ c h o i c e ) , D'
=
\operatorname{GenerateDomain}
\left(
\mathbb B_t,
\Delta_{choice}
\right), D ′ = GenerateDomain ( B t , Δ c h o i ce ) , 則可重新開域：
B t → B t ′ \boxed{
\mathbb B_t
\rightarrow
\mathbb B_t'
} B t → B t ′ 而不是把現有底空間宣稱為終極人格模型。
64. Meta Expansion：算子定義本身也可更新
若發現原本的算子分類不足：
O t s c h e m a → O t + 1 s c h e m a . \mathfrak O^{schema}_t
\rightarrow
\mathfrak O^{schema}_{t+1}. O t sc h e ma → O t + 1 sc h e ma . 但必須保存：
provenance , versioning , invariants , anti-immunization . \text{provenance},
\quad
\text{versioning},
\quad
\text{invariants},
\quad
\text{anti-immunization}. provenance , versioning , invariants , anti-immunization . 不能因反例出現就免費改定義，使模型永遠「正確」。
65. DEST 接口：局部選擇模型的全域黏合
對不同域 D i D_i D i
O ^ S , i . \widehat{\mathfrak O}_{S,i}. O S , i . 全域問題不是平均：
1 n ∑ i O ^ S , i , \frac{1}{n}
\sum_i
\widehat{\mathfrak O}_{S,i}, n 1 i ∑ O S , i , 而是：
Glue { O ^ S , i } i ∈ I . \boxed{
\operatorname{Glue}
\left\{
\widehat{\mathfrak O}_{S,i}
\right\}_{i\in I}.
} Glue { O S , i } i ∈ I . 若跨域閉路不一致，應保存 defect，而不是強迫統一人格。
66. 閉路人格錯覺
若：
D 1 → D 2 → ⋯ → D 1 D_1
\rightarrow
D_2
\rightarrow
\cdots
\rightarrow
D_1 D 1 → D 2 → ⋯ → D 1 後：
H γ ( Ω ) ≠ Ω , H_\gamma(\Omega)
\neq
\Omega, H γ ( Ω ) = Ω , 說明局部描述未形成一致全域模型。
因此：
local predictive success ⇏ global personality closure . \boxed{
\text{local predictive success}
\not\Rightarrow
\text{global personality closure}.
} local predictive success ⇒ global personality closure . 67. 選擇底空間的三域耦合形式
可將底空間再分解為：
B S ( t ) = B S L ( t ) ⋈ B S A ( t ) ⋈ B S 1 p ( t ) . \mathbb B_S(t)
=
\mathbb B_S^{L}(t)
\bowtie
\mathbb B_S^{A}(t)
\bowtie
\mathbb B_S^{1p}(t). B S ( t ) = B S L ( t ) ⋈ B S A ( t ) ⋈ B S 1 p ( t ) . 其中：
B L \mathbb B^L B L B A \mathbb B^A B A B 1 p \mathbb B^{1p} B 1 p
這是 Paper 01 的動態版本。
68. 行為張力進入選擇後果
若選擇 χ t \chi_t χ t Y Y Y
P Y a f t e r ≠ P Y b e f o r e , \mathcal P_Y^{after}
\neq
\mathcal P_Y^{before}, P Y a f t er = P Y b e f or e , 則可定義張力候選：
τ S → Y ( χ t ) = Dist ( P Y a f t e r , P Y b e f o r e ) . \tau_{S\to Y}(\chi_t)
=
\operatorname{Dist}
\left(
\mathcal P_Y^{after},
\mathcal P_Y^{before}
\right). τ S → Y ( χ t ) = Dist ( P Y a f t er , P Y b e f or e ) . 因此選擇模型不能只預測「S 會做什麼」，也可以分析：
S 的選擇會如何改變其他主體的底空間 . \text{S 的選擇會如何改變其他主體的底空間}. S 的選擇會如何改變其他主體的底空間 . 69. 一個主體的選擇可能成為另一主體的限制
若：
χ S ( t ) → C Y ( t + 1 ) , \chi_S(t)
\rightarrow
C_Y(t+1), χ S ( t ) → C Y ( t + 1 ) , 則多主體系統形成：
B S ( t ) ⋈ B Y ( t ) → B S ( t + 1 ) ⋈ B Y ( t + 1 ) . \mathbb B_S(t)
\bowtie
\mathbb B_Y(t)
\rightarrow
\mathbb B_S(t+1)
\bowtie
\mathbb B_Y(t+1). B S ( t ) ⋈ B Y ( t ) → B S ( t + 1 ) ⋈ B Y ( t + 1 ) . 這使倫理問題自然進入 Paper 05 的認知僭越與控制問題。
70. 選擇預測與選擇操控的分界
預測：
P ^ ( χ S ∣ B S ) . \widehat P
\left(
\chi_S
\mid
\mathbb B_S
\right). P ( χ S ∣ B S ) . 操控則進一步選擇環境：
E ∗ = arg max E P ( χ S = c ∗ ∣ B S ( E ) ) . E^*
=
\arg\max_E
P
\left(
\chi_S=c^*
\mid
\mathbb B_S(E)
\right). E ∗ = arg E max P ( χ S = c ∗ ∣ B S ( E ) ) . 因此：
Prediction ≠ Steering . \boxed{
\text{Prediction}
\neq
\text{Steering}.
} Prediction = Steering . Paper 03 只建立界面；Paper 05 將處理其權力倫理。
71. 選擇模型可撤銷性
任何 O ^ S \widehat{\mathfrak O}_S O S
Revise , Reject , Fork . \operatorname{Revise},
\quad
\operatorname{Reject},
\quad
\operatorname{Fork}. Revise , Reject , Fork . 即：
O ^ S ( v ) ≢ irrevocable identity record . \boxed{
\widehat{\mathfrak O}_S^{(v)}
\not\equiv
\text{irrevocable identity record}.
} O S ( v ) ≡ irrevocable identity record . 72. 主體參與更新權
若主體仍在場且具有表達能力，對高風險模型至少應存在：
Contest ( S , O ^ S ) . \operatorname{Contest}(S,
\widehat{\mathfrak O}_S). Contest ( S , O S ) . 這不表示主體可以任意抹除外部證據。
而是：
subject report ∈ evidence set , \boxed{
\text{subject report}
\in
\text{evidence set},
} subject report ∈ evidence set , 不能被制度性設定為權重零。
73. 第一人稱報告不是絕對真理，但不是零資料
Paper 02 已區分第一人稱權威與第一人稱絕對正確。
本文承接：
FirstPersonReport ≠ InfallibleTruth , \boxed{
\text{FirstPersonReport}
\neq
\text{InfallibleTruth},
} FirstPersonReport = InfallibleTruth , 但同時：
FirstPersonReport ≠ ZeroWeightData . \boxed{
\text{FirstPersonReport}
\neq
\text{ZeroWeightData}.
} FirstPersonReport = ZeroWeightData . 74. 反本質化公理
本文提出：
ObservedRegularity ( S , D ) ⇏ TimelessEssence ( S ) . \boxed{
\operatorname{ObservedRegularity}(S,D)
\not\Rightarrow
\operatorname{TimelessEssence}(S).
} ObservedRegularity ( S , D ) ⇒ TimelessEssence ( S ) . 若某模式跨多域穩定，只能逐步提高：
InvariantConfidence , \operatorname{InvariantConfidence}, InvariantConfidence , 不能把它改寫成不可修正本體標籤。
75. 選擇算子非身份公理
O S ≠ I d S . \boxed{
\mathfrak O_S
\neq
Id_S.
} O S = I d S . 原因是身份還可能涉及：
history , continuity , first-person position , social/legal recognition . \text{history},
\quad
\text{continuity},
\quad
\text{first-person position},
\quad
\text{social/legal recognition}. history , continuity , first-person position , social/legal recognition . Paper 03 不嘗試用選擇算子取代 Paper 02 的身份問題。
76. 底空間非世界公理
B S ( t ) ≠ W t . \boxed{
\mathbb B_S(t)
\neq
W_t.
} B S ( t ) = W t . 底空間只是與主體選擇相關的條件化表示。
世界可以比底空間大得多。
77. 可選擇空間非自由全集公理
C S ( t ) ≠ all metaphysically possible choices . \boxed{
\mathcal C_S(t)
\neq
\text{all metaphysically possible choices}.
} C S ( t ) = all metaphysically possible choices . 它只是當下：
represented / reachable / actionable \text{represented / reachable / actionable} represented / reachable / actionable 的選擇集合。
78. 預測準確率不能作為唯一評價函數
若模型只追求：
max Accuracy , \max
\operatorname{Accuracy}, max Accuracy , 可能透過增加：
surveillance , private inference , environment control \text{surveillance},
\quad
\text{private inference},
\quad
\text{environment control} surveillance , private inference , environment control 取得更高準確率。
因此模型品質向量至少應包括：
Q = ( A , C a l , T r , R e v , P r i v , N o n D o m ) , \boxed{
\mathbf Q
=
\left(
A,
Cal,
Tr,
Rev,
Priv,
NonDom
\right),
} Q = ( A , C a l , T r , R e v , P r i v , N o n D o m ) , 分別對應 accuracy、calibration、traceability、revisability、privacy、non-domination。
79. 選擇模型的失效模式
至少包括：
底空間缺項；
情境外推；
算子錯配；
觀察者偏差；
自我報告誤讀；
新事件造成 regime shift；
把預測成功偷渡成身份判定；
把可推論偷渡成可操控。
這些失效必須進入 provenance。
80. 最小 benchmark 架構
未來可建立：
D l o n g = { D 1 , … , D n } \mathcal D_{long}
=
\left\{
D_1,
\ldots,
D_n
\right\} D l o n g = { D 1 , … , D n } 的長期資料，至少含：
多情境選擇；
選項可達性；
主體自我報告；
情緒／狀態；
事件與回饋；
時間戳；
反事實詢問；
事後更新。
比較：
Trait Baseline v s . Static Policy v s . Dynamic Bottom-Space + Operator Family . \text{Trait Baseline}
\quad vs.
\quad
\text{Static Policy}
\quad vs.
\quad
\text{Dynamic Bottom-Space + Operator Family}. Trait Baseline v s . Static Policy v s . Dynamic Bottom-Space + Operator Family . 81. 可檢驗預測一：動態模型應提高 regime-shift 後校準
若本文框架具有實證價值，當情境或內在狀態改變時：
C a l d y n a m i c > C a l s t a t i c Cal_{dynamic}
>
Cal_{static} C a l d y nami c > C a l s t a t i c 應在某些 longitudinal tasks 中成立。
這是可反駁的。
82. 可檢驗預測二：底空間缺項會被錯誤歸因為人格不穩定
如果模型不觀察：
E t , I t , R t , S t 1 p , E_t,
I_t,
R_t,
\mathcal S_t^{1p}, E t , I t , R t , S t 1 p , 則它可能把：
Δ B \Delta_B Δ B 錯估為：
Δ O . \Delta_O. Δ O . 因此加入底空間變數後，部分「人格漂移」應被重分類為「條件漂移」。
83. 可檢驗預測三：主體看到模型後，模型誤差分布會改變
對高元認知主體，公開：
O ^ S \widehat{\mathfrak O}_S O S 後，可能觀察到：
P p o s t ( ϵ ) ≠ P p r e ( ϵ ) . P_{post}(\epsilon)
\neq
P_{pre}(\epsilon). P p os t ( ϵ ) = P p r e ( ϵ ) . 這是 subject-indexed anti-fixed-point 的行為版本。
84. 與 RMRM 的接口
RMRM 對數學家研究實踐建立：
research operators , routing , assets , hubs . \text{research operators},
\quad
\text{routing},
\quad
\text{assets},
\quad
\text{hubs}. research operators , routing , assets , hubs . Paper 03 將其一般化：
research bottom-space ⊂ general choice bottom-space . \text{research bottom-space}
\subset
\text{general choice bottom-space}. research bottom-space ⊂ general choice bottom-space . 因此：
G C O R F - R M R M ⊆ C B S - C O F \boxed{
GCORF\text{-}RMRM
\subseteq
CBS\text{-}COF
} GC O R F - R M R M ⊆ C B S - C O F 可作為一個 domain realization，而非完整同一。
85. 與 GCORF learning 分解的接口
GCORF 已區分：
P a r a m e t e r U p d a t e , S t a t e U p d a t e , O p e r a t o r U p d a t e , P r o t o c o l U p d a t e , B o t t o m S p a c e U p d a t e . ParameterUpdate,
\quad
StateUpdate,
\quad
OperatorUpdate,
\quad
ProtocolUpdate,
\quad
BottomSpaceUpdate. P a r am e t er U p d a t e , S t a t e U p d a t e , O p er a t or U p d a t e , P r o t oco l U p d a t e , B o tt o m S p a ce U p d a t e . 本文對主體建模進一步具體化：
L e a r n i n g S = Δ B ∨ Δ O ∨ Δ M ∨ Δ R ∨ Δ p r o t o c o l . \boxed{
Learning_S
=
\Delta_B
\lor
\Delta_O
\lor
\Delta_M
\lor
\Delta_R
\lor
\Delta_{protocol}.
} L e a r nin g S = Δ B ∨ Δ O ∨ Δ M ∨ Δ R ∨ Δ p r o t oco l . 86. 與計算表型的接口
計算表型通常以一組 mechanistically interpretable parameters 描述個體差異。
本文可把某一表型參數向量視為：
θ t = Π p h e n o t y p e ( B t , O t ) . \theta_t
=
\Pi_{phenotype}
\left(
\mathbb B_t,
\mathfrak O_t
\right). θ t = Π p h e n o t y p e ( B t , O t ) . 因此它是重要投影，但不是完整底空間。
87. 與 preference learning 的接口
latent utility model 可視為：
Π U ( G t , O t ) . \Pi_U
\left(
G_t,
\mathfrak O_t
\right). Π U ( G t , O t ) . 這讓本文可以吸收其統計技術，又不把「效用」升格為主體總體。
88. 與 open-ended goal inference 的接口
近期研究開始處理：
∣ G ∣ ≫ 1 |\mathcal G|
\gg
1 ∣ G ∣ ≫ 1 甚至目標空間難以窮舉的情況。
這與本文的 UBE 接口相容：
goal candidates \text{goal candidates} goal candidates 不應被預設為固定封閉全集。
因此：
Goal Space Saturation ⇏ Subject Terminality . \boxed{
\text{Goal Space Saturation}
\not\Rightarrow
\text{Subject Terminality}.
} Goal Space Saturation ⇒ Subject Terminality . 89. 第一組命題
命題 1：底空間—選擇非同一命題
若：
χ t ∈ C S ( t ) , \chi_t
\in
\mathcal C_S(t), χ t ∈ C S ( t ) , 則 χ t \chi_t χ t
B S ( t ) . \mathbb B_S(t). B S ( t ) . 因此：
χ t ≠ B S ( t ) . \boxed{
\chi_t
\neq
\mathbb B_S(t).
} χ t = B S ( t ) . 命題 2：算子—主體非同一命題
O S ( t ) ≠ S . \boxed{
\mathfrak O_S(t)
\neq
S.
} O S ( t ) = S . 命題 3：選擇後底空間更新命題
存在非平凡情形使：
B S ( t + 1 ) ≠ B S ( t ) \boxed{
\mathbb B_S(t+1)
\neq
\mathbb B_S(t)
} B S ( t + 1 ) = B S ( t ) 且差異由 b S ( t ) \mathbf b_S(t) b S ( t )
命題 4：高預測非命定命題
P ( χ t + 1 = c ∣ D ) → 1 ⇏ χ t + 1 被形而上命定 . \boxed{
P(\chi_{t+1}=c\mid D)
\rightarrow1
\not\Rightarrow
\chi_{t+1}
\text{ 被形而上命定}.
} P ( χ t + 1 = c ∣ D ) → 1 ⇒ χ t + 1 被形而上命定 . 命題 5：預測非權威命題
PredictionPower ⇏ NormativeAuthority . \boxed{
\operatorname{PredictionPower}
\not\Rightarrow
\operatorname{NormativeAuthority}.
} PredictionPower ⇒ NormativeAuthority . 90. 第二組命題：非識別與多模型
命題 6：算子非唯一識別命題
存在：
O 1 ≠ O 2 \mathfrak O_1
\neq
\mathfrak O_2 O 1 = O 2 使：
P ( D ∣ O 1 ) ≈ P ( D ∣ O 2 ) . P(D\mid\mathfrak O_1)
\approx
P(D\mid\mathfrak O_2). P ( D ∣ O 1 ) ≈ P ( D ∣ O 2 ) . 因此有限資料不保證唯一逆向。
命題 7：跨域漂移不可免費本質化命題
若：
O ^ D 1 ≠ O ^ D 2 , \widehat{\mathfrak O}_{D_1}
\neq
\widehat{\mathfrak O}_{D_2}, O D 1 = O D 2 , 不能直接判定：
「主體虛偽」 . \text{「主體虛偽」}. 「主體虛偽」 . 仍需檢查：
Δ B , Δ A , Δ R . \Delta_B,
\quad
\Delta_A,
\quad
\Delta_R. Δ B , Δ A , Δ R . 91. 第三組命題：倫理
命題 8：可推論非可發布命題
Inferable ( x ) ⇏ Publishable ( x ) . \boxed{
\operatorname{Inferable}(x)
\not\Rightarrow
\operatorname{Publishable}(x).
} Inferable ( x ) ⇒ Publishable ( x ) . 命題 9：可預測非可操控命題
Predictable ( S ) ⇏ SteerableByRight ( S ) . \boxed{
\operatorname{Predictable}(S)
\not\Rightarrow
\operatorname{SteerableByRight}(S).
} Predictable ( S ) ⇒ SteerableByRight ( S ) . 命題 10：主體模型可爭議命題
高風險使用下，若主體存在且可互動，應至少保留：
Contest ( S , M ) > 0. \operatorname{Contest}(S,M)>0. Contest ( S , M ) > 0. 92. 本文的核心公理候選
本文提出八條最小公理候選：
A 1 : S ≠ O S , A 2 : B S o b s ≠ B S t r u e , A 3 : χ t ≠ B S ( t ) , A 4 : Trait ≠ ChoiceGenerator , A 5 : Prediction ≠ Predestination , A 6 : Prediction ≠ Authority , A 7 : Inferability ≠ Permission , A 8 : ObservedRegularity ⇏ TimelessEssence . \boxed{
\begin{aligned}
A_1:&\quad S\neq\mathfrak O_S,\\
A_2:&\quad \mathbb B_S^{obs}\neq\mathbb B_S^{true},\\
A_3:&\quad \chi_t\neq\mathbb B_S(t),\\
A_4:&\quad \text{Trait}\neq\text{ChoiceGenerator},\\
A_5:&\quad \text{Prediction}\neq\text{Predestination},\\
A_6:&\quad \text{Prediction}\neq\text{Authority},\\
A_7:&\quad \text{Inferability}\neq\text{Permission},\\
A_8:&\quad \text{ObservedRegularity}\not\Rightarrow\text{TimelessEssence}.
\end{aligned}
} A 1 : A 2 : A 3 : A 4 : A 5 : A 6 : A 7 : A 8 : S = O S , B S o b s = B S t r u e , χ t = B S ( t ) , Trait = ChoiceGenerator , Prediction = Predestination , Prediction = Authority , Inferability = Permission , ObservedRegularity ⇒ TimelessEssence . 93. 本文不宣稱什麼
本文不宣稱：
已找到人類選擇的完整狀態空間；
九個底空間分量是終極原語；
人格心理學無效；
所有選擇都可由有限模型準確預測；
人類具有形而上學自由意志；
高預測必然表示無自由意志；
第一人稱報告永遠正確；
任何現有 AI 具有第一人稱主體域；
可由公開資料無限制建立個體選擇模型；
選擇算子族可以取代人本身。
94. 可反駁條件
如果後續研究顯示：
加入底空間變數無法比靜態人格／政策模型改善任何跨情境與 longitudinal calibration；
Δ B \Delta_B Δ B Δ O \Delta_O Δ O 選擇束 b t \mathbf b_t b t
多模型保留比單一人格向量在所有測試中都更差且沒有倫理／解釋收益；
則本文的計算性主張需要大幅收縮。
但即使如此，以下邏輯區分仍可能保留：
model ≠ subject , \text{model}
\neq
\text{subject}, model = subject , 以及：
prediction ≠ authority . \text{prediction}
\neq
\text{authority}. prediction = authority . 95. 與後續 Paper 04 的接口
Paper 03 已把：
M t s e l f M_t^{self} M t se l f 與：
Ψ t \Psi_t Ψ t 放入系統。
下一篇將處理：
M t s e l f → M t + 1 s e l f → ⋯ M_t^{self}
\rightarrow
M_{t+1}^{self}
\rightarrow
\cdots M t se l f → M t + 1 se l f → ⋯ 以及：
「我知道自己在包裝」 \text{「我知道自己在包裝」} 「我知道自己在包裝」 本身如何成為新的策略與包裝層。
也就是：
Metacognition ⇏ Safety . \boxed{
\text{Metacognition}
\not\Rightarrow
\text{Safety}.
} Metacognition ⇒ Safety . 96. 結論：不是「你是什麼」，而是「你如何在歷史中繼續生成選擇」
本文把主體建模從固定人格向量移到：
B S ( t ) → O S ( t ) b S ( t ) → F B , F O ( B S ( t + 1 ) , O S ( t + 1 ) ) . \boxed{
\mathbb B_S(t)
\xrightarrow{\mathfrak O_S(t)}
\mathbf b_S(t)
\xrightarrow{F_B,F_O}
\left(
\mathbb B_S(t+1),
\mathfrak O_S(t+1)
\right).
} B S ( t ) O S ( t ) b S ( t ) F B , F O ( B S ( t + 1 ) , O S ( t + 1 ) ) . 這個循環有三個重要後果。
第一，主體的過去可以留下穩定痕跡，但穩定痕跡不必被升格為 timeless essence。
第二，選擇不是一個從固定人格中被動輸出的點；它會改寫歷史、關係、承諾、自我模型與下一輪可選擇空間。
第三，外部觀察者可以對這些結構進行逆向、比較、量化與預測，但其認識能力增加不會自動增加對主體的規範權威。
所以本文最終把「人是什麼」改寫成一個動態問題：
What choice-generating structures remain, change, and regenerate across the subject’s history? \boxed{
\text{What choice-generating structures remain, change, and regenerate across the subject's history?}
} What choice-generating structures remain, change, and regenerate across the subject’s history? 而不是：
Which fixed label finally captures the subject? \boxed{
\text{Which fixed label finally captures the subject?}
} Which fixed label finally captures the subject? 這也為後續倫理系列提供關鍵前提：未來高智能存在可能真的可以快速逆向別人的選擇結構，但即使如此，模型仍必須保存不確定性、可修正性、非本質化與非權威跳躍。
下一篇將進入最危險也最有趣的部分：當一個存在能對自己的選擇算子進行一階、二階、三階甚至遞迴反思時，為何「知道自己可能有問題」仍然不構成安全證明。
參考文獻
外部文獻
[1] Baker, C. L., Saxe, R., & Tenenbaum, J. B. (2009). “Action understanding as inverse planning.” Cognition , 113(3), 329–349. DOI: 10.1016/j.cognition.2009.07.005.
[2] Schurr, R., Reznik, D., Hillman, H., Bhui, R., Gershman, S. J., et al. (2024). “Dynamic computational phenotyping of human cognition.” Nature Human Behaviour , 8, 917–931. DOI: 10.1038/s41562-024-01814-x.
[3] De Peuter, S., Zhu, S., Guo, Y., Howes, A., & Kaski, S. (2024). “Preference Learning of Latent Decision Utilities with a Human-like Model of Preferential Choice.” Advances in Neural Information Processing Systems 37 (NeurIPS 2024) .
[4] Cao, X., Quan, D., Zhang, Z., & Wang, S. (2026). “Learning What Matters Now: Dynamic Preference Inference under Contextual Shifts.” ICLR 2026 .
[5] Plate, C. R., Govil, D., Zheng, C. Y., Boundy-Singer, Z. M., Ziemba, C. M., & Lopez-Guzman, S. (2025). “Computational characterization of metacognitive ability in subjective decision-making.” bioRxiv. DOI: 10.1101/2025.05.23.655775.
[6] Tan, Z.-X., Kang, G., Mansinghka, V., & Tenenbaum, J. B. (2026). “Infinite Ends From Finite Samples: Open-Ended Goal Inference as Top-Down Bayesian Filtering of Bottom-Up Proposals.” Topics in Cognitive Science , e70075. DOI: 10.1111/tops.70075.
[7] Hausladen, C. I., Schubert, M. H., & Engel, C. (2026). “Identifying Latent Intentions via Inverse Reinforcement Learning in Repeated Linear Public Good Games.” arXiv:2601.08803.
EveMissLab 內部／前置理論
[EML-01] Neo.K × Aletheia. 《三域判定論：邏輯域、行為張力域與第一人稱主體域》, TCUE-SNS Paper 01, v0.1, 2026.
[EML-02] Neo.K × Aletheia. 《主體不可替代論：表示、理解與第一人稱位置的本體差》, TCUE-SNS Paper 02, v0.1, 2026.
[EML-03] Neo.K × Aletheia. GCORF-00《通用認知算子逆向框架：總綱、範圍與非主張》, v0.1, 2026.
[EML-04] Neo.K × Aletheia. RMRM Series《Mathematician Reverse Research Matrix》, v0.1–v0.6, 2026.
[EML-05] Neo.K × Aletheia. 《萬有元息與全域收納論系列》, UMIGC Series, v0.1, 2026.
[EML-06] Neo.K × Aletheia. 《無界展開論：從潛在無限到有限計算生成框架》及《無界展開論：未來研究與工程路線圖》, v0.1, 2026.
[EML-07] Neo.K × Aletheia. 《多域知識判定論：定義、觀察、可達、判定、驗證、局部與全域黏合域》, EML-DEST-01, v0.1, 2026.
[EML-08] Neo.K × Aletheia. 《世界編織論與普世價值對等本體論總地基：從存在、關係、主體、價值到權利制度的二十篇統合》, v1.0, 2026.
版本聲明
本文為 TCUE-SNS Paper 03 v0.1。後續版本優先補強：
B S ( t ) \mathbb B_S(t) B S ( t ) O S ( t ) \mathfrak O_S(t) O S ( t ) b S ( t ) \mathbf b_S(t) b S ( t ) Δ B \Delta_B Δ B Δ O \Delta_O Δ O longitudinal choice benchmark；
subject-facing model contest protocol；
privacy-preserving operator publication；
與 Paper 04「元認知非免疫原則」的遞迴自我模型接口。
本文任何後續修訂應保存原始 UTF-8 source、版本差異與可追溯變更；不得以渲染後數學字形覆蓋 canonical LaTeX source。