title: "視域、注意與知識載入 2.0：可用、檢索、載入、前景、背景、遮蔽與有效使用的動態學" title_en: "Horizon, Attention, and Knowledge Loading 2.0: Dynamics of Availability, Retrieval, Loading, Foreground, Background, Occlusion, and Effective Use" series: "動態知識空間論（Dynamic Epistemic Space Theory, DEST）" series_id: "EML-DEST-2026-11" version: "v0.1" date: "2026-08-13" language: "zh-Hant" document_type: "系列第十一篇／視域與注意／知識載入／AI-readable horizon specification" status: "Canonical Draft" depends_on: - "EML-DEST-2026-00 動態知識空間總論 v0.1" - "EML-DEST-2026-01 多域知識判定論 v0.1" - "EML-DEST-2026-02 多維知識覆蓋論 v0.1" - "EML-DEST-2026-03 Gap 場論 v0.1" - "EML-DEST-2026-04 關聯拓撲與全域黏合 v0.1" - "EML-DEST-2026-05 多中心知識拓撲 v0.1" - "EML-DEST-2026-06 移動邊界論 v0.1" - "EML-DEST-2026-07 條件依賴知識演化 2.0 v0.1" - "EML-DEST-2026-08 概念積分 2.0 v0.1" - "EML-DEST-2026-09 表示逃逸與解空間導航 2.0 v0.1" - "EML-DEST-2026-10 知識壓縮、生成核心與動態不動點 2.0 v0.1" - "視之基底系列_02_從差異到顯現_視域前景背景與遮蔽的生成_v0.1" - "視之基底系列_10_視之一般算子論_差異的場化位格化與回饋化_v1.0" canonical_keywords: - "Semantic Horizon" - "Knowledge Loading" - "Attention Allocation" - "Foreground" - "Background" - "Occlusion" - "Retrieval" - "Context Window" - "Loaded Coverage" - "Effective Use" - "Attention-Induced False Boundary" - "Unknown Management" - "Active Inspection" - "Context Budget" - "Writeback"

視域、注意與知識載入 2.0

可用、檢索、載入、前景、背景、遮蔽與有效使用的動態學

摘要

本文是《動態知識空間論》（Dynamic Epistemic Space Theory, DEST）的第十一篇子理論，專門細化總狀態中的：

\mathcal V_t

亦即視域／工作場／當前可操作知識界面。

DEST-00 至 DEST-10 已經建立完整的：

Domain Qualification；
Coverage；
Gap；
Global Glue；
Center；
Boundary；
Evolution；
Concept Generation；
Representation Escape；
Generative Core。

然而，這些結構即使全部存在於知識系統中，也不表示它們會在每一個時刻同時進入 Agent 的當前推理。

因此必須嚴格區分：

\boxed{ \text{Exists} \neq \text{Available} \neq \text{Retrievable} \neq \text{Retrieved} \neq \text{Loaded} \neq \text{Foregrounded} \neq \text{Effectively Used}. }

這是本文的第一核心命題。

一條已驗證 theorem 可以存在於知識庫：

x\in K_t,

甚至可以：

x\in D_t^{\mathrm{reach}},

也不代表：

x\in V_t^{\mathrm{load}},

更不代表它真正影響了當前 judgment：

x\in V_t^{\mathrm{use}}.

因此，本文把「知識載入」重構為七級存取鏈：

\boxed{ \mathsf{Avail} \rightarrow \mathsf{Retrieve} \rightarrow \mathsf{Load} \rightarrow \mathsf{Field} \rightarrow \mathsf{Foreground} \rightarrow \mathsf{Use} \rightarrow \mathsf{Writeback}. }

對一個知識單元 (x)，定義狀態向量：

\boxed{ \boldsymbol\ell_t(x) = ( a_t, r_t, l_t, f_t, u_t, w_t ) }

其中：

$a_t$ ：available；
$r_t$ ：retrieved；
$l_t$ ：loaded；
$f_t$ ：foreground weight；
$u_t$ ：effective-use weight；
$w_t$ ：writeback state。

本文同時重新吸收「視之基底」中的 Figure–Ground、Occlusion、Perspective 與 Unknown Management。

定義語義視域：

\boxed{ \mathcal V_t = \left\langle F_t, G_t, O_t, U_t, P_t, L_t, A_t, Q_t, \mathcal H_t \right\rangle. }

其中：

$F_t$ ：Foreground / Figure；
$G_t$ ：Ground / Background；
$O_t$ ：Occluded / latent-but-relevant；
$U_t$ ：Unresolved / unknown-managed region；
$P_t$ ：Perspective；
$L_t$ ：Loaded knowledge set；
$A_t$ ：attention / salience field；
$Q_t$ ：active query / task；
$\mathcal H_t$ ：視域歷史與重聚焦紀錄。

本文特別保留舊框架的重要區分：

\boxed{ \operatorname{Appears}(x) \not\Rightarrow \operatorname{Attended}(x) }

以及：

\boxed{ K(x) \not\Rightarrow \operatorname{Figure}(x). }

同時新增：

\boxed{ \operatorname{Loaded}(x) \not\Rightarrow \operatorname{Used}(x). }

這是 AI 長上下文系統的關鍵工程問題：一段資訊可以物理上出現在 prompt/context 中，卻因位置、競爭、注意配置、query mismatch、表示問題或 routing failure，而沒有真正影響輸出。

因此本文定義四種 Coverage：

\boxed{ \rho^{\mathrm{avail}}, \quad \rho^{\mathrm{retr}}, \quad \rho^{\mathrm{load}}, \quad \rho^{\mathrm{use}}. }

並定義視域利用效率：

\boxed{ \eta_{\mathrm{view}} = \frac{ \mu(K_{\mathrm{effectively\ used}}) }{ \mu(K_{\mathrm{loaded}}) }. }

高 context length 不代表：

\eta_{\mathrm{view}}\approx1.

本文還引入「注意誘發假邊界」（Attention-Induced False Boundary）：

\boxed{ B_t^{\mathrm{attn-false}} = \partial \left( K_t^{\mathrm{foreground}} \right) \setminus \partial \left( K_t^{\mathrm{available}} \right). }

其含義是：

系統因沒有載入／沒有注意某部分知識，而誤以為知識空間真的到此為止。

這種邊界不是世界的邊界，不是知識庫的邊界，也不是可達域邊界，而只是當前視域的邊界。

本文亦建立「重聚焦算子」：

\boxed{ \mathsf{Refocus} : \mathcal V_t \times q \times \mathbf G_t \times \mathbf C_t \times \mathbf B_t \to \mathcal V_{t+1}, }

使 Agent 可依：

Gap；
Task；
Center；
Boundary；
contradiction；
verification debt；
user request；

主動改變當前前景與檢索範圍。

本文總命題為：

\boxed{ \text{知識系統真正能用的知識，不等於它保存的全部知識。} }

更精確地：

\boxed{ \text{Epistemic Capability at }t = \text{stored structure} + \text{retrieval} + \text{loading} + \text{attention} + \text{effective integration} + \text{writeback}. }

0. 研究定位與非主張聲明

本文不主張：

Transformer attention 等於人類注意；
attention weight 等於解釋；
attention score 等於重要性；
context window 等於 working memory；
retrieval-augmented generation 等於完整外部記憶；
長 context 一定比短 context 好；
將資訊塞入 context 即表示模型會使用；
foreground content 一定最重要；
background content 可以安全忽略；
occluded knowledge 一定真實存在；
未檢索到即表示不存在；
高 salience 等於高 truth；
low attention 等於 low relevance；
所有 AI 系統都具有相同知識載入架構；
人類 figure–ground perception 可直接等同 semantic graph attention；
視域一定具有視覺意識；
本文處理 phenomenal consciousness；
retrieval failure 一定是模型能力不足；
loaded knowledge 的所有 token 都具有相同可用性；
context position effect 是唯一長上下文問題；
任何 memory compression 都不損失資訊；
不載入的知識不會間接影響模型；
parameter memory 可被完全枚舉；
attention-induced false boundary 可被完全觀察；
所有未知都可以透過重聚焦消除。

本文主張：

對有限 AI／Agent 而言，保存、可達、檢索、載入、前景化與實際使用是不同狀態；成熟知識系統必須顯式管理這些狀態與它們之間的轉換。

1. 視域不是全部知識

全域知識：

\mathbb K_t.

當前視域：

\boxed{ \mathcal V_t \subsetneq \mathbb K_t }

通常成立。

2. World Model 也不是 View

若有 world model：

M_t^{world},

則可有：

\mathcal V_t \subseteq M_t^{world}.

world model 還包含：

未激活知識；
長期背景；
latent structure；
alternate hypotheses。

3. Stored Knowledge

定義：

K_t^{\mathrm{stored}}

為目前系統保存／可索引的知識。

4. Available Knowledge

\boxed{ K_t^{\mathrm{avail}} = \{ x\in K_t^{\mathrm{stored}}: \operatorname{AccessAllowed}(x,t)=1 \}. }

5. Reachable ≠ Available

DEST-01 的：

D^{\mathrm{reach}}

可包含外部 web/tool 可獲取但尚未存入系統的內容。

所以：

K^{\mathrm{avail}}

與：

D^{\mathrm{reach}}

不可混寫。

6. Retrievable Knowledge

對 query (q)：

\boxed{ K_t^{\mathrm{retrievable}}(q) = \{ x: \operatorname{Score}(x,q)\ge\tau_R \}. }

7. Retrieval 是條件化操作

同一 (x)：

x\in K^{\mathrm{retrievable}}(q_1)

可能：

x\notin K^{\mathrm{retrievable}}(q_2).

8. Retrieved Set

\boxed{ R_t(q) = \mathsf{Retrieve} (q,K_t,B_R). }

其中：

B_R

是 retrieval budget。

9. Retrieved ≠ Loaded

Retrieved items 還可能被：

rerank；
dedup；
summarize；
reject；
compress；

才進入 active context。

10. Loaded Set

\boxed{ L_t = \mathsf{Load} (R_t,B_C,\pi). }

其中：

B_C

是 context / working-set budget。

11. Context Window

在 token-based system 中可有：

|L_t|_{\mathrm{token}} \le W.

但本文不把所有載入成本都等同 token count。

12. Context Cost Vector

\boxed{ \mathbf C_{\mathrm{ctx}} = ( C_{\mathrm{token}}, C_{\mathrm{attention}}, C_{\mathrm{latency}}, C_{\mathrm{retrieval}}, C_{\mathrm{integration}}, C_{\mathrm{conflict}} ). }

13. Loading ≠ Fielding

一段文字在 prompt 裡：

x\in L_t

不表示它已經被組織進：

[ F/G/O/U ]

關係場。

14. Fielding

定義：

\boxed{ \mathsf{Field} : L_t \to \mathfrak F_t = (N_t,R_t,\Lambda_t). }

15. Figure–Ground

對當前 task：

q_t,

定義：

F_t

前景，

G_t

背景。

16. Ground 不是不存在

\boxed{ G_t = \text{participating but non-primary context}. }

17. Background Functions

背景可以提供：

definitions；
implicit conditions；
base theory；
world model；
provenance；
scale；
counterfactual alternatives；
expected structure。

18. Foreground

\boxed{ F_t = \{ x\in L_t: a_t(x)\ge\tau_F \}. }

19. Foreground ≠ Truth

\operatorname{Figure}(x) \not\Rightarrow \operatorname{True}(x).

20. Foreground ≠ Center

C^{\mathrm{view}} \neq C^{\mathrm{gen}}

通常可能成立。

21. Foreground ≠ Task Necessity

高 attention item 也可能只是：

anomaly；
recent token；
formatting；
salience trap。

22. Attention Field

定義：

\boxed{ A_t : L_t \to \mathbb R_{\ge0}. }

23. Attention Budget

\sum_{x\in L_t}A_t(x) \le B_A.

24. Attention 是多源函數

\boxed{ A_t(x) = F( bottomup, topdown, history, goal, gap, risk, position ). }

25. Salience ≠ Importance

\operatorname{Salient}(x) \not\Rightarrow \operatorname{Important}(x).

26. Transformer Attention Alignment

Transformer self-attention 是一種內容條件化資訊聚合機制。

DEST 只把它視為：

\boxed{ \text{one implementation of weighted access} }

而不是視域本身。

27. Multi-Head Attention Analogy

多 head 可以：

聚焦不同 relation；
讀不同位置；
形成不同 projection。

但不能由此推出認知上真的存在多個人類式注意中心。

28. Effective Use

定義：

\boxed{ U_t(x\mid y) = \operatorname{Influence} ( x, \text{current output/judgment }y ). }

29. Loaded ≠ Used

\boxed{ x\in L_t \not\Rightarrow U_t(x)>0. }

30. Use ≠ Attribution Simplicity

真正 influence 未必能由一個 attention weight 精確表示。

所以：

A_t(x) \neq U_t(x)

一般成立。

31. Counterfactual Use Test

可比較：

y = f(L_t)

與：

y_{-x} = f(L_t\setminus\{x\}).

定義：

\Delta_x^{\mathrm{use}} = d(y,y_{-x}).

32. Counterfactual ≠ True Causality

若系統非 deterministic、context interaction 複雜，這只是 operational influence test。

33. Loaded Coverage

對 task target set：

T_q,

定義：

\boxed{ \rho^{\mathrm{load}} = \frac{ \mu(T_q\cap L_t) }{ \mu(T_q) }. }

34. Available Coverage

\rho^{\mathrm{avail}} = \frac{ \mu(T_q\cap K^{\mathrm{avail}}) }{ \mu(T_q) }.

35. Retrieval Coverage

\rho^{\mathrm{retr}} = \frac{ \mu(T_q\cap R_t) }{ \mu(T_q) }.

36. Effective-Use Coverage

\boxed{ \rho^{\mathrm{use}} = \frac{ \mu( \{ x\in T_q: U_t(x)\ge\tau_U \} ) }{ \mu(T_q) }. }

37. Coverage Chain

理想：

\rho^{\mathrm{avail}} \ge \rho^{\mathrm{retr}} \ge \rho^{\mathrm{load}} \ge \rho^{\mathrm{use}}.

但在不同 denominator / external retrieval 下需重新限定。

38. View Utilization

\boxed{ \eta_{\mathrm{view}} = \frac{ \rho^{\mathrm{use}} }{ \rho^{\mathrm{load}}+\epsilon }. }

39. Low View Utilization

表示：

context 很大，但有效參與判定的相關內容少。

40. Long Context ≠ Effective Context

context length：

[ W ]

增加不自動使：

\rho^{\mathrm{use}}\uparrow.

41. Position Sensitivity

loaded item 的使用概率可能依：

[ position(x) ]

變化。

因此：

U_t(x) = F(x,q,position,\text{competitors},\ldots).

42. Lost-in-the-Middle Backend

長上下文 QA / retrieval 實驗可測：

P( \operatorname{Use}(x) \mid position(x) ).

DEST 把它視為：

\boxed{ \text{loaded-but-underused} }

的一個工程後端。

43. Context Fragmentation

若推理被切成多段：

L^{(1)},L^{(2)},\ldots

可能造成：

lost dependency；
repeated retrieval；
temporal discontinuity；
provenance break。

44. Transformer-XL Alignment

segment recurrence 類方法提供：

超越單一固定片段重用前段表徵

的工程原型。

DEST 借用它作：

\text{loaded field persistence}

的實作對照。

45. Compressed Memory

舊 context 可被：

\mathsf{CompressMemory}

後留在較低解析度 memory。

46. Compressive Transformer Alignment

Compressive Transformer 提供壓縮過去 activation / memory 的工程原型。

但其 memory compression 不自動具備 DEST-10 的 provenance / certificate reconstruction 要求。

47. External Retrieval

RAG 類架構把：

\text{parametric state}

與：

\text{external non-parametric memory}

分開。

48. RAG Alignment

DEST 借用：

\boxed{ \text{stored knowledge can remain outside model parameters and be dynamically retrieved} }

這個工程原型。

49. Retrieval Provenance

retrieved item 必須保存：

source；
timestamp；
index version；
query；
rank；
transformation。

50. Retrieval ≠ Ground Truth

retriever 可能：

miss；
rank wrong；
retrieve stale；
retrieve irrelevant；
retrieve conflicting evidence。

51. RETRO Alignment

大規模 external retrieval 可使模型按當前 context 查取 massive corpus 中的局部 chunks。

DEST 將此視為：

\boxed{ \text{availability can be huge while loaded set remains tiny} }

的典型實作。

52. Memorizing Transformer Alignment

kNN memory 類系統展示 inference-time memory lookup 可以擴展模型可用資訊。

DEST 只借用：

\text{memory available} \rightarrow \text{query-conditioned access}

的結構。

53. Latent Bottleneck Alignment

Perceiver 類架構使用 latent bottleneck 將大量 input 壓到有限 latent set。

DEST 可把它視為：

\mathsf{Field} + \mathsf{Compress}

的一種神經後端。

54. Bottleneck ≠ Knowledge Core

latent bottleneck 是當前運算表示。

DEST-10 Generative Core 是可版本化、可重建、帶證書的長期知識結構。

55. Occluded Knowledge

定義：

\boxed{ O_t = \{ x: \operatorname{IndirectEvidence}(x)>0, \operatorname{DirectLoad}(x)=0 \}. }

56. Occluded ≠ Exists

\operatorname{PredictedHidden}(x) \not\Rightarrow \operatorname{Exists}(x).

57. Semantic Occlusion

例如：

未打開 appendix；
未檢索 citation；
未載入 counterexample；
permission-blocked source；
hidden branch；
compressed-away detail。

58. Unresolved

U_t^{\mathrm{unres}}

表示已進場但不能穩定分類／判定的內容。

59. Out-of-Field

內容可以：

x\in K^{\mathrm{avail}}

但：

x\notin\mathcal V_t.

60. Out-of-Domain

x\notin D^{\mathrm{reach}}

比 out-of-field 更強。

61. Four Invisible States

InvisibleState:
  BACKGROUND:
    meaning: "已載入、仍參與場，但非前景"
  OCCLUDED:
    meaning: "有間接跡象，但未直接載入／解析"
  UNRESOLVED:
    meaning: "已接觸但未形成穩定判定"
  OUT_OF_FIELD:
    meaning: "目前視域完全沒有"

62. Fifth State：Model-Imputed

M_t^{\mathrm{imp}}

表示目前無直接 evidence、由模型補出的候選。

必須與 observed/retrieved 分開。

63. Expected / Observed / Mismatch / Unresolved

成熟視域保存：

EXPECTED
OBSERVED
MISMATCH
UNRESOLVED

避免預測直接覆寫證據。

64. Prediction Bias

背景模型可提高識別速度，也可能使 unusual truth 被忽略。

65. Viewpoint

P_t = \langle task, role, language, permission, memory, representation, risk \rangle.

66. Perspective Shift

P_t \to P_{t+1}

可使 Figure/Ground 反轉。

67. Figure–Ground Reversal

F_t \to G_{t+1}

且：

G_t \to F_{t+1}.

68. Refocus

定義：

\boxed{ \mathsf{Refocus} ( \mathcal V_t, q, g, c, b ) \to \mathcal V_{t+1}. }

69. Refocus Triggers

user asks a new question；
contradiction；
Gap severity；
verification debt；
boundary contact；
center change；
novelty；
failure；
timeout。

70. Passive Attention vs Active Inspection

Passive：

Input \to Attention.

Active：

\boxed{ CurrentView \to ChooseNextEvidence \to Acquire \to UpdateView. }

71. Active Inspection

a_t = \arg\max_a U( \operatorname{ExpectedViewUpdate} \mid a ).

72. Information Gain Is Not the Only Goal

Active inspection 可優化：

safety；
verification；
falsification；
control；
explanation；
provenance；
uncertainty reduction。

73. Unknown Management

成熟視域不只存 foreground。

它還維持：

\boxed{ \mathcal U_t^{view} = ( U_{\mathrm{background}}, U_{\mathrm{occluded}}, U_{\mathrm{unresolved}}, U_{\mathrm{out}} ). }

74. Unknown ≠ Gap

某 out-of-field item 可能根本與當前 task 無關。

所以：

\mathcal U_t^{view} \neq \mathbf G_t.

75. Gap Loading

DEST-03 的 Gap 可分：

available Gap；
loaded Gap；
occluded Gap。

76. Loaded Gap

g\in G_t \cap L_t.

77. Latent Gap

Gap 已在知識庫中記錄，但：

g\notin L_t.

78. Attention to Gap

A_t(g)

決定目前是否對 Gap 投資資源。

79. Gap Neglect

高 downstream leverage Gap 若長期：

A_t(g)\approx0

可能形成 structural blind spot。

80. Center-to-View Projection

DEST-05 的多中心集合：

\mathbf C_t

不等於視域前景。

定義：

\boxed{ \Pi_{C\to V} : \mathbf C_t \to \mathcal V_t. }

81. Center Projection Policy

可能前景化：

Task Center；
Bridge Center；
Verification Center；
Frontier Center。

82. Core-to-View Projection

DEST-10 的 Generative Core：

C^\star

通常只投影一小部分到 context。

83. Core Loading

L_t = \mathsf{ExpandCore} ( C^\star, q, B_C ).

84. Expansion Depth

核心可按多解析度：

d=0,1,\ldots,k

展開。

85. Overexpansion

展開太深造成：

context overflow；
distraction；
redundancy；
latency。

86. Underexpansion

展開太淺造成：

lost assumptions；
lost counterexample；
missing proof obligation。

87. Adaptive Expansion

d^\star = \arg\min_d [ C_{\mathrm{ctx}}(d) + R_{\mathrm{missing}}(d) ].

88. Loaded Certificate

重要知識不只載入 claim。

也可載：

[ (claim,scope,evidence,status). ]

89. Claim-Only Loading Failure

只載結論不載條件：

[ p ]

容易造成：

quantifier inflation；
scope leak；
stale theorem use。

90. Epistemic Packet

定義：

\boxed{ E(x) = ( content, type, scope, conditions, evidence, provenance, version, status ). }

91. Packet Loading

Context 裡真正應載入：

[ E(x) ]

而不只是 surface text。

92. Compression in Context

若 context budget 有限，可壓縮 packet。

但必須按 DEST-10：

\mathsf{CompressionCert}.

93. Attention-Induced False Boundary

當前 Figure set：

F_t.

若系統把：

\partial F_t

誤當：

\partial D^K,

就形成假可知邊界。

94. Formal Definition

\boxed{ B_t^{\mathrm{attn-false}} = \partial_\tau F_t \setminus \partial_\tau K_t^{\mathrm{avail}}. }

只在共同 topology/backend 下使用。

95. Retrieval-Induced False Boundary

如果 retriever 沒找到：

[ x, ]

Agent 說「不存在」，形成：

B^{\mathrm{retr-false}}.

96. Context-Induced False Boundary

如果資料被截斷：

x\notin L_t

但系統推論「沒有更多條件」，形成：

B^{\mathrm{ctx-false}}.

97. Model-Induced False Boundary

模型 ontology 缺 primitive，導致整類內容不可表示。

這接：

G^O.

98. False Boundary Audit

每次高風險「沒有」聲明前，依序問：

stored 有沒有？
available 有沒有？
retriever 找到了嗎？
context 載了嗎？
Figure 裡有嗎？
used 了嗎？
representation 能表達嗎？

99. Absence Certificate

absence_certificate:
  claim: "no relevant theorem found"
  scope:
    corpus: "..."
    query: "..."
    date: "..."
  stages:
    available_checked: true
    retrieval_attempts: 4
    aliases_checked: true
    representations_checked: 3
  result:
    status: "not-found-in-scope"

不得直接寫：

does not exist

100. View Debt

定義：

\boxed{ D_V = D_{\mathrm{retr}} + D_{\mathrm{load}} + D_{\mathrm{attn}} + D_{\mathrm{integration}} + D_{\mathrm{writeback}}. }

101. Retrieval Debt

應取用但未檢索。

102. Loading Debt

檢索到了但因 budget 未載。

103. Attention Debt

載入了但沒有前景化。

104. Integration Debt

前景化了但沒有接進：

conditions；
dependency；
globality。

105. Writeback Debt

推理中形成新資訊，但未寫回長期狀態。

106. View Backlog

若新 evidence 進入速度：

\nu_{\mathrm{input}}

高於 integration：

\nu_{\mathrm{integrate}},

產生 backlog。

107. Context Thrashing

視域反覆：

Load(A) \to Drop(A) \to Load(A)

造成資源浪費。

108. Thrash Rate

T_{\mathrm{thrash}} = \frac{ \#\text{reloaded items} }{ \#\text{load events} }.

109. View Stability

在 task 未變時：

d_V(V_t,V_{t+1})

不應無故極大。

但過度 stability 也可能是視點僵化。

110. View Churn

\operatorname{Churn}_V = \mu( L_t\triangle L_{t+1} ).

111. View Persistence

某背景 item 持續存在可降低重檢索成本。

112. Persistent Background

可保留：

task definition；
current assumptions；
global constraints；
user goal；
safety boundaries；
key provenance。

113. Sticky Context Risk

背景若永遠不清除，可能造成：

outdated assumptions；
anchoring；
context pollution。

114. Background Versioning

每個 persistent background item 要有：

version, valid\_until, recheck\_trigger.

115. View History

保存：

\mathcal H_V = \{ V_0,V_1,\ldots \}.

116. Focus Event

focus_event:
  time: "..."
  from: "lemma-A"
  to: "counterexample-C"
  trigger: "verification-failure"
  dropped: []
  retained_background: []

117. View Writeback

推理後：

\Delta V_t

可寫入：

K_{t+1}.

118. Writeback Guard

只有：

proposal；
judgment；
verified；
branch；

等合法 epistemic state 才能寫回。

119. Scratchpad ≠ Knowledge Base

暫時推理：

S_t

不能全部寫入長期記憶。

120. Writeback Selection

w^\star = \arg\max_w \frac{ V_{\mathrm{future}}(w) }{ C_{\mathrm{store}}+R_{\mathrm{error}} }.

121. Memory Pollution

錯誤 proposal 若未標狀態就寫入 memory，會在未來 retrieval 中被重新放大。

122. Memory Correction

後來證據可：

memory\ node \to stale/refuted.

歷史保留。

123. View Loop

定義：

\boxed{ K_t \to Retrieve \to Load \to View \to Judge \to Act/Answer \to Observe \to Writeback \to K_{t+1}. }

124. Closed-Loop View

更完整：

\boxed{ V_t \to Y_t \to \widehat V_t \to \Delta_t \to a_t \to V_{t+1}. }

125. View Error Taxonomy

Code	名稱	意義
VIEW-00	Stored-loaded collapse	知識庫有冒充目前已載入
VIEW-01	Retrieved-used collapse	搜到冒充已使用
VIEW-02	Loaded-used collapse	context 有冒充有效參與
VIEW-03	Attention-truth confusion	高 attention 冒充真
VIEW-04	Foreground-importance confusion	前景冒充真正重要
VIEW-05	Background deletion	背景條件被丟棄
VIEW-06	Occlusion-certification	模型推定冒充存在
VIEW-07	Out-of-field nonexistence	沒看到冒充不存在
VIEW-08	Retrieval false boundary	搜不到冒充知識邊界
VIEW-09	Context false boundary	截斷冒充全域
VIEW-10	Position blindness	忽略 long-context position effect
VIEW-11	Context-length fetish	window 大冒充有效 context 大
VIEW-12	Core-view confusion	生成核心冒充當前視域
VIEW-13	Center-view confusion	結構中心冒充當前注意
VIEW-14	Claim-only loading	丟失 scope/evidence packet
VIEW-15	Writeback pollution	未證推理直接入庫
VIEW-16	Sticky-context staleness	舊背景持續污染
VIEW-17	Thrashing	重複載入／丟棄
VIEW-18	Over-foregrounding	單一內容壓制背景
VIEW-19	Viewpoint rigidity	無法重聚焦
VIEW-20	Global hallucination	少量線索補成完整全局
VIEW-21	Unknown invisibility	不知道自己還有遮蔽／域外
VIEW-22	Attention explanation overclaim	attention weight 冒充因果解釋
VIEW-23	Memory-vision collapse	長期記憶冒充當前視
VIEW-24	RAG-groundtruth confusion	retrieved document 冒充 truth
VIEW-25	Parametric-memory absolutism	模型沒說出來冒充不知道

126. View Certificate

view_certificate:
  view_id: "view-..."
  time: "..."
  task_id: "..."
  perspective_id: "..."

  source_state:
    knowledge_state: "K-..."
    core_family: "..."
    memory_version: "..."

  retrieval:
    queries: []
    corpus_scope: []
    retrieved_refs: []

  loading:
    context_budget: null
    loaded_refs: []
    compression_refs: []

  field:
    foreground: []
    background: []
    occluded: []
    unresolved: []

  use:
    effective_refs: []
    counterfactual_tests: []

  unknown_management:
    out_of_field: []
    retrieval_debts: []

  writeback:
    candidates: []
    committed: []

  false_boundary_audit:
    status: "pass|warning|fail"

127. Semantic View Schema

semantic_view:
  figure:
    - claim-main

  ground:
    - task-definition
    - theorem-assumptions
    - base-model
    - provenance-context

  occluded:
    - unopened-appendix
    - missing-citation
    - hidden-branch

  unresolved:
    - ambiguous-definition
    - unverified-bridge

  perspective:
    task: "proof-audit"
    representation: "dependency-graph"
    version: "v7"

128. Retrieval Capsule

retrieval_capsule:
  query: "..."
  intent: "..."
  aliases: []
  dense_results: []
  sparse_results: []
  graph_results: []
  rejected_results: []
  not_found_scope: []

129. Loaded Packet Schema

epistemic_packet:
  id: "..."
  content: "..."
  type: "theorem"
  scope: {}
  assumptions: []
  evidence: []
  provenance: []
  version: "..."
  status: "verified"
  attention_weight: null
  use_status: "unused|background|figure|effective"

130. Attention Scheduler

對 candidate (x)：

\boxed{ Priority(x) = \frac{ V_q(x) \cdot Risk(x) \cdot GapLeverage(x) \cdot Need(x) }{ LoadCost(x)+IntegrationCost(x)+\epsilon }. }

131. Diversity Constraint

不能只前景化同一類 source / center。

要求：

D(F_t)\ge\tau_D

在需要多視點時成立。

132. Contradiction Reservation

若存在：

p, \neg p,

高風險判定時兩方都應保留到 foreground / ground 可見範圍。

133. Background Reservation

對 critical assumptions：

A_{\mathrm{critical}} \subseteq G_t

強制不被 context eviction。

134. View Budget Allocation

B_C = B_F + B_G + B_O + B_U.

135. Figure Budget

太大：

無背景。

太小：

無法深入。

136. Ground Budget

必須足以維持：

scope；
dependencies；
global context；
provenance。

137. Occlusion Budget

保留：

我還沒有看的東西的索引。

不需要把全部內容載入。

138. Unresolved Budget

保留：

ambiguity；
open question；
uncertainty；
contradictions。

139. View Compression

當 budget 不足：

V_t \to \widehat V_t.

必須使用 DEST-10 壓縮證書。

140. View Expansion

若新 Gap 需要細節：

\widehat V_t \to V_t^{+}.

141. Adaptive View Resolution

不同區域可不同解析度：

res(x) = f( priority, risk, uncertainty, cost ).

142. Multi-Resolution Attention

高風險 lemma：細節載入。

成熟背景：宏摘要。

歷史 archive：只留索引。

143. Multi-Agent Views

Agent (i)：

V_t^{(i)}.

144. View Diversity

不同 Agent 可故意採：

verifier view；
counterexample view；
historian view；
representation challenger view。

145. View Merge

V^{(1)},\ldots,V^{(m)} \to V^{team}.

需 global glue / branch preservation。

146. View Conflict

兩 Agent 前景完全不同，不一定誰錯。

可能 task / perspective 不同。

147. Shared Background

多 Agent 可共享：

task contract；
source ledger；
version；
core definitions。

148. Private Foreground

各 Agent 維持不同探索方向。

149. Observer-Conditioned Horizon

\boxed{ V_t^{(o)} = \mathcal V( K_t \mid o,q,\theta,\pi,B ). }

150. Observer Difference

V_t^{(o_1)} \neq V_t^{(o_2)}.

不代表 world state 不同。

151. View Translation

不同 Agent 視域需要：

T_{12} : V^{(1)} \to V^{(2)}.

152. Handoff Loss

研究交接時可能丟：

background；
unresolved；
occluded refs；
perspective；
focus history。

153. View Handoff Certificate

view_handoff:
  from: "agent-A"
  to: "agent-B"
  figure: []
  ground: []
  unresolved: []
  occluded_refs: []
  perspective: {}
  open_questions: []
  dropped_items: []

154. Attention and Boundary Coupling

若大量 frontier item 未被注意：

A_t(F)\approx0,

可知 boundary 可能表面停滯。

155. Attention-Driven Boundary Advance

Refocus：

F_t^{\mathrm{inactive}} \to F_t^{\mathrm{active}}

可讓研究前沿真正被推動。

156. Attention-Driven Boundary Retreat

若驗證注意轉向反例，可能使：

B^V

誠實回縮。

157. Attention and Center Coupling

Center 高不一定 attention 高。

但 scheduler 可依：

C^{task}, C^{bridge}, C^{causal}

提高 attention。

158. Attention and Core Coupling

Core 只提供 compact source。

View 是 task-conditioned expansion。

159. View as Core Projection

\boxed{ V_t = \Pi_{q,\theta,B} ( \mathfrak C^\star, K^{\mathrm{external}}, \mathcal H ). }

160. Projection Risk

投影可：

過窄；
過寬；
偏中心；
丟 branch；
丟 provenance。

161. View Fitness

定義：

\boxed{ Q_V = ( \rho^{use}, \eta_{view}, D_{background}, D_{unknown}, C_{context}, R_{false-boundary} ). }

162. View Fitness 不是單一分數

高 use coverage 但無 unknown management 仍可能危險。

163. Active Horizon

定義：

H_t^{active} = F_t \cup G_t \cup O_t \cup U_t.

164. Horizon Size

|H_t^{active}|

不是 capability 的單調指標。

165. Effective Horizon

\boxed{ H_t^{eff} = \{ x: U_t(x)\ge\tau_U \}. }

166. Effective Horizon Ratio

\eta_H = \frac{ \mu(H^{eff}) }{ \mu(H^{active}) }.

167. Horizon Expansion

H_t \to H_{t+1}

可由 retrieval / memory / tool 擴張。

168. Horizon Contraction

task 收斂後可縮小 context。

169. Horizon Reset

重大 task shift 時清空 stale foreground，保留 stable ground。

170. Horizon Persistence

某些 assumptions 持續多輪。

171. Horizon Drift

無明示 task change 卻逐漸偏離原問題。

172. Goal Drift

若 foreground 改變但 task contract 未更新：

q_t=q_0

卻：

F_t \not\sim q_0,

為 focus drift。

173. Focus Drift Detector

比較：

Rel(F_t,q_0)

與歷史 baseline。

174. Recency Bias

最近載入資訊可能取得過高 attention。

175. Frequency Bias

高頻知識可能壓制 rare exception。

176. Center Bias

高 centrality source 被過度取用。

177. Confirmation Bias

retrieval query 只尋找支持目前 hypothesis 的來源。

178. Anti-Bias View Policy

定期：

counterexample retrieval；
peripheral probe；
branch compare；
alternate representation；
old source archaeology。

179. Viewpoint Rotation

P_1 \to P_2 \to \cdots

用不同 role 審同一問題。

180. Adversarial View

專門前景化：

missing assumptions；
failure cases；
contradictory sources；
hidden cost。

181. Verification View

前景只保：

claim；
certificate；
assumptions；
counterexample；
source。

182. Generation View

可載更寬相關區，但 proposal 和 verified 必須分色／分型。

183. Executive View

只載：

task；
bottleneck；
status；
next action；
high-risk debt。

184. View Switching Cost

C_{\mathrm{switch}} = C_{\mathrm{drop}} + C_{\mathrm{reload}} + C_{\mathrm{reorient}}.

185. Optimal Switching

頻繁重聚焦會 thrash。

太少重聚焦會 rigid。

186. Focus Dwell Time

T_{\mathrm{dwell}}(f)

可作 scheduler signal。

187. Premature Refocus

尚未完成 verification 就跳題。

188. Overlong Focus

同一路徑無進展但不退出。

189. Freeze View Route

如果：

same foreground；
same Gap；
no evidence；
no certificate change；
no boundary movement；

持續 (k) 輪：

\mathsf{RefocusRequired}.

190. View Replay

給定：

knowledge snapshot；
retrieval queries；
context assembly；
focus events；

應能重建當時視域。

191. Replay Limits

若 model internal activations 未保存，無法重建 exact hidden attention state。

所以要區分：

external view replay
internal activation replay

192. View Provenance

每個 foreground item 記：

from core？
from retrieval？
from user？
from model proposal？
from tool？
from previous turn？

193. View Trust

來源不同不決定真值，但影響 verification route。

194. Parametric Knowledge

模型權重中的隱式知識：

K^{param}.

195. Parametric Knowledge Availability

它不像文件庫一樣可直接列舉。

所以：

K^{param}

的 available 定義通常只能 operationalize 為：

在某 prompt/query family 下可可靠 elicited。

196. Elicitation Boundary

B^{elicitation}

不是 model knowledge absolute boundary。

197. Parametric-Retrieval Fusion

最終視域可來自：

V_t = V_t^{param} \cup V_t^{retr} \cup V_t^{tool} \cup V_t^{memory}.

198. Source-Type Separation

每個 packet 標：

PARAMETRIC
RETRIEVED
TOOL
MEMORY
USER
GENERATED

199. Fusion Conflict

不同 source type 衝突時，不做無證平均。

200. Source Arbitration

依 task：

authority；
freshness；
verification；
provenance；

決定下一步，不是直接決定 truth。

201. External Alignment Summary

Transformer Attention

Vaswani 等人的 Transformer 展示 self-attention 可作主要序列建模機制。

DEST 借用 weighted access / routing，不把 attention 等同視域。

Transformer-XL

提供跨 segment recurrent memory，說明 active context 不必完全限制在單一固定片段。

RAG

Lewis 等將 parametric 與 non-parametric memory 結合，提供 query-conditioned knowledge loading 原型。

RETRO

以大規模外部 corpus retrieval 強化 language model，展示 stored corpus 與 loaded chunk 的尺度可相差巨大。

Memorizing Transformers

以 kNN memory 在 inference time 取回過去 key-value，提供 explicit memory access 原型。

Lost in the Middle

長 context 中 relevant information 的位置可能顯著影響實際任務表現，提供：

Loaded\neq Used

的直接工程證據。

Compressive Transformer

壓縮較舊 memory 以保留更長期訊息，是多解析度 background memory 的一種後端。

Perceiver

以 latent bottleneck 處理巨大 input，提供 Fielding / bottleneck representation 的另一種工程對照。

202. 第一組命題

Proposition A [PROP]

存在：

x\in K^{stored}

但：

x\notin L_t.

所以 stored 不推出 loaded。

Proposition B [PROP]

存在：

x\in L_t

但：

\Delta_x^{use}\approx0.

所以 loaded 不推出 effectively used。

Proposition C [PROP]

存在已知真 theorem：

[ x ]

位於背景：

x\in G_t

而非 foreground。

因此 background 不等於低 truth。

Proposition D [PROP]

retriever 未返回 (x) 不推出：

x\notin K^{stored}.

Proposition E [PROP]

若 Figure boundary 被誤當 Knowledge boundary，即形成 attention-induced false boundary。

203. 研究猜想

Conjecture 1：Loaded-Use Separation Predicts Long-Context Reliability

顯式測量：

\rho^{load}

與：

\rho^{use}

之差，將比單純 context length 更能預測 long-context task reliability。

Conjecture 2：Epistemic Packet Loading Reduces Scope Errors

載入：

[ (content,scope,evidence,version) ]

而非只載 plain text，將降低 theorem misuse、quantifier inflation 與 stale-knowledge error。

Conjecture 3：Unknown Management Improves Agent Calibration

顯式維護：

occluded；
unresolved；
out-of-field；
not-yet-retrieved；

狀態的 Agent，會比只維持 foreground 的 Agent 更少產生「沒看到＝不存在」錯誤。

Conjecture 4：Core-to-View Adaptive Expansion Improves Context Efficiency

由 DEST-10 core 按 task 動態展開所需解析度，比固定全量 context 在成本與準確度上有更佳 trade-off。

Conjecture 5：View Rotation Improves Global Audit

在高風險研究中依序使用：

generator；
verifier；
counterexample；
historian；

視點，會降低單一 attention policy 的 blind spot。

204. 實驗設計

建立五類 benchmark。

A. Stored-but-not-loaded

答案存在 library，但不在 context。

測 retrieval。

B. Loaded-but-not-used

答案放在 context 不同位置。

測 use coverage。

C. Scope Packet

claim 相同，但一組含 assumptions / version，一組不含。

測誤用率。

D. Occluded Counterexample

主要證據在 foreground，反例只在可檢索背景。

測 active inspection。

E. Multi-Agent View Rotation

不同 Agent 分別採 generator / verifier / historian 視點。

測 global consistency。

205. Baselines

Baseline A

All-in-context。

Baseline B

Top-k retrieval。

Baseline C

RAG + rerank。

Baseline D

Core-based loading。

DEST-11

Core + retrieval + epistemic packets + foreground/background + unknown management + effective-use audit + writeback。

206. Metrics

retrieval recall；
loaded coverage；
effective-use coverage；
view utilization；
position sensitivity；
scope error；
false-boundary rate；
context cost；
attention debt；
writeback pollution；
view churn；
thrash rate；
unknown calibration；
contradiction preservation；
long-horizon task success。

207. Ablation

移除：

background；
occluded registry；
unresolved state；
packet scope；
version；
effective-use audit；
false-boundary audit；
view history；
writeback guard；
view rotation。

觀察失敗模式。

208. Runtime Pipeline

INPUT:
  task q
  DEST state K_t
  core family C*
  current view V_t
  context budget B_C
  attention budget B_A

1. DEFINE task perspective
2. LOAD sticky critical background
3. IDENTIFY current Gap / frontier / center
4. GENERATE retrieval queries
5. RETRIEVE from:
      core
      library
      external memory
      tools
      history
6. DEDUP / RERANK
7. BUILD epistemic packets
8. ALLOCATE context budget:
      figure
      ground
      occluded index
      unresolved
9. FIELD loaded packets
10. ALLOCATE attention
11. RUN judgment / generation / verification
12. ESTIMATE effective-use coverage
13. IF low-use or contradiction:
      refocus
14. IF absence claim:
      run false-boundary audit
15. UPDATE unknown registry
16. EMIT answer/action
17. OBSERVE outcome / feedback
18. WRITEBACK guarded updates
19. SAVE view certificate + focus history
20. REPEAT

209. 最小核心公式

View

\boxed{ \mathcal V_t = \langle F_t,G_t,O_t,U_t,P_t,L_t,A_t,Q_t,\mathcal H_t \rangle. }

Loading Chain

\boxed{ Available \to Retrieved \to Loaded \to Fielded \to Foregrounded \to Used \to WrittenBack. }

View Utilization

\boxed{ \eta_{\mathrm{view}} = \frac{ \mu(K^{used}) }{ \mu(K^{loaded})+\epsilon }. }

Refocus

\boxed{ \mathsf{Refocus} : \mathcal V_t\times q\times\mathbf G_t\times\mathbf C_t\times\mathbf B_t \to \mathcal V_{t+1}. }

False Attention Boundary

\boxed{ B_t^{attn-false} = \partial F_t \setminus \partial K_t^{avail}. }

Closed View Loop

\boxed{ K_t \to Retrieve \to Load \to View \to Judge \to Answer/Act \to Feedback \to Writeback \to K_{t+1}. }

210. 結論

一個 AI 可以「擁有」很多知識，卻在當下完全看不到它。

也可以：

搜到了，

但沒有：

載進來。

可以：

載進來了，

但沒有：

前景化。

甚至：

已經出現在前景，

最後仍然沒有真正影響判定。

所以：

\boxed{ \text{Knowledge Presence} \neq \text{Knowledge Use}. }

這使「context window 有多大」不再是完整問題。

更重要的是：

\boxed{ \text{在有限工作場裡，系統到底載入了什麼、保留了什麼背景、知道什麼尚未載入、以及哪些內容真的改變了判定。} }

舊視域理論曾經指出：

\operatorname{NonFigure}(x) \neq \operatorname{NonExistence}(x).

DEST-11 將它推進為：

\boxed{ \operatorname{NotLoaded}(x) \neq \operatorname{NotAvailable}(x) \neq \operatorname{NotKnown}(x) \neq \operatorname{NotTrue}(x). }

這對 AI 研究具有直接意義。

因為很多所謂「模型不知道」其實可能是：

沒檢索；
檢索 query 不對；
載入被截斷；
context 中位置不利；
attention 被其他內容吸走；
scope packet 不完整；
生成器沒有把該內容接入目前判定。

反過來，模型「有說出來」也不表示內容是真的。

因此成熟 AI 應把：

\boxed{ \text{storage} + \text{retrieval} + \text{context} + \text{attention} + \text{judgment} }

全部分開。

更進一步，成熟視域不能只知道自己在看什麼。

它還要知道：

\boxed{ \text{自己沒有在看什麼。} }

也就是保存：

background；
occluded；
unresolved；
out-of-field；
not-yet-retrieved。

這使 Unknown Management 成為視域能力的重要部分。

最後：

\boxed{ \text{真正高階的注意力，不是盯得更緊，而是知道何時該換地方看。} }

所以 DEST-11 的最短總結是：

\boxed{ \text{View} = \text{select} + \text{retain background} + \text{represent the unseen} + \text{refocus} + \text{write back what was learned}. }

附錄 A：Loading State

LoadingState:
  STORED
  AVAILABLE
  RETRIEVABLE
  RETRIEVED
  LOADED
  BACKGROUND
  FOREGROUND
  EFFECTIVELY_USED
  WRITTEN_BACK

附錄 B：Invisible State

InvisibleState:
  BACKGROUND
  OCCLUDED
  UNRESOLVED
  OUT_OF_FIELD
  MODEL_IMPUTED
  OUT_OF_DOMAIN

附錄 C：View Event

ViewEvent:
  RETRIEVE
  LOAD
  EVICT
  FOREGROUND
  BACKGROUND
  OCCLUDE
  RESOLVE
  REFOCUS
  ROTATE_PERSPECTIVE
  COMPRESS
  EXPAND
  WRITEBACK
  RESET

附錄 D：內部正典依賴

《從差異到顯現：視域、前景、背景與遮蔽的生成》v0.1。
《視之一般算子論：差異的場化、位格化與回饋化》v1.0。
DEST-03 Gap 場論。
DEST-05 多中心知識拓撲。
DEST-06 移動邊界論。
DEST-10 知識壓縮、生成核心與動態不動點 2.0。
DEST-00 至 DEST-10。

附錄 E：外部形式對照

Ashish Vaswani et al. (2017), Attention Is All You Need.
Zihang Dai et al. (2019), Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context.
Jack W. Rae et al. (2019), Compressive Transformers for Long-Range Sequence Modelling.
Patrick Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
Sebastian Borgeaud et al. (2021), Improving Language Models by Retrieving from Trillions of Tokens.
Andrew Jaegle et al. (2021), Perceiver: General Perception with Iterative Attention.
Yuhuai Wu et al. (2022), Memorizing Transformers.
Nelson F. Liu et al. (2023), Lost in the Middle: How Language Models Use Long Contexts.

與下一篇的接口

DEST-11 完成：

\boxed{ \text{View + Loading + Attention + Unknown Management}. }

下一篇最自然進入：

\boxed{ \text{DEST-12｜Runtime、Benchmark 與全域證書系統} }

也就是整個系列最後把：

Domain；
Coverage；
Gap；
Global Glue；
Center；
Boundary；
Evolution；
Concept Integral；
Representation Navigation；
Core Compression；
View / Attention；

真正組成一個：

\boxed{ \text{可執行、可測試、可反駁、可重播的 AI-native DEST Runtime}. }

EML-DEST-2026-11 · v0.1 · 2026-08-13