CODT-06

History-Flow-Atlas Separation：認知歷史、轉移動力與域結構

History-Flow-Atlas Separation: Cognitive History, Transition Dynamics, and Domain Structure

系列： Cognitive Operator-Domain Theory, CODT / 認知算子-域理論
系列篇次： 06 / 10
版本： v1.0
日期： 2026-08-20
作者： Neo.K
機構脈絡： EveMissLab / 一言諾科技有限公司
文件性質： 理論論文 / History-Predictive-State 篇
前篇： CODT-05〈認知域不是固定分類：Flow-Atlas Separation〉

摘要

CODT-05 已將認知 runtime 拆成 adaptive operator flow 與 quasi-stable atlas，並指出 regime shift 可以先改變 transition law，而不必立即重畫 domain geometry。然而，只要 flow model 仍主要依賴一階轉移：

P(U_{t+1}\mid U_t),

就存在一個危險替代解釋：先前看到的 atlas / domain structure，可能只是 flow model 看不見較長 operator history，因此把 temporal dependence 錯投影成 spatial partition。

本文提出 History-Flow-Atlas Separation, HFAS，並整合 CDD Phase 0.8-0.9 的高階歷史、variable-order context、Approximate Predictive History States, APHS 與 directional quotient experiments。其核心結論是：

\boxed{ History \neq Flow \neq Atlas. }

在 frozen synthetic runtime 中，一階 operator history 相對 order-0 具有穩定 predictive value：

E[\Delta_{0\to1}] = 0.2653 \text{ bits/transition},

且五個 normal splits 均為正；但 $k\ge2$ 的 fixed higher-order history 在五個 splits 均相對 order-1 惡化，平均：

E[\Delta_{1\to k\ge2}] = -0.8505.

MDL-pruned variable-order history tree 亦在五個 normal splits 全部退回 root / depth-0。這使「higher-order grammar 解釋掉 atlas」的強版本在目前 synthetic evidence 下被反證。

更重要的是，即使 exact current source operator $U_t$ 已知，target-side atlas 仍然帶來約：

E[\Delta_{Atlas\mid H_1}] = 0.1920 \text{ bits/transition}

的 residual predictive / compressive gain，且五個 splits 均為正。隨機等尺寸 atlas permutation 顯著更差，因此 atlas 的 residual value 不能只由任意 smoothing 解釋。

Phase 0.9 進一步建立 APHS：不同 histories 若具有近似相同有限 future distribution，可以被壓成 source-side predictive states。然而五個 normal splits 的最佳 history length 全部仍為 $L=1$ 。APHS 確實比 exact order-1 source flow 平均改善 $0.1191$ bits/transition，但 target-side atlas 又比 APHS 平均改善約 $0.1194$ bits/transition。APHS 與 atlas 具有非隨機 relation，但低 ARI 顯示兩者遠非同一 partition。

因此本文正式提出 Directional Quotient Separation：

\boxed{ \epsilon_R^{src} \neq \pi_R^{dst}. }

source-side quotient 依 predictive similarity 壓縮來源 operator / history；destination-side atlas quotient 則依 transition / emission usefulness 壓縮下一步 operator。兩者服務不同 compression interfaces，不應再把 Cognitive Domain Atlas 想成對 transition 兩端都相同的對稱 equivalence relation。

本文最後將 cognition runtime 寫成：

\boxed{ CognitiveRuntime_t = ( H_t, P_R, \epsilon_R^{src}, \pi_R^{dst}, \mathcal A_t ). }

其中 history、flow、predictive source quotient、destination atlas 與 atlas version 都必須分帳。本文同時保留一個重要限制：Phase 0.8-0.9 只反證了目前 synthetic runtime 下的 fixed-order / variable-order operator-history explanation，不能推出真實人類或 AI cognition 不存在長程 temporal grammar。這個負結果反而把下一篇問題推向 World / Runtime state：如果增加 operator history 沒有解決 OOD，那真正缺失的可能不是「再多記幾步」，而是 observer-relative state 與 predictive interface。

關鍵詞

History-Flow-Atlas Separation；CODT；operator history；higher-order Markov；variable-length Markov；predictive state；APHS；directional quotient；cognitive atlas；temporal grammar；causal states；predictive representation

1. 問題：Domain 會不會只是 History 的假影像？

CODT-05 已經拆開：

Flow \neq Atlas.

但當時的 flow 仍大量依賴：

P(U_{t+1}\mid U_t).

如果真實 cognition 具有：

P(U_{t+1}\mid U_{t-k+1:t}), \quad k>1,

那一階 model 可能看不到 long-range dependency。

此時一個 atlas learner 可能把：

\text{history dependence}

錯誤補成：

\text{operator-space clustering}.

因此提出 Temporal Compensation Hypothesis：

\boxed{ \text{some apparent domain structure} = \text{spatial compensation for missing temporal grammar}. }

如果它成立，則增加 history order 後：

Value(Atlas)

應大幅下降。

2. History 是什麼？

CODT-02 已把 ordered operator history 視為 canonical runtime data。

令：

H_t = (U_1,U_2,\ldots,U_t).

更一般地，history 不只可以包含 operator IDs。

它還可以包含：

artifacts；
certificates；
failures；
memory updates；
belief changes；
representation changes；
action requests；
World presentations。

但 CODT-06 先聚焦最窄版本：

H_t^U = (U_1,\ldots,U_t).

因為如果連 operator sequence 本身的 temporal dependence 都沒有拆乾淨，就不應直接宣稱 domain geometry。

3. History 不是 Flow

history 是已發生的 ordered record。

flow 是條件轉移 law：

\boxed{ P_t = P( U_{t+1} \mid H_t, S_t, B_t, R_t ). }

因此：

\boxed{ H_t \neq P_t. }

相同 history 可以由不同 model 解讀。

相同 flow model 也可以生成不同 histories。

所以 history 是 evidence / path。

flow 是 predictive dynamics。

4. Flow 也不是 History Length

一個 model 使用：

k=5

不代表 cognition 真正有「五步深度」。

$k$ 只是 model conditioning length。

因此：

\boxed{ MarkovOrder \neq CognitiveDepth. }

高 order 可能只是在補：

omitted state；
regime；
world context；
hidden goal；
memory backend；
representation phase。

反過來，低 order 也不代表 cognition 沒有 long-range structure。

如果 state representation 已經足夠，長 history 可以被壓縮掉。

5. Fixed-Order History Models

對 order- $k$ ：

\boxed{ P_k(U_{t+1}) = P(U_{t+1}\mid U_{t-k+1:t}). }

其中：

k=0

是 unigram：

P(U_{t+1}).

k=1

是：

P(U_{t+1}\mid U_t).

而：

k\ge2

開始檢查 longer operator grammar。

這個 probe 最直接。

但也最容易遇到 state-space explosion。

6. Variable-Length History

固定 $k$ 的問題是：

所有 contexts 都被迫使用相同記憶長度。

而真實 sequence process 可能有：

某些 histories 只需一步；
某些 histories 需要三步；
某些 histories 需要更長 suffix。

Variable Length Markov Chain / context-tree tradition 提供一個重要方法學參照：

\boxed{ \text{effective memory length can depend on history}. }

CODT 因此在 Phase 0.8 使用 MDL-pruned finite context tree。

但本文必須保持邊界：

\boxed{ \text{CDD context tree} \neq \text{exact CTW} \neq \text{exact VLMC reconstruction}. }

它只是 temporal-grammar falsification probe。

7. History Model 自己也要付成本

較長 history 一定可以增加 fit flexibility。

因此只比較 training likelihood 會鼓勵：

k\rightarrow\infty.

CODT 延續 MDL discipline。

history model selection 應考慮：

\boxed{ L_{total} = L(Model_k) + L(Data\mid Model_k). }

variable-order tree 只有在 split node 能賺回 context-description cost 時，才保留更長 memory。

所以：

\boxed{ MaximumAllowedDepth \neq SelectedEffectiveDepth. }

8. Phase 0.8：一階 History 有資訊

Normal 主 run：

Bits_0 = 4.8085,

Bits_1 = 4.5199.

因此：

\boxed{ \Delta_{0\to1} = 0.2886 \text{ bits/transition}. }

五個 normal splits：

\boxed{ \Delta_{0\to1}>0 \quad 5/5. }

平均：

\boxed{ E[\Delta_{0\to1}] = 0.2653. }

因此：

\boxed{ \text{one-step flow memory carries real synthetic signal}. }

9. 但 Higher-Order Grammar 沒有出現

同一 experiment 中：

validation-selected best $k\ge2$ model 在 main test：

Bits_{k\ge2} = 5.3701.

相對 order-1：

\boxed{ \Delta_{1\to k\ge2} = -0.8502. }

五個 normal splits：

\boxed{ \Delta_{1\to k\ge2}<0 \quad 5/5. }

平均：

\boxed{ E[\Delta_{1\to k\ge2}] = -0.8505. }

所以：

\boxed{ \text{one-step memory} \neq \text{higher-order grammar}. }

目前 synthetic runtime 支持前者。

不支持後者。

10. Variable-Order Tree 也退回 Root

更嚴格的是 MDL-pruned variable-order context tree。

雖然 maximum depth 允許：

1,\ldots,5,

五個 normal split 中都選：

\boxed{ Depth_{selected}=0. }

也就是 context tree 沒找到值得支付 complexity cost 的 longer-history branches。

因此目前的 temporal evidence 不是：

\boxed{ \text{a hidden deep grammar}. }

而更像：

\boxed{ \text{short-memory transition dependence}. }

11. 這不是「Cognition 沒有長期記憶」

這個負結果最容易被過度解讀。

它不表示：

\boxed{ \text{Human cognition is Markov order 1}. }

也不表示：

\boxed{ \text{AI cognition has no long-term dependency}. }

它只表示：

在目前 synthetic operator-trace generator、目前 operator vocabulary、目前 state representation 與目前 history coder 下，增加 operator-ID history beyond one step 沒有得到 robust held-out gain。

因此：

\boxed{ \text{NoEvidenceForLongGrammar} \neq \text{ProofOfNoLongGrammar}. }

12. Temporal Compensation Hypothesis 的測試

若 atlas 只是 missing history 的 compensation，則在 exact current operator 已知時：

Value(Atlas\mid U_t)

應接近零。

Phase 0.8 因此建立：

\boxed{ U_t \rightarrow C_{t+1} \rightarrow U_{t+1}. }

source 端保持 exact operator identity。

target 端才使用 atlas quotient。

這是最關鍵的 directional test。

13. Atlas Residual Value

Normal main：

Bits_{order1} = 4.5199.

exact-source / target-atlas：

Bits_{U_t\to C_{t+1}\to U_{t+1}} = 4.3278.

因此：

\boxed{ \Delta_{Atlas\mid H_1} = 0.1921 \text{ bits/transition}. }

五個 normal splits 平均：

\boxed{ E[\Delta_{Atlas\mid H_1}] = 0.1920. }

且：

\boxed{ 5/5>0. }

所以：

\boxed{ \text{Atlas value survives one-step history control}. }

這直接削弱：

\boxed{ \text{Atlas = missing temporal grammar artifact}. }

14. 隨機 Pooling 不能解釋 Residual Gain

若任何 target pooling 都會降低 variance、改善 prediction，那 atlas residual gain 可能只是 smoothing artifact。

因此 Phase 0.8 做 200 次 same-size random atlas permutation。

learned atlas：

Bits_{learned} = 4.3278.

random mean：

E[Bits_{random}] = 4.5654.

empirical lower tail：

\boxed{ p \approx 0.00498. }

human family directional baseline：

Bits_{human} = 4.4115.

因此：

\boxed{ \text{learned target quotient} \neq \text{arbitrary pooling}. }

至少在目前 synthetic experiment 中成立。

15. History-Flow-Atlas Separation v0.1

到這裡可以正式寫：

\boxed{ History \neq Flow \neq Atlas. }

其中 $H_t$ 回答：

發生過什麼？

$P_t$ 回答：

在目前條件下下一步怎麼走？

$\mathcal A_t$ 回答：

哪些作用區值得被當成較慢、較穩定的 derived structural chart？

三者可以相互提供 evidence。

但不能互相取代。

16. 從 History Length 到 Predictive Equivalence

Phase 0.8 的負結果留下另一個更好的問題。

也許真正重要的不是：

|h_i| = |h_j|,

而是：

兩個不同 histories 對未來是否具有相同 predictive distribution？

這和 computational mechanics 的 causal-state 思路形成一個重要外部方法學參照。

其核心不是把所有相同長度 histories 視為同一 state，而是把對 future distribution 具有相同 predictive consequence 的 pasts 視為同一 predictive equivalence class。

CODT 吸收這個思想，但必須明確限制：

\boxed{ \text{CODT predictive state candidate} \neq \text{exact causal state}. }

因為目前只處理 finite history、finite future、finite data 與 approximate clustering。

17. Approximate Predictive History States

Phase 0.9 定義有限 future horizon $F$ 的 predictive signature：

\boxed{ \phi_F(h_t) = \bigoplus_{j=1}^{F} P(U_{t+j}\mid h_t). }

若：

JS( \phi_F(h_i), \phi_F(h_j) ) \leq \delta,

則：

\boxed{ h_i \sim_{F,\delta} h_j. }

這形成 Approximate Predictive History State candidate：

S^{pred} = [h]_{F,\delta}.

但這個 equivalence 是 finite / empirical / approximate。

所以：

\boxed{ APHS \neq ExactCausalState. }

18. APHS 不是「記得更多」

Predictive state compression 和直接增加 history length 是兩種不同操作。

增加 history：

U_t \rightarrow (U_{t-1},U_t) \rightarrow (U_{t-2},U_{t-1},U_t).

predictive quotient 則可能：

(h_a,h_b,h_c) \rightarrow S_1^{pred}

只因為這些 histories 對 future distribution 的作用近似相同。

因此：

\boxed{ \text{MoreHistory} \neq \text{BetterState}. }

有時候真正需要的是 compression。

不是更多 raw past。

19. Phase 0.9 的 Model Selection

Phase 0.9 讓 model selection 在：

L\in\{1,2\}

的 history length 中選擇。

五個 normal splits 最後全部得到：

\boxed{ L = [1,1,1,1,1]. }

future horizon 則在：

F\in\{1,2\}

中選擇。

因此目前 evidence 再次顯示：

\boxed{ \text{longer-than-one operator history is not required for the selected predictive quotient}. }

真正被學到的是 current-source operator 的 predictive redundancy。

20. APHS 對 Exact Source 有壓縮價值

五個 normal splits 平均：

Bits_{order0} = 4.7507,

Bits_{order1} = 4.5432,

Bits_{APHS} = 4.4241.

因此：

\boxed{ E[ Bits_{order1} - Bits_{APHS} ] = 0.1191. }

而且：

\boxed{ 5/5 }

都有正 gain。

這表示：

\boxed{ \text{exact source operator identity contains compressible predictive redundancy}. }

這是 APHS 的正結果。

21. 但 APHS 仍然沒有取代 Atlas

同一批 splits 中，target-side atlas 平均：

Bits_{atlas,dst} = 4.3047.

因此：

\boxed{ E[ Bits_{APHS} - Bits_{atlas,dst} ] = 0.1194. }

且：

\boxed{ Atlas < APHS \quad 5/5. }

所以：

\boxed{ PredictiveHistoryState \neq DestinationAtlas. }

不只是語義不同。

它們在 held-out coding 上也具有不同功能。

22. APHS + Atlas 有互補，但不能任意疊加

測試 hybrid：

S_t^{pred} \rightarrow C_{t+1}^{dst} \rightarrow U_{t+1}.

五 split 平均：

Bits_{hybrid} = 4.4027.

它比 APHS 單獨好：

\boxed{ 0.0214 \text{ bits/transition} }

且：

\boxed{ 5/5. }

但它比：

U_t^{exact} \rightarrow C_{t+1}^{dst} \rightarrow U_{t+1}

平均更差：

\boxed{ 0.0980 \text{ bits/transition}. }

因此：

\boxed{ \text{more quotient layers} \not\Rightarrow \text{better compression}. }

23. Source Compression 會丟掉 Target Routing 所需資訊

上節結果的最保守解讀是：

source-side predictive pooling：

U_t \rightarrow S_t^{pred}

會丟掉一部分：

U_t

中的細節。

而這些細節仍可能被：

\pi_R^{dst}

的 destination routing 使用。

因此：

\boxed{ \text{source compression} \neq \text{free information reduction}. }

這也是 directional quotient 必須被提出的原因。

24. Atlas 不應再被想成對稱 Partition

傳統 clustering 直覺常假設一個 mapping：

\pi: U \rightarrow C.

然後 source 和 destination 都使用同一 $\pi$ 。

但 Phase 0.8 顯示：

U_t \rightarrow C_{t+1} \rightarrow U_{t+1}

和：

C_t \rightarrow U_{t+1}

並不等價。

Normal main：

Bits_{exact-src,target-atlas} = 4.3278,

Bits_{source-atlas,exact-dst} = 4.3637.

所以：

\boxed{ \text{quotient usefulness is directional}. }

25. Directional Quotient Separation

本文正式定義兩種 quotient。

25.1 Source Predictive Quotient

\boxed{ \epsilon_R^{src}: U_t \mapsto S_t^{pred}. }

它回答：

哪些 source operators 對 future distribution 具有可壓縮的 predictive similarity？

25.2 Destination Atlas Quotient

\boxed{ \pi_R^{dst}: U_{t+1} \mapsto C_{t+1}^{dst}. }

它回答：

哪些 destination operators 對 transition / emission coding 形成有用的 target grouping？

因此：

\boxed{ \epsilon_R^{src} \neq \pi_R^{dst}. }

26. Directional Quotient 不是兩個新 Ontology

這兩個 quotient 都是：

\boxed{ \text{derived compression/control views}. }

它們不是兩個新的「真實心智本體」。

source quotient 可能依 predictive horizon、regime、task 改變。

destination quotient 也可能依 atlas learner、resource、flow role 改變。

所以：

\boxed{ DerivedQuotient \neq UltimateOntology. }

27. APHS 與 Atlas 有關，但不是同一結構

Main split：

NMI = 0.4421,

ARI = 0.0525.

五 split 平均：

E[NMI] = 0.4359,

E[ARI] = 0.0347.

200 次 size-preserving atlas-label permutation：

NMI_{obs} = 0.4421,

E[NMI_{perm}] = 0.3234,

\boxed{ p = 0.004975. }

因此最合理的總結是：

\boxed{ \text{non-random relation} \land \text{non-identity}. }

28. 為什麼 NMI 高於隨機但 ARI 很低並不矛盾

NMI 回答的是：

兩種 partition 是否共享資訊？

ARI 更強調：

pairwise assignment 是否接近同一 partition？

因此可能：

NMI>Random

同時：

ARI\approx0.

這意味著兩個 quotient 使用了相同底層 transition structure 的某些資訊，但沿不同功能方向切割 operator space。

這正符合 directional quotient interpretation。

29. Predictive State 不等於 Domain State

一個 predictive state 的最低任務是：

\boxed{ \text{preserve future-relevant information}. }

一個 domain atlas 的任務則可能同時包含：

compression；
routing；
boundary；
failure；
legality；
interpretation；
shared-bottom normalization；
control-plane aggregation。

所以：

\boxed{ PredictiveSufficiency \not\Rightarrow DomainSufficiency. }

30. Computational Mechanics 的正確位置

Shalizi 與 Crutchfield 的 computational mechanics 將對完整 future 具有相同 conditional distribution 的 pasts 視為 causal-state equivalence classes，並研究其 predictive sufficiency、minimality 與 uniqueness。

這對 CODT 提供一個強方法學種子：

\boxed{ \text{history identity can be replaced by predictive equivalence}. }

但 CODT-06 不宣稱 APHS 是 epsilon-machine reconstruction。

原因：

history 有限；
future horizon 有限；
data 有限；
equivalence approximate；
clustering procedure 不同；
cognition 還有 action、World、license、domain boundary 等額外結構。

所以：

\boxed{ APHS \neq CausalState. }

31. Predictive State Representation 的正確位置

Littman、Sutton、Singh 的 Predictive Representations of State 強調：state 可以用對 future observations、尤其 action-conditional future tests 的 predictions 表示，而不必依賴特權 latent-state ontology。

這對 CODT 的後續 World coupling 很重要。

但 CODT-06 尚未進入 action-conditioned World observations。

因此目前只有：

\boxed{ \text{operator-sequence predictive state candidate}. }

不是完整 PSR。

32. Variable-Length Markov 的正確位置

Buhlmann-Wyner 類 variable-length Markov framework 提醒：

\boxed{ \text{different histories may require different effective context lengths}. }

Phase 0.8 已把這個方法學種子轉成有限 context-tree probe。

結果沒有支持 longer context。

這不是 external theory 被反證。

它只表示：

目前 CDD synthetic operator traces 不需要靠更長 context 才得到較好的 MDL explanation。

33. History Compression 與 Atlas Compression 是兩種不同壓縮

source predictive quotient：

\epsilon_R^{src}

壓縮的是：

\text{history / source distinctions}.

atlas quotient：

\pi_R^{dst}

壓縮的是：

\text{destination distinctions}.

因此可寫：

\boxed{ Compression = Compression_{history/source} + Compression_{destination/atlas} + Residual. }

這不是一般數值恆等式。

而是 compression ledger candidate。

34. Residual Atlas Principle

若在最佳 history model 已固定後，atlas仍能降低 held-out description length，則：

\boxed{ ResidualAtlasValue>0. }

這表示 atlas 不是當前 history model 的純替代物。

Phase 0.8 normal splits：

\boxed{ ResidualAtlasValue>0 \quad5/5. }

因此 CODT-06 把 residual value 納入 future domain evidence。

35. Residual History Principle

反過來，如果 atlas 已固定，history conditioning 仍降低 code length，則：

\boxed{ ResidualHistoryValue>0. }

所以：

\boxed{ History \text{ and } Atlas \text{ can be jointly non-redundant}. }

不必選一個當「真正 state」。

36. History-Atlas Substitution Surface

可以建立：

L(k,K)

其中：

$k$ ：history order / effective history complexity；
$K$ ：atlas complexity / cluster count。

若：

K^*(k)

隨 $k$ 增加明顯下降，代表 temporal grammar 和 spatial atlas 有 substitutability。

Phase 0.8 沒看到這種強現象。

因此目前：

\boxed{ \text{temporal complexity} \not\approx \text{atlas complexity substitute} }

在 frozen synthetic runtime 下成立。

37. History 不應被 Atlas 回寫

若新的 predictive state model 把：

h_1,h_2

合併成：

S^{pred},

canonical history 仍必須保留：

h_1,h_2.

不能把舊 trace 重寫成：

過去只有一個 predictive state。

所以：

\boxed{ PredictiveQuotient \neq HistoryRewrite. }

這延續 CODT-02 / 05。

38. History View、Flow View、Atlas View

對同一 canonical trace，可同時產生三個 derived views。

History View

H_t

保留 ordered event sequence。

Flow View

P_t

估計 transition dynamics。

Atlas View

\mathcal A_t

形成 quasi-stable structural chart。

因此：

\boxed{ OneTrace \rightarrow MultipleDerivedViews. }

Derived views 不互相覆寫 canonical evidence。

39. OOD：Predictive Quotient 不是 Universal State

Phase 0.9 將 normal-selected APHS zero-shot 轉移到 OOD artifact traces。

結果：

Bits_{order1} = 4.2411,

Bits_{APHS} = 4.3313,

Bits_{atlas,dst} = 4.2947,

Bits_{hybrid} = 4.4088.

OOD 下 exact order-1 flow 最好。

因此：

\boxed{ \text{normal predictive quotient} \not\Rightarrow \text{regime-universal predictive state}. }

40. OOD 結果再次指向 Missing State，而非 Missing History

如果增加 history 沒有改善 OOD，normal predictive quotient 也不能 transfer，則下一個合理缺項是：

S_t^{world/runtime}.

也就是：

P( U_{t+1} \mid U_t, S_t^{world/runtime}, R_t ).

這不代表 World state 一定能解決。

但它比：

\boxed{ \text{blindly increase }k }

更值得測。

這正是 CODT-07 的入口。

41. History-Flow-Atlas Separation v0.2

綜合 Phase 0.8-0.9，本文將 runtime 寫成：

\boxed{ CognitiveRuntime_t = ( H_t, P_R, \epsilon_R^{src}, \pi_R^{dst}, \mathcal A_t ). }

其中：

$H_t$ ：ordered canonical history；
$P_R$ ：regime-conditioned transition flow；
$\epsilon_R^{src}$ ：source predictive quotient；
$\pi_R^{dst}$ ：destination atlas quotient；
$\mathcal A_t$ ：atlas version / domain chart。

五者目前不能互相消去。

42. 為什麼 $\pi_R^{dst}$ 和 $\mathcal A_t$ 都保留？

$\mathcal A_t$ 是整體 domain chart。

$\pi_R^{dst}$ 是 chart 在 destination prediction interface 上的具體 quotient use。

因此：

\boxed{ AtlasObject \neq AtlasUseInterface. }

同一 atlas 未來可能有：

destination coding quotient；
routing quotient；
visualization view；
failure aggregation view；
World-interface view。

這些 use interfaces 不應和 atlas object 本身混同。

43. Source / Destination 非對稱性的更一般形式

對 transition：

U_t \rightarrow U_{t+1},

source 和 destination 扮演不同 causal / predictive roles。

因此可以一般化為：

\boxed{ Q_R^{src} \neq Q_R^{dst}. }

其中：

Q_R^{src}

負責 source information compression。

Q_R^{dst}

負責 destination information compression。

APHS 與 target atlas 只是目前的兩個具體 candidate。

44. Directional Domain Geometry

這意味著 domain geometry 不必只有：

\text{node partition}.

它還可能具有：

\boxed{ \text{source geometry} + \text{destination geometry} + \text{edge-role geometry}. }

這是 CODT 從普通 clustering theory 再往前的一步。

45. Predictive Quotient 與 Domain Boundary

若兩個 operators 在 source predictive quotient 中被合併，仍可能位於不同 domain boundaries。

反之，同一 domain 中的兩個 operators 也可能因對 future routing 影響不同而不能被 predictive quotient 合併。

因此：

\boxed{ PredictiveEquivalence \neq DomainEquivalence. }

46. Predictive Sufficiency 不是 Epistemic License

就算：

S_t^{pred}

對 next-step prediction 足夠，也不代表：

它足以 certification；
它足以 causal explanation；
它足以 World action；
它足以 preserve provenance。

所以：

\boxed{ PredictiveSufficiency \neq EpistemicAuthority. }

這延續 CODT-02 的 license separation。

47. Temporal Grammar 的 Promotion Gate

若未來要宣稱真正 higher-order cognitive grammar，至少需要：

HG1. Held-Out Gain

k>1

在 held-out data 有穩定正 gain。

HG2. Complexity-Adjusted Gain

gain 足以支付 history-model complexity。

HG3. Multi-Session Stability

不只單一 synthetic seed。

HG4. State-Controlled Gain

排除 omitted World/runtime state。

HG5. Cross-Agent / Human Evidence

最終需要 external traces。

因此：

\boxed{ LongHistory \text{ is a hypothesis, not a default ontology}. }

48. Predictive-State Promotion Gate

一個 predictive quotient 要被提升為更強 state candidate，至少需要：

held-out predictive value；
complexity-adjusted compression；
cross-regime transfer 或明確 bounded regime scope；
stable state mapping；
calibration；
observable-state grounding；
action-conditional testing for World-coupled claims。

Phase 0.9 APHS 尚未通過這些外部 gate。

所以：

\boxed{ APHS = Candidate, \quad not domain-promotion. }

49. History Complexity 與 Cognitive Complexity

一個 sequence 需要更長 history 才能預測，不等於 cognition 更「高級」。

反過來，一個短-memory predictive state 也不等於 cognition 簡單。

所以：

\boxed{ TemporalMemoryComplexity \neq GeneralCognitiveComplexity. }

這避免把 Markov order 當成智慧尺度。

50. Atlas Complexity 與 Intelligence 也不能等同

更多 domains 不代表更聰明。

更少 domains 也不代表更低級。

一個好的 representation 可能用更少 chart complexity 表示更多 useful structure。

所以：

\boxed{ AtlasComplexity \neq Intelligence. }

51. History Retention 與 Runtime Compression

canonical system 可以完整保留：

H_t,

同時 runtime 使用 compressed predictive state：

S_t^{pred}.

因此：

\boxed{ StorageHistory \neq ActivePredictiveState. }

這對 AI memory architecture 很重要。

完整 history 可以保留 provenance。

active state 則可以只保留 future-relevant compression。

52. Memory Compression 不應刪除責任鏈

若 predictive compression 把多個 histories 合併，仍必須可以回查：

S_t^{pred} \rightarrow \{h_i\text{ refs}\}.

否則：

audit；
responsibility；
rollback；
error reconstruction；

會失效。

因此：

\boxed{ PredictiveCompression \neq ProvenanceErasure. }

53. History Fork

若 cognition 分支：

H_t \rightarrow H_{t+1}^{(a)}, H_{t+1}^{(b)},

不同 branches 可以暫時共享：

S_t^{pred},

但 history identity 仍不同。

所以：

\boxed{ SamePredictiveState \not\Rightarrow SameHistory. }

這對 counterfactual / planning 特別重要。

54. Same History 也不保證 Same Predictive State Across Regimes

若：

R_a \neq R_b,

即使 raw operator history 相同：

h_t^{(a)} = h_t^{(b)},

也可能：

P( Future \mid h_t,R_a ) \neq P( Future \mid h_t,R_b ).

因此：

\boxed{ PredictiveState = PredictiveState(history,regime,state). }

這再次指向 CODT-07。

55. History-Flow-Atlas Ledger

本文建議 runtime 分帳：

\boxed{ Ledger_t = ( HistoryLedger_t, FlowLedger_t, PredictiveStateLedger_t, AtlasLedger_t ). }

每個 ledger 各自版本化。

這可以避免：

predictive state update 被誤記成 history rewrite；
flow retraining 被誤記成 domain shift；
atlas rechart 被誤記成 canonical operator change。

56. AI-Native Runtime 的實作含義

一個 AI runtime 不應把 conversation history 全部直接塞進 active state，也不應因 token window 擴大就假設 predictive state改善。

更合理的是：

HistoryStore \rightarrow PredictiveCompression \rightarrow ActiveState \rightarrow FlowModel \rightarrow AtlasControl.

同時：

HistoryStore

保持可回溯。

這使：

\boxed{ LongContextWindow \neq GoodCognitiveState. }

57. CODT-06 憲法增補

CODT-C43：History-Flow Separation

\boxed{ History \neq Flow. }

CODT-C44：History-Atlas Separation

\boxed{ History \neq Atlas. }

CODT-C45：Markov-Depth Separation

\boxed{ MarkovOrder \neq CognitiveDepth. }

CODT-C46：Residual Atlas Test

atlas claim 應在 best available history control 後測 residual value。

CODT-C47：Predictive / Domain Equivalence Separation

\boxed{ PredictiveEquivalence \neq DomainEquivalence. }

CODT-C48：Directional Quotient Separation

\boxed{ \epsilon_R^{src} \neq \pi_R^{dst}. }

CODT-C49：Predictive Compression Non-Rewriting

\boxed{ PredictiveCompression \neq HistoryRewrite. }

CODT-C50：Regime-Conditioned Predictive State

predictive state 不預設跨 regime universal。

58. 本文的理論地位

本文沒有證明：

\boxed{ \text{all cognition has only one-step memory}. }

也沒有證明：

\boxed{ APHS \text{ is a true cognitive state ontology}. }

本文真正建立的是：

\boxed{ \text{history complexity, flow dynamics, predictive quotient, and atlas structure must be separately modeled.} }

這是一條 theory-design constraint。

59. 與下一篇的接口

Phase 0.8-0.9 的兩輪負結果都把問題推向同一方向。

增加 operator history 沒有解決 OOD。

normal predictive quotient 也不能 universal transfer。

所以接下來要問：

我們缺的是不是 history 外的 observer/runtime state？

也就是：

S_t^{obs},

S_t^{pred},

以及：

\pi_R^{dst}.

它們是否應再分開？

CODT-07 將正式提出：

\boxed{ ObservableState \neq PredictiveState \neq Atlas. }

也就是 OPAS。

結論

CODT-06 的問題起點是：

Cognitive Atlas 會不會只是低階 flow model 看不到長 history 所產生的假空間？

目前 synthetic evidence 的答案是：

\boxed{ \text{沒有支持這個強版本。} }

一階 history 有資訊。

但二階以上 fixed history 在五個 normal splits 全部惡化。

variable-order history tree 也全部退回 root。

更重要的是，即使 $U_t$ 已知，target-side atlas 仍保有約：

0.1920 \text{ bits/transition}

的平均 residual value。

所以：

\boxed{ Atlas \neq MissingHistoryArtifact. }

Phase 0.9 再把問題推進一步。

APHS 證明 source identity 中確實存在 predictive redundancy。

但 APHS 仍沒有取代 target-side atlas。

兩者：

\boxed{ \text{non-randomly related} }

同時：

\boxed{ \text{not the same partition}. }

這迫使 CODT 放棄「一張對稱 domain map 解釋所有 transition positions」的直覺。

目前更合理的是：

\boxed{ \epsilon_R^{src} \neq \pi_R^{dst}. }

source 端按 predictive similarity 壓縮。

destination 端按 atlas routing / emission usefulness 壓縮。

兩者不能自由互換。

所以認知 runtime 的成熟版本不應只問：

這個 operator 屬於哪個 domain？

而要問：

這段 history 是什麼？目前 flow law 是什麼？source information 應如何壓縮？destination structure 應如何 quotient？atlas 在什麼版本與 regime 下有效？

因此本文真正固定的是：

\boxed{ History \neq Flow \neq PredictiveState \neq AtlasUse. }

下一步才有資格把 World / Runtime state 拉進來。

參考文獻與外部研究種子

A. Temporal Models / Context

Rissanen, J. (1983). "A Universal Data Compression System." IEEE Transactions on Information Theory, 29(5), 656-664.
Willems, F. M. J., Shtarkov, Y. M., & Tjalkens, T. J. (1995). "The Context-Tree Weighting Method: Basic Properties." IEEE Transactions on Information Theory, 41(3), 653-664.
Buhlmann, P., & Wyner, A. J. (1999). "Variable Length Markov Chains." The Annals of Statistics, 27(2), 480-513. DOI: 10.1214/aos/1018031204.

B. Predictive-State / Computational Mechanics

Shalizi, C. R., & Crutchfield, J. P. (2001). "Computational Mechanics: Pattern and Prediction, Structure and Simplicity." Journal of Statistical Physics, 104, 817-879. DOI: 10.1023/A:1010388907793.
Shalizi, C. R., Shalizi, K. L., & Crutchfield, J. P. (2002). "An Algorithm for Pattern Discovery in Time Series." Technical / conference-era computational-mechanics work on causal-state reconstruction.
Littman, M. L., Sutton, R. S., & Singh, S. (2001). "Predictive Representations of State." Advances in Neural Information Processing Systems 14.

邊界聲明： 上述研究提供 variable memory、predictive equivalence、causal-state minimality 與 predictive-state representation 的外部方法學參照。CODT 的 APHS、Directional Quotient Separation、History-Flow-Atlas Separation 與 target-side atlas 並不宣稱等同上述任何標準模型。

C. 內部理論來源

CODT-01〈從認知方法到認知算子：認知解構學的域化轉向〉。
CODT-02〈認知算子代數與相對原子性〉。
CODT-03〈認知域的生成：域不是分類名稱，而是算子閉包與操作生態〉。
CODT-04〈共享底層認知域：Shared-Bottom Cognitive Runtime〉。
CODT-05〈認知域不是固定分類：Flow-Atlas Separation〉。
CDD Phase 0 v0.8：Higher-Order Cognitive Grammar / Directional Quotient experiments。
CDD Phase 0 v0.9：Approximate Predictive History States / Directional Quotient Separation。
CDD Phase 0 v0.7：MDL Atlas。
GCORF / HSO / MWT SourcePacks。

版本記錄

v1.0

正式建立 History-Flow-Atlas Separation。
定義 operator history、fixed-order flow、variable-order history 與 predictive-equivalence state 的分離。
納入 Phase 0.8 higher-order grammar falsification： $k\ge2$ 在五個 normal splits 全部惡化。
固定 residual atlas test：exact source 已知後 atlas 仍保有 predictive/compressive value。
納入 APHS：source predictive quotient 可壓縮 exact source redundancy。
固定 APHS 不等於 atlas、predictive equivalence 不等於 domain equivalence。
正式提出 Directional Quotient Separation： $\epsilon_R^{src}\neq\pi_R^{dst}$ 。
納入 APHS / Atlas 的 non-random relation + non-identity 結果。
固定 predictive compression 不得回寫 canonical history。
保留 OOD zero-shot negative result，拒絕 regime-universal predictive-state 強宣告。
為 CODT-07 OPAS / World-Runtime State interface 建立 history-side基礎。

History-Flow-Atlas Separation：認知歷史、轉移動力與域結構

CODT-06

History-Flow-Atlas Separation：認知歷史、轉移動力與域結構

History-Flow-Atlas Separation: Cognitive History, Transition Dynamics, and Domain Structure

摘要

關鍵詞

1. 問題：Domain 會不會只是 History 的假影像？

2. History 是什麼？

3. History 不是 Flow

4. Flow 也不是 History Length

5. Fixed-Order History Models

6. Variable-Length History

7. History Model 自己也要付成本

8. Phase 0.8：一階 History 有資訊

9. 但 Higher-Order Grammar 沒有出現

10. Variable-Order Tree 也退回 Root

11. 這不是「Cognition 沒有長期記憶」

12. Temporal Compensation Hypothesis 的測試

13. Atlas Residual Value

14. 隨機 Pooling 不能解釋 Residual Gain

15. History-Flow-Atlas Separation v0.1

16. 從 History Length 到 Predictive Equivalence

17. Approximate Predictive History States

18. APHS 不是「記得更多」

19. Phase 0.9 的 Model Selection

20. APHS 對 Exact Source 有壓縮價值

21. 但 APHS 仍然沒有取代 Atlas

22. APHS + Atlas 有互補，但不能任意疊加

23. Source Compression 會丟掉 Target Routing 所需資訊

24. Atlas 不應再被想成對稱 Partition

25. Directional Quotient Separation

25.1 Source Predictive Quotient

25.2 Destination Atlas Quotient

26. Directional Quotient 不是兩個新 Ontology

27. APHS 與 Atlas 有關，但不是同一結構

28. 為什麼 NMI 高於隨機但 ARI 很低並不矛盾

29. Predictive State 不等於 Domain State

30. Computational Mechanics 的正確位置

31. Predictive State Representation 的正確位置

32. Variable-Length Markov 的正確位置

33. History Compression 與 Atlas Compression 是兩種不同壓縮

34. Residual Atlas Principle

35. Residual History Principle

36. History-Atlas Substitution Surface

37. History 不應被 Atlas 回寫

38. History View、Flow View、Atlas View

History View

Flow View

Atlas View

39. OOD：Predictive Quotient 不是 Universal State

40. OOD 結果再次指向 Missing State，而非 Missing History

41. History-Flow-Atlas Separation v0.2

42. 為什麼 πRdst\pi_R^{dst}πRdst​ 和 At\mathcal A_tAt​ 都保留？

43. Source / Destination 非對稱性的更一般形式

44. Directional Domain Geometry

45. Predictive Quotient 與 Domain Boundary

46. Predictive Sufficiency 不是 Epistemic License

47. Temporal Grammar 的 Promotion Gate

HG1. Held-Out Gain

HG2. Complexity-Adjusted Gain

HG3. Multi-Session Stability

HG4. State-Controlled Gain

HG5. Cross-Agent / Human Evidence

48. Predictive-State Promotion Gate

49. History Complexity 與 Cognitive Complexity

50. Atlas Complexity 與 Intelligence 也不能等同

51. History Retention 與 Runtime Compression

52. Memory Compression 不應刪除責任鏈

53. History Fork

54. Same History 也不保證 Same Predictive State Across Regimes

55. History-Flow-Atlas Ledger

56. AI-Native Runtime 的實作含義

57. CODT-06 憲法增補

CODT-C43：History-Flow Separation

CODT-C44：History-Atlas Separation

CODT-C45：Markov-Depth Separation

CODT-C46：Residual Atlas Test

CODT-C47：Predictive / Domain Equivalence Separation

CODT-C48：Directional Quotient Separation

CODT-C49：Predictive Compression Non-Rewriting

42. 為什麼 $\pi_R^{dst}$ 和 $\mathcal A_t$ 都保留？