RLMM-04：認知對象升階與 X 階遞歸

Cognitive Object Promotion and X-Order Recursion

系列：Recursive Linguistic Metacognition Methodology（RLMM）／遞歸語言元認知方法論
版本：v0.1
日期：2026-08-20 作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

RLMM-01 將語言定位為元認知介面；RLMM-02 建立認知操作的可組合性；RLMM-03 則說明成熟方法如何結晶成可重用元認知算子。當認知操作能被語言表示、組合與重新作為認知對象後，一個不可避免的問題出現：何時應該把目前處理的內容、方法、失敗模式、對手模型或方法論本身「升格」為下一階認知對象？

本文提出「認知對象升階（cognitive object promotion）」與「X 階遞歸（X-order recursion）」的第一版形式框架。本文主張，X 階認知不應被理解成單純的「想得更深」或「我知道你知道我知道」；更一般地，它是將上一階的認知產物、認知方法、失敗模型、選擇規則或交互模型重新對象化，並施加新的元認知操作。本文區分內容升階、方法升階、失敗模型升階、互動／對手模型升階與方法論升階五種路徑，並指出不同升階具有不同成本與失敗模式。

本文進一步提出「Promotion Gate」：只有當上一階認知對象存在可辨識的剩餘不確定性、重複失敗、方法依賴、交互反身性或結構性瓶頸，而且下一階分析預期能產生新的可操作區分時，才應升階。反之，如果新一階只是重述原有內容、重新命名同一問題、增加抽象層但不改變可行動決策，則應停止遞歸。本文最後提出「有界 X 階遞歸」模型與停止條件，將遞歸價值、認知成本、延遲、錯誤風險與行動需求納入統一判準。

核心結論是：元認知的成熟不在於無限升階，而在於能判斷什麼值得升階、升到哪一層、以及什麼時候停止。

關鍵詞

RLMM；X 階思維；認知對象升階；元認知；反身性；遞歸；停止條件；方法升階；失敗模型；對手模型

1. 問題：什麼叫做「升一階」？

「高階思維」、「元認知」、「二階思維」、「X 階思維」常被混用。

例如，下列句子都可能被稱為「更高階」：

我在分析問題。
我在分析自己的分析方法。
我在分析這個方法為什麼會失敗。
我在分析別人如何利用我已知的失敗模式。
我在分析自己對別人策略的建模是否可靠。
我在分析整套方法論是否會改變未來使用者的認知。

這些確實都有「往上」的味道，但若沒有明確定義，就很容易把任何更抽象、更長、更複雜的文字都叫做高階。

RLMM 因此提出：

升階不是增加抽象詞，而是改變認知對象。

令：

R^{(k)}

表示第 $k$ 階認知中的主要對象。

則升階可以定義為：

\boxed{ R^{(k+1)} = \mathcal M \left( R^{(k)} \right) }

其中：

\mathcal M

不是單純「思考更多」，而是：

把上一階的認知產物、方法、失敗結構或交互模型重新變成新的可檢查對象。

2. 零階：直接處理世界／問題

零階認知可以寫成：

R^{(0)}=X

其中 $X$ 是外部問題或當前任務。

例如：

一個數學命題；
一個程式 bug；
一個政策選擇；
一組證據；
一個遊戲系統；
一個語義結構；
一個工程需求。

零階操作是：

O^{(0)}: X \rightarrow Y.

例如：

\operatorname{Solve}(X) = Y.

這仍然只是：

「解這個問題。」

它不需要對自己的解題方式進行明確分析。

3. 一階：方法成為認知對象

當認知主體開始問：

「我是怎麼得到這個答案的？」

或：

「這條推理依賴哪些方法？」

認知對象就從：

X

升為：

M_X.

其中 $M_X$ 是處理 $X$ 的方法。

因此：

R^{(1)} = M(R^{(0)}).

這是最常見的元認知形式。

例如：

\operatorname{Solve} \rightarrow \operatorname{InspectSolveMethod}.

此時分析的已經不是：

結果對不對？

而是：

產生結果的方法是什麼？

4. 二階：方法的失敗模型成為對象

若一階分析發現方法 $M$ ，下一個問題是：

這個方法什麼時候會失敗？

於是：

R^{(2)} = F(M).

其中 $F(M)$ 是方法的失敗模型。

例如：

過度依賴單一資料源；
對高信心共識過度信任；
不確定才查證，導致高信心錯誤太晚被發現；
只看局部 expected loss，導致永遠 defer；
hard safety constraint 造成 over-rejection。

因此：

\boxed{ \text{Method} \rightarrow \text{Failure Model of Method} }

是一個典型升階。

5. 三階：別人會如何利用我的失敗模型？

當方法失敗模式被公開或被內化後，環境也可能改變。

例如：

如果對手知道我會在高 uncertainty 時尋找獨立證據，他可以讓自己保持低 uncertainty 嗎？

於是認知對象從：

F(M)

變成：

A(F(M)),

其中 $A$ 是對手或環境對方法的反應模型。

這可寫成：

R^{(3)} = \operatorname{OpponentResponse} ( F(M) ).

此時已經進入：

\boxed{ \text{Reflexive Interaction} }

因為：

我的認知規則會改變對方行為，而對方行為又改變我的認知規則。

6. 四階：我對對方的模型可靠嗎？

再往上一階，問題變成：

我現在建立的對手模型，會不會自己是錯的？

因此：

R^{(4)} = F ( \operatorname{OpponentModel} ).

例如：

我把對手分類成 slow-roll，但其實是 benign drift；
我把 false disagreement 當成 attack，但其實來源真的分裂；
我認為對方知道我的規則，但其實他根本不知道。

此時：

\boxed{ \text{Model of opponent} \rightarrow \text{Failure model of opponent model} }

這種升階不是單純「更多猜測」，而是重新檢查自己建立的交互模型。

7. 更一般的 X 階形式

因此，X 階不應被限定為：

\text{I know that you know that I know...}

更一般地，可以定義：

R^{(k+1)} = \mathcal M_k(R^{(k)})

其中每個：

\mathcal M_k

可能不同。

例如：

R^{(0)} = \text{Problem}

R^{(1)} = \text{Method}

R^{(2)} = \text{Failure Model}

R^{(3)} = \text{Opponent Model}

R^{(4)} = \text{Opponent-Model Failure}

R^{(5)} = \text{Governance of Model Revision}

所以 X 階實際上是一條：

\boxed{ \text{Object-Promotion Chain} }

而不是固定形式的 nested belief。

8. 五種主要升階類型

RLMM 建議至少區分五類升階。

8.1 Content Promotion

當前內容本身成為更高層結構。

例如：

\text{facts} \rightarrow \text{pattern} \rightarrow \text{model}.

8.2 Method Promotion

方法本身成為對象：

\text{method use} \rightarrow \text{method inspection}.

8.3 Failure Promotion

失敗不再只是結果，而被升格成結構：

\text{failure} \rightarrow \text{failure archetype}.

8.4 Interaction Promotion

考慮其他主體會如何回應自己的方法：

\text{policy} \rightarrow \text{policy-in-interaction}.

8.5 Methodology Promotion

整套方法論本身成為分析對象：

\text{RLMM} \rightarrow \mathcal M(\text{RLMM}).

這是最強的反身層。

9. 升階不是「換一個更抽象的名字」

必須防止 pseudo-promotion。

例如：

我在分析問題。

然後改寫為：

我在分析「問題分析系統」。

如果沒有新增：

新變數；
新失敗條件；
新決策；
新觀測；
新行動；

那只是：

\boxed{ \text{Renaming} \neq \text{Promotion}. }

真正升階要求：

\Delta \mathcal A_k>0

其中：

\mathcal A_k

表示可操作區分的集合。

10. Promotion Gate：什麼情況值得升階？

本文提出第一版 Promotion Gate。

當前對象：

R^{(k)}

只有在至少一個條件成立時，才值得考慮升階。

G1 — 重複失敗

若：

F_t \approx F_{t-1} \approx F_{t-2}

表示同一類失敗反覆出現。

此時：

\boxed{ \text{Stop repeating the action; promote the method.} }

G2 — 方法依賴過強

如果結果高度依賴：

M

但 $M$ 本身未被檢查，則方法需要升階。

G3 — 結果衝突無法在內容層解決

若：

C_1 \neq C_2

而更多內容證據仍無法區分，可能問題在：

表示；
方法；
provenance；
selection rule。

因此要升階。

G4 — 環境對方法產生反身回應

若：

Environment = f(Method),

則不能再把環境視為固定。

此時需要 interaction promotion。

G5 — 同一問題反覆被「安全解」但沒有被真正解決

例如：

\text{uncertainty} \rightarrow \text{defer}

反覆成功降低錯誤，但沒有提高自主 resolution。

此時：

\text{objective / planner}

本身要升階。

G6 — 方法產生新的系統性副作用

例如：

\text{hard autonomy} \rightarrow \text{over-rejection}.

此時不是再「加更多 autonomy」，而是升階分析 constraint interaction。

11. 升階門檻：有必要，不代表值得

即使 Promotion Gate 被觸發，也不代表一定升階。

因為：

\boxed{ \text{Need for meta-analysis} \neq \text{Net value of meta-analysis}. }

定義：

V_k = \text{expected value of promoting to }k+1

與：

C_k = C_{\text{time}} + C_{\text{compute}} + C_{\text{complexity}} + C_{\text{delay}} + C_{\text{error}}.

只有：

\boxed{ V_k>C_k }

才真正升階。

12. 升階價值來自哪裡？

升階價值至少可能來自五種來源。

12.1 Error Reduction

\Delta E<0.

12.2 New Action Availability

原本沒有的選項出現：

|\mathcal A_{k+1}| > |\mathcal A_k|.

12.3 Better Distinction

原本不可區分的情況變得可區分。

12.4 Generalization

某個局部 failure 變成可重用 archetype。

12.5 Future Compression

高成本升階後，方法可能被結晶成 operator，降低未來成本。

13. 升階成本不只是計算量

常見直覺是：

Meta-thinking 只是多花 token。

實際成本更廣。

可寫成：

C_k = C_c + C_t + C_r + C_d + C_o.

其中：

$C_c$ ：compute；
$C_t$ ：time；
$C_r$ ：representation complexity；
$C_d$ ：decision delay；
$C_o$ ：opportunity cost。

對即時決策而言：

C_d

甚至可能是主要成本。

14. 遞歸深度不是能力排名

若兩個系統：

A

能做到 2 階，

B

能做到 5 階，

不代表：

B>A.

因為 B 可能：

多想但不行動；
反覆重新命名；
產生無效 meta-loop；
在高階失去基礎事實；
被延遲成本拖垮。

因此：

\boxed{ \text{Maximum recursion depth} \neq \text{cognitive quality}. }

真正重要的是：

\boxed{ \text{Adaptive recursion depth}. }

15. 無限元認知遞歸問題

若每一個認知操作都要求：

再檢查一次這個操作。

則：

R^{(0)} \rightarrow R^{(1)} \rightarrow R^{(2)} \rightarrow \cdots

可無限進行。

因此 RLMM 必須明確拒絕：

\boxed{ \text{Unbounded Meta-Recursion} }

作為一般方法。

16. 停止條件

本文提出六類停止條件。

S1 — No New Distinction

若：

\mathcal A_{k+1} = \mathcal A_k

或新一階沒有增加可操作區分，停止。

S2 — Repetition

若新一階只是重述：

R^{(k+1)} \approx R^{(k)},

停止。

S3 — Cost Dominance

若：

V_k\le C_k,

停止。

S4 — Sufficient-for-Action

若當前認知品質已足以支持行動：

Q(C_k)\ge Q_{\text{action}},

停止。

S5 — Budget Limit

若：

B_{\text{meta}}=0,

停止。

S6 — External Irreducibility

若剩餘不確定性來自不可觀測世界，而非方法不足：

\boxed{ \text{Stop reasoning; acknowledge irreducibility}. }

17. 有界 X 階遞歸

因此可以把 RLMM 的遞歸寫成：

R^{(k+1)} = \begin{cases} \mathcal M(R^{(k)}), & \text{if }G_k=1 \land V_k>C_k \land B_k>0 \\ R^{(k)}, & \text{otherwise stop} \end{cases}

其中：

$G_k$ ：Promotion Gate；
$V_k$ ：升階價值；
$C_k$ ：成本；
$B_k$ ：剩餘 meta-budget。

這就是：

\boxed{ \text{Bounded X-Order Recursion}. }

18. 遞歸應該是樹，不一定是直線

很多問題不是：

R^{(0)} \rightarrow R^{(1)} \rightarrow R^{(2)}.

而是：

R^{(1)} \rightarrow \{ R_a^{(2)}, R_b^{(2)}, R_c^{(2)} \}.

例如一個 failure 可能同時來自：

方法問題；
資料問題；
表示問題；
對手問題。

因此：

\boxed{ \text{Metacognitive recursion} \approx \text{branching object graph}. }

這和 RLMM-02 的 dynamic cognitive graph 相呼應。

19. Promotion Graph

可以將所有升階關係表示為：

G_P=(V,E).

其中 node 表示認知對象：

V= \{ \text{claim}, \text{method}, \text{failure}, \text{opponent model}, \text{governance rule} \}.

edge：

u\rightarrow v

表示：

$u$ 被升格成 $v$ 的研究對象。

這使未來 AI 能保留：

哪個內容導致哪個方法分析；
哪個方法導致哪個 failure archetype；
哪個 failure 促成哪個 meta-rule。

20. 升階與反身性

當方法 artifact 被未來 AI 學習後：

M_t \rightarrow Artifact_t \rightarrow AI_{t+1}.

此時下一個 AI 的起始階層可能已經不是：

R^{(0)}.

它可能直接從：

R^{(1)}

甚至：

R^{(2)}

開始。

因此：

\boxed{ \text{Prior methodology can compress future recursion depth}. }

這是方法論作為認知基底的真正價值之一。

21. 但 artifact 也可能造成「假高階」

如果 AI 只是會說：

「這可能有 false consensus。」

「這可能有 epistemic hysteresis。」

「這可能有 over-rejection。」

卻不能改變：

query；
evidence；
branch；
decision；

那只是：

\boxed{ \text{Meta-vocabulary} \neq \text{Meta-cognition}. }

所以 RLMM-Test 未來必須測：

\text{Behavioral Lift},

而不是術語重述。

22. Case Corpus：升階失敗的典型

SCL Case Corpus 可以重新整理出幾種 promotion failure。

Case 1 — 無升階

方法反覆失敗，但仍重跑相同方法。

Case 2 — 過度升階

明明只是資料缺失，卻一直分析方法論。

Case 3 — 假升階

只換抽象詞，不增加任何可行動區分。

Case 4 — 升階後失去行動能力

Meta-analysis 變成 defer loop。

Case 5 — 升階改善安全但破壞 plasticity

例如 autonomy constraint 導致 over-rejection。

23. X 階與對手建模

在多主體環境中，升階可能變成：

A: \text{model }B

B: \text{model }A

A: \text{model }B\text{'s model of }A.

但 RLMM 不把這種 nested belief 當成唯一形式。

只要：

\text{previous model}

被重新作為新對象，就屬升階。

因此：

\boxed{ \text{Game-theoretic recursion} \subset \text{RLMM recursion}. }

而不是全部。

24. 方法論升階

最終最重要的升階是：

RLMM \rightarrow \mathcal M(RLMM).

即：

RLMM 自己在哪裡會失敗？

例如：

是否過度鼓勵 challenge？
是否產生 recursion inflation？
是否讓 AI 過度保守？
是否造成 operator jargon？
是否假設所有問題都能被語言化？
是否讓方法論 artifact 反過來污染 future benchmark？

因此：

\boxed{ \text{RLMM must remain inside its own Promotion Graph}. }

25. 升階契約

未來 RLMM Language Protocol 可以要求每次升階至少輸出：

Promotion Record

Current object
目前分析對象。

Observed limitation
為什麼內容層不夠？

Promotion target
下一階分析什麼？

Expected gain
升階後預期多出什麼區分或行動？

Expected cost
時間／算力／延遲／複雜度。

Stop condition
何時停止這一階？

Rollback condition
若升階沒有增益，是否回到上一階？

這使：

\boxed{ \text{Promotion itself becomes auditable}. }

26. 一個語言版範例

原本：

我找不到這個 bug。

零階：

再看一次程式碼。

一階升階：

我目前的除錯方法是什麼？是不是只在 symptom 附近看？

二階升階：

這個除錯方法過去為什麼會失敗？是不是沒有 tracing data flow？

三階：

如果系統本身會因觀測而改變 timing，我的 debug instrumentation 會不會改變 bug？

但如果在一階就已經找到 root cause：

\boxed{ \operatorname{STOP}. }

不需要為了「高階」繼續升。

27. 遞歸與時間

X 階也不必發生在單次對話內。

可以跨時間：

R_t^{(0)} \rightarrow Artifact_t

下一次：

Artifact_t \rightarrow R_{t+1}^{(1)}.

因此：

\boxed{ \text{Metacognitive recursion can be temporal}. }

方法論文件、研究紀錄、Git history、failure ledger 都是遞歸橋樑。

28. 遞歸與多 AI

多 AI 系統還可以把階層分散。

例如：

A_0: \text{solve problem}

A_1: \text{inspect method}

A_2: \text{attack failure model}

A_3: \text{govern recursion/stop}.

因此：

\boxed{ \text{X-order cognition} \not\Rightarrow \text{one agent must hold all orders}. }

這對未來 AI Board 類系統很重要。

29. 最小升階協議

本文提出第一版自然語言 Promotion Protocol。

P1 — 先說明目前對象

我現在分析的是內容、方法、失敗模型、對手模型，還是方法論？

P2 — 指出上一階不足

為什麼不能只留在目前這一階？

P3 — 宣告升階目標

下一階要把什麼變成對象？

P4 — 宣告預期增益

升階後預期新增哪個可操作區分？

P5 — 宣告成本

這一階會增加什麼時間／算力／延遲／複雜度？

P6 — 設定停止條件

什麼情況下這一階應停止？

P7 — 若無增量，回退

如果只得到重述，回到上一階。

30. 邊界與非主張

本文不主張：

所有問題都需要高階元認知；
X 階越高越聰明；
所有升階都可以被精確量化；
所有認知對象都具有唯一階數；
所有對手建模都必須無限 nested；
所有遞歸都發生在單一 AI 內；
語言可以完整表示所有升階狀態；
Promotion Gate 已經是最終形式；
遞歸停止必然可由單一公式決定。

本文只提出：

\boxed{ \text{Metacognitive recursion should be treated as conditional promotion of cognitive objects under explicit value, cost and stopping constraints.} }

31. 結論

X 階思維不應被理解為：

「我想得比別人多幾層。」

更準確地說：

\boxed{ \text{X-order cognition} = \text{Repeated promotion of cognitive objects}. }

一個成熟系統必須知道：

\boxed{ \text{What to promote?} }

\boxed{ \text{Why promote it?} }

\boxed{ \text{What new distinction will appear?} }

\boxed{ \text{What will it cost?} }

以及：

\boxed{ \text{When to stop?} }

因此：

\boxed{ \text{Good metacognition} \neq \text{maximum recursion depth}. }

而是：

\boxed{ \text{Good metacognition} = \text{adaptive, value-bounded recursion}. }

這使 X 階從一個模糊的「高階思考」概念，轉化為可以被語言描述、方法化、版本化與未來測試的 RLMM 核心機制。

RLMM-05：反身性——方法如何改變被研究的認知主體
Reflexivity: How Method Artifacts Alter the Cognitive Subjects They Study

下一篇將正式處理：當 AI 會讀實驗、論文、方法論、benchmark、失敗案例與程式時，研究資料本身如何進入未來 AI 的認知狀態；為何 benchmark distribution 不再靜態；以及方法論如何同時成為研究工具、訓練資料、認知先驗與下一輪研究環境的一部分。