CODT-05

認知域不是固定分類：Flow-Atlas Separation

Cognitive Domains Are Not Static Classes: Flow-Atlas Separation

系列： Cognitive Operator-Domain Theory, CODT / 認知算子-域理論
系列篇次： 05 / 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 / Dynamic Domain Geometry 篇
前篇： CODT-04〈共享底層認知域：Shared-Bottom Cognitive Runtime〉

摘要

CODT-03 將認知域定義為由合法 operator ecology、history、boundary、failure、prediction、compression 與 stability 後生的 operational region；CODT-04 進一步指出，Attention、Search、Generation、Representation、Belief、Decision、Planning、Meta-Observation 等 shared-bottom substrate 會跨越多個方法與候選域運作，因此 transition graph 中的大量跨域流動不一定表示 domain boundary 不存在，也可能只是共享 infrastructure traffic。

本文提出 Flow-Atlas Separation：認知 runtime 中的 operator transition flow 與 domain atlas 是兩種不同但耦合的結構。

令 fast transition flow 為：

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

令 derived atlas 為：

\boxed{ \mathcal A_t = Chart( \mathcal U, \Lambda, H_{\le t}, \mathcal E_t ) }

其中 $\mathcal E_t$ 表示用於 atlas selection 的 evidence。本文主張：

\boxed{ P_t \neq \mathcal A_t. }

runtime regime 可以先改變 transition law，而不必立即重畫 domain chart；同樣地，兩張 assignment 的差異很大，也不代表新的 partition 具有功能價值。Domainization Experimental Foundations 的關鍵 ablation 顯示，在 OOD artifact stress 中，normal/stress chart assignment 的 ARI 曾下降到約 $0.0411$ ，但 predictive recovery 幾乎全部來自 transition-parameter adaptation：

\Delta_P = 1.4804 \text{ bits/transition},

而 repartition 的獨立 gain 反而為：

\Delta_A = -0.0434.

三個完整 seeds 亦得到負的 OOD partition gain。這迫使早期「dynamic domain attractor」強版本被修正為：

\boxed{ \text{Quasi-Stable Atlas over Adaptive Operator Flow}. }

本文進一步吸收 MDL experiments：若 atlas switching 所節省的 future code length 無法支付新 chart 的 description cost，則即使 stress-specific chart 看起來完全不同，也不應切換 atlas。由此提出 Atlas Switch Gate：

\boxed{ NetSwitchGain = FlowAdjustedGain - ChartSwitchCost. }

只有：

NetSwitchGain>0

且 stability / legality / boundary evidence 同時成立，repartition 才具有實質支持。

本文最後把 operator traffic 分成 domain-internal flow、cross-domain bridge flow、shared-bottom infrastructure flow、meta-control flow 與 world-boundary flow，並提出 typed flow decomposition。這使 CODT 能避免把所有高流量 hub 誤當成 domain core，也避免把 regime-specific transition shock 誤當成 domain ontology 的即時崩解。本文將 domain 重新表述為：承載 adaptive flow 的準穩定局部 chart，而非固定分類，也非每一時刻都重新聚類的動態盒子。

關鍵詞

Flow-Atlas Separation；CODT；cognitive atlas；operator flow；dynamic domains；regime shift；MDL；transition model；shared-bottom infrastructure；community dynamics；cognitive geometry

1. 問題：我們看到的是「域」，還是「流」？

假設一個 cognitive runtime 中存在大量 transitions：

U_i \rightarrow U_j.

我們可以把 operator 當成 nodes，把 transitions 當成 weighted edges。

接著很自然地做 clustering。

如果某些 operators 彼此 transition 很頻繁，我們可能說：

這是一個 domain。

但這個推論太快。

因為 transition 高可能有至少五種原因：

它們真的位於同一 operational region；
它們共享一個 high-traffic infrastructure；
它們透過 bridge operator 反覆跨域；
meta-control 在它們之間頻繁 routing；
world-boundary loop 強迫某些 operators 形成高流量閉環。

因此：

\boxed{ HighTransitionFlow \not\Rightarrow SameDomain. }

反過來，兩個 operators transition 很少，也不代表它們不屬於同一 domain。

它們可能只是 domain 內不同 subroutines、不同時間尺度或低頻 specialization。

所以 CODT-05 的第一個問題是：

如何把「當下怎麼走」和「哪些區域值得被當成穩定結構」分開？

2. Flow 與 Atlas 的第一個形式化

令：

U_t

為時間 $t$ 的 active cognitive operator。

令：

S_t

為 runtime state。

令：

H_t

為 history。

令：

B_t

為 resource state。

令：

R_t

為 runtime regime。

則 transition flow：

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

這個物件回答：

在目前條件下，下一個 operator 怎麼走？

另一方面，atlas：

\boxed{ \mathcal A_t = Chart( \mathcal U, \Lambda, H_{\le t}, \mathcal E_t ). }

它回答：

哪些 operators / words / boundaries / failures 在累積 evidence 下值得被壓縮成較穩定的 operational regions？

因此：

\boxed{ P_t \neq \mathcal A_t. }

Flow 是動力。

Atlas 是 derived geometry / control chart。

3. 為什麼 Atlas 不能等同 Transition Matrix

如果：

\mathcal A_t = P_t,

則每次 transition probability 改變，都等於 domain ontology 改變。

這會產生荒謬結果。

例如同一個 Planning domain 在 deadline 壓力下，Search 到 Decision transition 可能變快。

但這不代表 Planning domain 已經不存在。

又例如 resource shock 可能提高：

Defer, Prune, Abort, Replan

的 transition probability。

這更可能表示：

\boxed{ \text{same structural region under different flow field}. }

因此 domain geometry 不應直接被瞬時 transition matrix 取代。

4. 為什麼 Flow 也不能忽略 Atlas

反過來，若 atlas 被固定成一張永遠不變的 taxonomy，也會出問題。

因為 runtime evidence 可能長期顯示：

某些 old domain boundary 沒有 predictive value；
某些 operators 反覆形成新 niche；
某些 seeds 持續被跨域 program 打散；
某些 failure boundary 發生穩定分裂；
某些 shared-bottom family 出現 domain-like closure。

因此：

\boxed{ Atlas \neq ImmutableTaxonomy. }

Flow 可以提供 atlas revision pressure。

但：

\boxed{ RevisionPressure \neq ImmediateRepartition. }

5. 兩個時間尺度

Phase 0.6 的 synthetic experiments 提出一個候選 timescale separation：

\boxed{ \tau_P < \tau_{\mathcal A}. }

其中：

$\tau_P$ ：transition flow 適應時間；
$\tau_{\mathcal A}$ ：有功能價值的 atlas 重構時間。

這不是 universal cognitive law。

它表示目前 evidence 更支持：

transition law 可以比值得付成本的 domain repartition 更快改變。

因此：

\boxed{ \text{Fast Flow} + \text{Slow Chart} }

成為本文的第一版 dynamic domain hypothesis。

6. Quasi-Stable Atlas

本文將一個 domain candidate 暫時寫成：

\boxed{ \mathfrak D_\alpha(t) = \text{quasi-stable local chart carrying regime-conditioned flow}. }

「quasi-stable」不是 static。

它表示：

membership 可以改；
boundary 可以漂移；
niche 可以 split / merge；
version 可以更新；

但這些變化不應只由 instantaneous transition noise 觸發。

因此：

\boxed{ \text{QuasiStable} \neq \text{Immutable}. }

7. 早期 Dynamic Attractor 強版本

Phase 0.5 曾因 normal chart 與 stress chart assignment 差異明顯，提出：

\mathfrak D_\alpha = \mathfrak D_\alpha( t, C, O, B, R ).

其中 $R$ 代表 regime。

當時 normal/stress chart 的 ARI 約：

0.3231.

而 regime-matched chart 在自己的 regime 中有更好的 predictive performance。

這很容易導向：

\boxed{ \text{Domain = dynamic attractor}. }

也就是每當 regime 變化，domain geometry 就重組。

這個猜想後來被 Phase 0.6 修正。

8. 為什麼 Phase 0.5 的證據不夠

Phase 0.5 的 adaptation 同時改變兩件事：

chart assignment；
transition statistics。

若 predictive loss 下降，我們無法知道：

是因為換了 domain geometry？

還是：

只是因為重新估計了 transition probabilities？

所以：

\boxed{ \text{Total Adaptation Gain} \neq \text{Partition Gain}. }

必須做 ablation。

9. 四格 Ablation

令 $A_N$ 為 normal atlas， $A_S$ 為 stress atlas， $P_N$ 為 normal flow model， $P_S$ 為 stress flow model。

定義四個 coding condition：

NN = L( H \mid A_N, P_N ),

NS = L( H \mid A_N, P_S ),

SN = L( H \mid A_S, P_N ),

SS = L( H \mid A_S, P_S ).

則 parameter adaptation gain：

\boxed{ \Delta_P = NN-NS. }

partition adaptation gain：

\boxed{ \Delta_A = NS-SS. }

正值表示該 adaptation 降低 code length。

負值表示反而變差。

10. OOD Artifact：最重要的反證

OOD artifact stress 是 Flow-Atlas Separation 的關鍵案例。

normal/stress independently learned assignment：

\boxed{ ARI = 0.0411. }

幾乎完全不同。

如果只看 ARI，可以很容易說：

domain geometry 發生相變。

但 ablation：

\boxed{ \Delta_P = 1.4804 }

bits/transition，

而：

\boxed{ \Delta_A = -0.0434. }

也就是：

幾乎全部 predictive recovery 都來自 flow parameter update；換 stress partition 在同一 stress flow 下反而稍微更差。

三個完整 seeds：

E[ \Delta_P^{OOD} ] = 1.3992,

E[ \Delta_A^{OOD} ] = -0.0251.

且 OOD partition gain：

\boxed{ 3/3 \text{ 為負}. }

因此：

\boxed{ ARI\text{ collapse} \not\Rightarrow UsefulRepartition. }

這是 CODT-05 最重要的 empirical foundation。

11. Assignment Shift 與 Functional Shift 必須分開

一張 chart assignment 變很多，可以有多種原因：

clustering instability；
sparse OOD edges；
changed edge weights；
resolution effect；
changed flow statistics；
true structural boundary shift。

所以：

\boxed{ AssignmentShift \neq FunctionalDomainShift. }

Functional domain shift 至少還需要證明：

在控制 flow parameter adaptation 後，新 atlas 本身仍增加 held-out predictive / compressive / operational value。

12. Mixed Stress 的教訓

Mixed stress 曾有正 total adaptation gain。

但 partition gain仍為負。

因此：

\boxed{ \text{better adapted runtime} \not\Rightarrow \text{better repartition}. }

這說明「適應」這個詞也必須拆開。

可能是：

parameter adaptation；
policy adaptation；
resource adaptation；
representation adaptation；
atlas adaptation。

CODT 不允許全部叫「domain adaptation」。

13. Online Atlas 的進一步結果

Phase 0.6 online experiment 讓 runtime 經過多個 sequential windows：

normal \rightarrow stress \rightarrow recovery \rightarrow normal.

主 run：

\Delta_{online} = 0.1484.

但拆開：

\boxed{ \Delta_{parameter} = 0.1416, }

\boxed{ \Delta_{partition} = 0.0068. }

也就是主 run 的大部分 online improvement 來自 transition statistics adaptation。

三個完整 seeds 平均：

E[ \Delta_{online} ] = 0.3196,

E[ \Delta_{parameter} ] = 0.2389,

E[ \Delta_{partition} ] = 0.0807.

partition adaptation 不是零。

但目前證據更支持：

\boxed{ \text{flow adaptation is faster and usually larger}. }

14. Flow-Atlas Separation 的正式候選

因此本文提出：

\boxed{ CognitiveRuntime_t = ( U_t, S_t, P_t, \mathcal A_t, H_t ). }

其中 $P_t$ 是 adaptive flow， $\mathcal A_t$ 是 quasi-stable chart。

Flow 可以依：

R_t, B_t, Goal_t, Failure_t, WorldPresentation_t

快速調整。

Atlas 只在累積 evidence 足夠時更新。

15. Shared-Bottom Infrastructure 會扭曲 Flow

CODT-04 已建立：

Method \neq Domain \neq SharedBottom.

這對 transition graph 有直接後果。

Attention、Search、Representation、Meta-Control 等 high-reuse substrate 會自然形成高流量 hubs。

因此若直接用 raw transition graph clustering：

HighDegree(U)

很可能只是：

\boxed{ InfrastructureRole(U) }

而不是：

DomainCore(U).

16. Typed Flow Decomposition

本文因此提出：

\boxed{ F_t = F_t^{D} + F_t^{B} + F_t^{SB} + F_t^{M} + F_t^{W}. }

其中：

$F_t^{D}$ ：domain-internal flow；
$F_t^{B}$ ：cross-domain bridge flow；
$F_t^{SB}$ ：shared-bottom infrastructure flow；
$F_t^{M}$ ：meta-control / routing flow；
$F_t^{W}$ ：world-boundary flow。

這不是一般數值上的唯一可加分解。

它是一個 typed flow ledger candidate。

一個 transition event 應盡量被標記其 flow role。

17. Domain-Internal Flow

若 $U_t,U_{t+1}$ 在同一 domain candidate 中有高 membership，且 transition 不需要 domain bridge，則可標為：

F_t^{D}.

但 overlapping domains 會造成 ambiguity。

因此 FlowRole 也可以是 soft / multi-label。

18. Cross-Domain Bridge Flow

若：

U_t \in \mathfrak D_\alpha

而：

U_{t+1} \in \mathfrak D_\beta

並經顯式 bridge：

B_{\alpha\beta},

則 $F_t^{B}$ 記錄：

source；
destination；
representation conversion；
license change；
resource cost；
loss；
certificate。

因此跨域 flow 不等於 domain boundary failure。

它可以是合法 infrastructure。

19. Shared-Bottom Infrastructure Flow

如果 ATT、SRH、REP、MET 等 substrate 被多個 domains 共用，它們的 traffic 應標為：

F_t^{SB}.

這允許 atlas learner 在分析 domain geometry 時：

保留 infrastructure；
降權 infrastructure；
分層建模 infrastructure；
或建立 multilayer chart。

不必把它們強迫塞進某一個 domain。

20. Meta-Control Flow

CRE 類 router、MET monitoring、DEC/PLN control signal 可能形成：

F_t^{M}.

Meta-control traffic 的高頻往返：

Monitor \rightarrow Route \rightarrow Monitor

不應自動被理解成一個巨大 meta-domain。

它可能只是 control plane。

21. World-Boundary Flow

ACT 到 CWB，再到 World transition，再回 Presentation 的 loop：

ACT_{request} \rightarrow CWB \rightarrow World \rightarrow Presentation

是一種特殊 flow：

F_t^{W}.

它跨越 cognition / World ontology boundary。

因此絕不能因為 edge weight 高，就把 WorldOperator 吸入 Cognitive Domain Atlas。

22. Flow Role 與 Domain Membership 是不同 metadata

對 transition：

e_t = ( U_t, U_{t+1} ),

可以同時有：

DomainMembership(U_t),

DomainMembership(U_{t+1}),

以及：

FlowRole(e_t).

所以：

\boxed{ NodeDomain \neq EdgeRole. }

這是 CODT 動態圖表示的重要分離。

23. 為什麼 Flow-Based Community Detection 仍然有價值

Rosvall 與 Bergstrom 的 map equation 使用 random-walk probability flow 來尋找可以壓縮 flow description 的 modules。

這提供 CODT 一個重要外部參照：

一張 map 可以因為它壓縮動態 flow 而有價值。

Delvenne、Yaliraki、Barahona 的 Markov stability 則把 partition quality 和 dynamics / time scale 連結，顯示不同 flow time scales 可以支持不同有效 partitions。

CODT 吸收：

\boxed{ \text{flow can reveal useful mesoscopic structure}. }

但不吸收：

\boxed{ \text{flow module = cognitive domain}. }

因為 cognition 還有 legality、license、shared-bottom、World boundary、failure 與 history。

24. Multi-Time-Scale Chart

外部 Markov stability 類研究提醒：

同一 graph 在不同 dynamics time scale 下可以有不同 partition resolution。

CODT 可以類比定義：

\mathcal A_t^{(\tau)}.

其中 $\tau$ 是 analysis / prediction horizon。

短 horizon chart 可能看見 local operator niches。

長 horizon chart 可能看見 macro-domains。

因此：

\boxed{ \mathcal A^{(\tau_1)} \neq \mathcal A^{(\tau_2)} }

不必視為矛盾。

它可能只是 multiscale structure。

25. Time-Dependent Atlas 也不能每步重畫

Mucha 等人的 multislice network framework 提供「time-dependent network 可以把不同時間 slice 耦合起來」的外部參照。

CODT 吸收一個一般想法：

\boxed{ \text{current chart should be coupled to prior chart}. }

因此 atlas learner 不應每個 window 完全獨立。

可以加入：

TemporalConsistencyCost( \mathcal A_t, \mathcal A_{t-1} ).

但 coupling 不能太強。

否則真正 domain split 會被壓掉。

所以 atlas evolution 是：

\boxed{ Stability \leftrightarrow Adaptability }

的 model-selection 問題。

26. Dynamic Attractor 強版本為什麼被降級

「Domain 是 dynamic attractor」是一個有吸引力的說法。

因為它允許 domain 隨 runtime 改變。

但它也太寬。

任何 clustering shift 都可以被解釋成 attractor movement。

因此難以 falsify。

CODT-05 改成：

\boxed{ \text{Domain is a quasi-stable chart over adaptive flow}. }

這個版本更嚴格。

因為它要求：

flow adaptation；
chart adaptation；
chart switching cost；

可以被分開測。

27. Atlas Complexity Cost

Phase 0.7 把：

L(A)

正式加入 chart selection。

selection objective：

\boxed{ L_{select}(A) = L(A) + L( H_{train} \mid A ) + L( H_{val} \mid H_{train}, A ). }

這表示：

多切一個 cluster / domain 不是免費。

如果 predictive-only learner 一直切細，就必須付 atlas description cost。

28. Normal Runtime 的 MDL 收斂

normal label-blind corpus 中：

predictive-only selector：

K_{pred} = 31.

MDL selector：

\boxed{ K_{MDL} = 20. }

predictive test bits：

4.3402.

MDL test bits：

4.3583.

只犧牲：

0.0181

bits/transition。

但 full description length 改善：

\boxed{ 139.5 \text{ bits}. }

因此：

\boxed{ \text{slightly worse local fit} + \text{better total compression} }

可以是更好的 atlas。

29. OOD 的 Single-Domain MDL Optimum

Phase 0.7 的 OOD 結果極端。

predictive selector 在不同 splits 會選約：

14-18

clusters。

但 MDL：

\boxed{ K_{MDL,OOD} = 1 }

在：

5/5

splits 成立。

這不是：

\boxed{ \text{OOD cognition has one true domain}. }

它只表示：

在目前 coder / corpus 下，更細的 stress partition 沒有把額外 atlas complexity 賺回來。

因此：

\boxed{ MDLOptimum \neq OntologyTruth. }

30. Atlas Switch Gate

假設 runtime 已經有：

\mathcal A_{old}.

stress evidence 提出：

\mathcal A_{new}.

若不付 switching cost，任何 local improvement 都會鼓勵頻繁 rechart。

所以本文提出：

\boxed{ NetSwitchGain = Gain_{heldout} - Cost_{chart} - Cost_{migration} - Cost_{instability}. }

只有：

\boxed{ NetSwitchGain>0 }

才有 atlas switch pressure。

31. Chart Description Cost

Cost_{chart}

至少包含：

number of domains；
membership assignment；
overlap structure；
boundary definitions；
bridge registry；
domain metadata；
new routing rules。

因此更複雜 atlas 的成本不能只看 cluster count。

32. Migration Cost

atlas switch 也會影響：

cached routing；
operator/domain lookup；
explanation labels；
dashboards；
memory indexes；
monitoring policy；
prior domain-conditioned statistics。

所以：

Cost_{migration}

可以很高。

這對 AI-native runtime 特別重要。

33. Instability Cost

如果 atlas 太敏感：

\mathcal A_t \rightarrow \mathcal A_{t+1} \rightarrow \mathcal A_{t+2}

不斷切換，系統會產生：

label thrashing；
route thrashing；
memory invalidation；
interpretability loss；
policy oscillation。

所以：

Cost_{instability}

必須顯式存在。

34. Phase 0.7 的 Switch 結果

Phase 0.7 把 chart-switch cost 算入後，五種 stress regime 的 online switch gain 全部為負。

這支持：

\boxed{ \text{existing normal atlas} + \text{adapted flow} }

比：

\boxed{ \text{rebuild stress atlas} }

更值得。

這就是 Quasi-Stable Atlas 的 complexity-accounted evidence。

35. Structural Phase Transition 的更嚴格定義

CODT 不禁止真正 structural phase transition。

但要求更強 evidence。

一個 Atlas Structural Transition Candidate 至少需要：

T1. Persistent Assignment Shift

不是一次 bootstrap fluctuation。

T2. Flow-Controlled Gain

在控制 transition parameter adaptation 後，新 atlas仍有正 gain。

T3. Complexity-Adjusted Gain

新 atlas 能支付 description / migration cost。

T4. Boundary Reorganization

failure / bridge / legality boundary 也有一致改變。

T5. Multi-Window Persistence

新 geometry 在後續 windows 保持。

因此：

\boxed{ LargeARIChange \not\Rightarrow StructuralTransition. }

36. Regime Shift 的四種類型

本文將 regime shift 分成至少四類。

36.1 Parameter Shift

同一 structure：

\mathcal A

下：

P_t \rightarrow P_{t+1}.

36.2 State-Distribution Shift

S_t

的 distribution 改變，但 atlas 未必改。

36.3 Policy / Routing Shift

meta-control policy 改變 transition flow。

36.4 Structural Shift

需要真正：

\mathcal A_t \rightarrow \mathcal A_{t+1}.

CODT 要求先排除前三者，再宣告第四種。

37. Flow Freeze Test

為了判斷 atlas 是否真的需要改，可以做：

\boxed{ \text{freeze atlas, adapt flow}. }

如果 prediction / compression 已恢復：

\boxed{ AtlasChangeNotRequired. }

Phase 0.6 OOD case 就接近這類結果。

38. Atlas Freeze / Flow Freeze 的對稱 Ablation

也可以反過來：

\boxed{ \text{freeze flow, change atlas}. }

若沒有 gain，表示 chart assignment shift 沒有獨立功能。

因此兩種 freeze experiment 應成為 atlas revision 的最低 falsification tool。

39. Shared-Bottom-Aware Flow Normalization

因 SBCR operators 具有高跨域 reuse，atlas learner 可以考慮一個 derived weighting：

w_{ij}^{eff} = w_{ij} \cdot g( SB_i, SB_j, Role_{ij} ).

其中：

g

不是固定函數。

可以：

降低 infrastructure hub traffic；
分層計入 SB traffic；
separate-layer modeling；
edge-role normalization。

本文不固定最佳 normalization。

只固定原則：

\boxed{ RawTraffic \neq DomainEvidence. }

40. Flow Tensor Candidate

如果只用單一 transition matrix：

P_{ij},

容易把不同 edge semantics 混在一起。

因此可定義：

\boxed{ \mathcal F_{ijr}(t) }

其中：

r \in \{ D, B, SB, M, W \}.

這使同一 pair：

(U_i,U_j)

可以因不同 role 具有不同 flow channel。

這是一個 typed-flow tensor candidate。

41. Atlas 可以是 Layered，而不是單張 Partition

若 flow 本來多層，atlas 也可以：

\boxed{ \mathcal A_t = ( \mathcal A_t^{Domain}, \mathcal A_t^{SB}, \mathcal A_t^{Meta}, \mathcal A_t^{WorldInterface} ). }

這不是四張互斥 partition。

而是四種不同 control views。

Derived views 不得回寫 canonical operator identity。

42. Atlas 是 Control View，不是 Canonical State

CODT 延續 HSO / CDD 的一條重要 discipline：

\boxed{ DerivedAtlas \text{ cannot rewrite } CanonicalHistory. }

如果今天 atlas 把：

U_i

從 Domain A 移到 Domain B，

昨天的 trace 不能被改成：

它昨天本來就在 B。

只能記：

AtlasVersion_t.

所以：

\boxed{ Rechart \neq HistoryRewrite. }

43. Atlas 與 Human Label

human label：

Search, Memory, Planning

可以隨 atlas version 保留。

但 label 只是 presentation layer。

若 learned chart split：

Memory \rightarrow Persistence + RetrievalSearch,

human interface 可以仍顯示：

Memory family has two operational regions.

不必強迫 runtime 回到單一 MemoryDomain。

44. Human Taxonomy 的正確角色

Phase 0.5 / 0.6 結果顯示：

human family partition 並不是 random。

在 normal synthetic corpus 中，human taxonomy 對 transition structure 有顯著資訊。

同時 learned chart 可以有更低 code length。

因此：

\boxed{ HumanTaxonomy = InformativePrior, }

但：

\boxed{ HumanTaxonomy \neq CanonicalAtlas. }

這是 CODT 對古典認知分類的正式位置。

45. Atlas 不是 Embedding Cluster

即使未來使用 embedding：

z_i = Embed(\Omega_i),

再做 clustering，也只能得到：

\boxed{ SemanticCluster. }

它不是 domain。

因為 domain 還需要：

legal composition；
flow；
failure；
license；
boundary；
history；
complexity；
predictive evidence。

因此：

\boxed{ SemanticSimilarity \neq OperationalDomain. }

46. Atlas 不是 Graph Cluster

同理：

CommunityDetection(G)

只是 candidate chart generator。

不同 graph projection：

G^{transition}, G^{type}, G^{failure}, G^{license}, G^{world}

可以得到不同 partitions。

因此：

\boxed{ \text{one graph} \neq \text{the cognition}. }

47. Flow-Based Evidence 與 Structural Evidence 應分帳

本文建議 domain evidence ledger 分成：

\boxed{ E_\alpha = ( E_\alpha^{flow}, E_\alpha^{structure}, E_\alpha^{boundary}, E_\alpha^{complexity}, E_\alpha^{stability} ). }

這避免：

flow evidence 很強

被偷換成：

structural ontology 已證明。

48. Flow Confidence 與 Atlas Confidence

可以分別維護：

Conf(P_t)

與：

Conf(\mathcal A_t).

新 regime 剛出現時：

Conf(P_t)

可能快速下降。

但：

Conf(\mathcal A_t)

不必同步歸零。

反過來，長期 structural evidence 改變時，atlas confidence 才逐步下降。

49. Flow Adaptation 不應自動改 Domain Label

一個 practical rule：

若：

P_t \rightarrow P_{t+1}

但：

NetSwitchGain \leq0,

則：

\boxed{ UpdateFlow, KeepAtlas. }

這是 AI runtime 可直接採用的控制策略。

50. Atlas Adaptation 也不應自動重訓全部 Flow

若 atlas 只是改 chart view，而 canonical operator transitions 未變，則：

\boxed{ Rechart \not\Rightarrow ResetAllFlowModels. }

可以只更新：

aggregate statistics；
routing cache；
domain-conditioned predictors。

這避免不必要重訓。

51. Flow-Atlas Hysteresis

若 atlas switch 有成本，合理系統會出現 hysteresis。

即：

Threshold_{A\rightarrow B} \neq Threshold_{B\rightarrow A}.

這不是 bug。

它可以防止 chart thrashing。

因此：

\boxed{ AtlasHysteresis = \text{possible stability mechanism}. }

52. Recovery 也需要測

若：

normal \rightarrow stress \rightarrow normal,

系統應檢查：

flow 是否恢復；
atlas 是否需要回切；
prior atlas 是否仍有效；
是否留下 path dependence。

這可以定義：

H_A = d( \mathcal A_{return}, \mathcal A_{pre} ).

若 atlas 從未切換：

H_A=0

不代表 cognition 沒受 stress。

flow 仍可能發生巨大 hysteresis。

53. Adaptation Lag

定義：

\tau_{adapt}^P

為 flow recovery lag。

定義：

\tau_{adapt}^{A}

為 atlas switch / recovery lag。

若：

\tau_{adapt}^{P} < \tau_{adapt}^{A},

則支持 timescale separation。

這應在 real runtime 中進一步測。

54. Atlas Trigger 不應只看 ARI

可能 trigger：

Trigger_A = f( PredictiveResidual, CompressionResidual, BoundaryShift, FailureShift, StabilityLoss, NetSwitchGain ).

而不是：

Trigger_A = ARI<\epsilon.

ARI 只比較 assignments。

不回答：

新 chart 是否有用？

55. Atlas 也不應只看 Modularity

Phase 0.5 / 0.6 stress chart modularity 很低，仍可能在當時 predictive objective 上有 gain。

這說明：

\boxed{ DomainLikeness \neq CommunityDensity. }

domain 可以是 predictive quotient / control chart，而不一定是密集 graph island。

56. Quasi-Stable Atlas 的正確理解

「準穩定」有三個層次。

56.1 Assignment Stability

membership 不頻繁改。

56.2 Functional Stability

predictive / compressive role 保留。

56.3 Interface Stability

boundary / bridge contract 保留。

真正重要的是後兩種。

所以即使 assignment 有小變動，只要 function / interface 穩定，domain identity 可以延續。

57. Domain Identity 的動態條件

可提出：

SameDomain( \mathfrak D_t, \mathfrak D_{t+1} )

若：

FunctionalSimilarity + BoundarySimilarity + InterfaceContinuity

高於 threshold。

因此：

\boxed{ SameDomain \not\Rightarrow SameMembershipSet. }

這使 versioned domain identity 有正式空間。

58. Flow Shock 不等於 Domain Death

若 stress 下：

P_t

劇烈變化，

但 atlas 仍有：

boundary continuity；
compression value；
interface continuity；

則：

\boxed{ FlowShock \neq DomainDeath. }

這是 CODT-05 對 dynamic cognition 最重要的概念修正之一。

59. Atlas Shift 不等於 Ontology Shift

同樣：

\mathcal A_t \rightarrow \mathcal A_{t+1}

也只代表 derived chart 改變。

它不直接推出：

\boxed{ UltimateCognitiveOntology \text{ changed}. }

CODT 的 atlas 是 operational ontology candidate。

不是 ultimate ontology。

60. AI-Native Runtime 的實作含義

Flow-Atlas Separation 對 AI architecture 的直接含義是：

不要每次 behavior drift 就重建 ontology。

更合理 pipeline：

ObserveDrift \rightarrow UpdateFlowModel \rightarrow EvaluateResidual \rightarrow EstimateAtlasGain \rightarrow ApplySwitchGate.

只有必要時才 rechart。

這比：

Drift \rightarrow ReclusterEverything

更穩定。

61. Runtime State

本文建議 dynamic cognitive runtime 至少保存：

\boxed{ RuntimeState_t = ( OperatorState_t, FlowModel_t, AtlasVersion_t, SBCRState_t, BoundaryState_t, History_t ). }

這使 flow、atlas、shared-bottom 與 World boundary 各自版本化。

62. Flow Model Registry

每個 flow model 應記：

training window；
regime；
feature set；
history length；
code length；
calibration；
uncertainty；
atlas version；
SB weighting policy。

否則 flow drift 無法重放。

63. Atlas Registry

atlas 應記：

chart version；
domain IDs；
membership；
overlap；
bridge；
boundary；
description cost；
evidence；
switch history；
previous atlas link。

這使：

\boxed{ AtlasEvolution }

可審計。

64. Atlas Switch Certificate

正式 switch 應產生：

\boxed{ AtlasSwitchCertificate }

至少記：

old atlas；
new atlas；
evidence window；
flow-controlled gain；
chart cost；
migration cost；
stability evidence；
unresolved conflicts；
rollback target。

這延續 CODT certificate-carrying computation。

65. Atlas Rollback

如果新 atlas 部署後：

predictive loss 上升；
routing error 上升；
interpretability 崩解；
instability 增加；

則可以：

\boxed{ Rollback( \mathcal A_{new} \rightarrow \mathcal A_{old} ). }

Domain theory 必須能 rollback。

不能只向前增加 complexity。

66. Flow / Atlas 的認識論地位不同

Flow model 是：

\boxed{ \text{runtime predictive model}. }

Atlas 是：

\boxed{ \text{derived structural/control model}. }

它們的 evidence license 不同。

因此：

\boxed{ FlowConfidence \neq DomainConfidence. }

67. 外部 Dynamic Community Research 的正確位置

本文引用：

Rosvall-Bergstrom flow compression；
Delvenne-Yaliraki-Barahona Markov stability；
Mucha 等 temporal / multislice communities；
Peixoto complexity-aware block model selection；

作四種外部方法學參照。

它們共同提醒：

flow 可以揭露 structure；
structure 可以依 time scale 而變；
temporal slice 之間可以耦合；
model complexity 必須被懲罰。

CODT 額外加入：

typed operator semantics；
legality；
shared-bottom infrastructure；
epistemic license；
failure；
history；
World boundary。

因此：

\boxed{ FlowAtlasCODT \neq DynamicCommunityDetection. }

68. CODT-05 憲法增補

CODT-C34：Flow-Atlas Separation

\boxed{ TransitionFlow \neq DomainAtlas. }

CODT-C35：Time-Scale Separation Candidate

\boxed{ \tau_P < \tau_{\mathcal A} }

作為可反證候選，不是 universal law。

CODT-C36：Assignment-Function Separation

\boxed{ AssignmentShift \not\Rightarrow FunctionalDomainShift. }

CODT-C37：Flow-Controlled Repartition

atlas repartition claim 必須先控制 flow parameter adaptation。

CODT-C38：Complexity-Aware Switch

\boxed{ NetSwitchGain>0 }

才形成 strong atlas-switch evidence。

CODT-C39：Infrastructure Traffic Separation

\boxed{ SharedBottomFlow \neq DomainInternalFlow. }

CODT-C40：Atlas Non-Rewriting

\boxed{ Rechart \neq HistoryRewrite. }

CODT-C41：Structural Transition Gate

ARI / modularity / assignment difference 單獨不足以宣告 structural phase transition。

CODT-C42：Quasi-Stable Domain Identity

\boxed{ SameDomain \not\Rightarrow SameMemberSet. }

69. 本文的理論地位

本文沒有證明：

\tau_P < \tau_{\mathcal A}

是所有 cognition 的普遍定律。

也沒有證明 MDL 是唯一正確 atlas learner。

本文真正建立的是：

\boxed{ \text{Flow and Atlas must be separately modeled and separately falsified.} }

這是一條 theory-design constraint。

70. 與下一篇的接口

CODT-05 把 Flow 與 Atlas 拆開了。

但仍有一個問題：

Flow 本身需要多少 history？

如果下一個 operator 取決於：

U_{t-k:t},

而不是只取決於：

U_t,

那麼我們目前看到的一部分 atlas structure，會不會其實只是 higher-order history 被一階 flow 錯投影出來？

下一篇因此處理：

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

也就是 History-Flow-Atlas Separation。

結論

認知域既不是固定 taxonomy，也不是每一個時間 window 都重新 clustering 的漂浮集合。

CODT-05 的核心是：

\boxed{ \text{Quasi-Stable Atlas over Adaptive Operator Flow}. }

Flow 回答：

cognition 現在怎麼走？

Atlas 回答：

哪些 operational regions 在累積 evidence 下值得被保留成較慢的結構？

Shared-bottom 又回答：

哪些交通本來就是跨域基礎設施？

因此：

\boxed{ \text{Flow} \neq \text{Atlas} \neq \text{SharedInfrastructure}. }

這三者若被混在一起，我們會把：

traffic shock 誤認成 domain death；
shared infrastructure hub 誤認成 domain core；
clustering instability 誤認成 cognitive phase transition；
predictive overfit 誤認成新的 ontology。

Phase 0.6 的 OOD 反證最清楚地顯示：

ARI = 0.0411

可以和：

\Delta_A<0

同時成立。

也就是：

\boxed{ \text{chart looks different} \not\Rightarrow \text{new chart is useful}. }

Phase 0.7 再進一步顯示：

即使 stress-specific chart 局部 prediction 更好，只要它無法支付 chart description / switching cost，就不值得 deployment。

所以 CODT 對 dynamic cognition 的第一個成熟版本不是：

\text{domains are always moving}.

而是：

\boxed{ \text{flows move quickly; atlases move only when structural evidence earns the move}. }

這就是 Flow-Atlas Separation。

參考文獻與外部研究種子

A. Flow / Community Dynamics

Rosvall, M., & Bergstrom, C. T. (2008). "Maps of random walks on complex networks reveal community structure." Proceedings of the National Academy of Sciences, 105(4), 1118-1123. DOI: 10.1073/pnas.0706851105.
Delvenne, J.-C., Yaliraki, S. N., & Barahona, M. (2010). "Stability of graph communities across time scales." Proceedings of the National Academy of Sciences, 107(29), 12755-12760. DOI: 10.1073/pnas.0903215107.
Mucha, P. J., Richardson, T., Macon, K., Porter, M. A., & Onnela, J.-P. (2010). "Community Structure in Time-Dependent, Multiscale, and Multiplex Networks." Science, 328(5980), 876-878. DOI: 10.1126/science.1184819.
Peixoto, T. P. (2014). "Hierarchical Block Structures and High-Resolution Model Selection in Large Networks." Physical Review X, 4, 011047. DOI: 10.1103/PhysRevX.4.011047.

邊界聲明： 上述工作只作 flow-based structure、multiscale partition、temporal coupling 與 complexity-aware model selection 的外部方法學參照。CODT 的 Flow-Atlas Separation、typed operator traffic、shared-bottom flow、epistemic license、World boundary 與 atlas-switch contract 不宣稱來自上述文獻。

B. 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〉。
CDD Phase 0 v0.5：Regime-Dependent Domain Geometry Candidate。
CDD Phase 0 v0.6：Label-Free Adversary、Flow-Atlas Ablation、Online Atlas。
CDD Phase 0 v0.7：MDL / Complexity-Regularized Atlas。
HSO v0.8 / Ecological Geometry Atlas。
GCORF / General Cognitive Operator Reverse Engineering Framework。
MWT / Mathematical World Theory。

版本記錄

v1.0

正式建立 Flow-Atlas Separation。
定義 adaptive transition flow $P_t$ 與 derived atlas $\mathcal A_t$ 。
固定 $\tau_P<\tau_{\mathcal A}$ 為可反證 timescale candidate。
納入 Phase 0.6 OOD ablation：ARI collapse 不推出 useful repartition。
建立 parameter gain / partition gain 分帳。
引入 domain-internal、bridge、shared-bottom、meta-control、world-boundary 五種 typed flow roles。
建立 shared-bottom-aware flow analysis。
引入 MDL atlas description cost、migration cost、instability cost。
建立 Atlas Switch Gate、Switch Certificate 與 rollback。
將 dynamic-domain 強版本修正為 Quasi-Stable Atlas over Adaptive Operator Flow。
為 CODT-06 History-Flow-Atlas Separation 建立 dynamic foundation。