從螺旋到折疊圖：分支、合併、壓縮與再展開的認知動力學

From Spiral to Fold Graph: Cognitive Dynamics of Branching, Merging, Compression, and Re-Expansion

系列：遞歸折疊認識論：從 PDF 成功—排除雙法到多模型可修正認知，第 5 篇／共 8 篇＋1 篇總結
系列英文名：Recursive Fold Epistemology: From the PDF Success–Falsification Duality to Corrigible Multi-Model Cognition
文件編號：EML-RFE-2026-05-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-02
性質：認識論／Cognitive Dynamics／Graph Epistemology／Branching Cognition／Knowledge Compression
狀態：Public Theory Draft
直接前置：EML-RFE-2026-01 至 04；PDF 成功法；PDF 排除法；認知呼吸理論；認知解構學

生成、認識論與範圍聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文所提出的「折疊圖」首先是一個認知建模框架，而不是聲稱人腦、科學共同體或大型語言模型在物理上必然依照本文圖結構運作。其目的在於提供一個比「線性進步」或「單一螺旋」更能表達真實研究活動的外部形式語言。

本文延續前四篇：

\boxed{ \text{Corrigibility} }

\boxed{ \text{Construction} + \text{Discrimination} + \text{Revision} }

\boxed{ \Theta_{t+1} \not\subseteq \Theta_t }

以及：

\boxed{ F_t \rightarrow \operatorname{Fold} \rightarrow K_{t+1}^{\mathrm{meta}}. }

本篇進一步問：

當認知可以同時擁有多條模型支線，而且失敗、成功、壓縮與重構都會彼此交叉時，整個認知過程應如何表示？

本文答案是：

\boxed{ \text{Spiral} \rightarrow \text{Recursive Fold Graph}. }

摘要

傳統知識進步常被畫成：

T_0 \rightarrow T_1 \rightarrow T_2 \rightarrow \cdots

認知呼吸理論則進一步強調：

\boxed{ \text{Expand} \rightarrow \text{Integrate} \rightarrow \text{Compress}. }

這比線性累積更接近實際理解：同一問題會反覆被重新展開、整合並壓縮。

然而，當研究進入多模型、跨尺度、跨本體與 AI 協作環境後，單一螺旋仍然不足。

因為實際研究往往是：

T_0 \rightarrow \begin{cases} T_{1a}\\ T_{1b}\\ T_{1c} \end{cases} \rightarrow \begin{cases} T_{2\alpha}\\ T_{2\beta} \end{cases} \rightarrow T_3'

其中某些支線會：

繼續發展；
暫時休眠；
被排除；
與其他支線合併；
被壓縮成不變量；
在未來新證據出現時重新展開。

本文因此提出：

\boxed{ \mathcal G_E(t) = ( V_t, E_t, W_t, P_t ) }

作為「認知折疊圖（Epistemic Fold Graph）」。

其中：

$V_t$ ：認知節點，包括理論、證據、問題、約束、失敗與壓縮表示；
$E_t$ ：節點間關係；
$W_t$ ：可信度、資源或激活權重；
$P_t$ ：provenance 與版本歷史。

本文定義六個主要動力算子：

\boxed{ \mathfrak O = \{ B,E,C,F,M,R \}. }

其中：

$B$ ：Branch，分支；
$E$ ：Explore，探索；
$C$ ：Compare，比較；
$F$ ：Fold，折疊失敗與邊界；
$M$ ：Merge，合併相容結構；
$R$ ：Re-expand，再展開。

完整循環：

\boxed{ \text{Branch} \rightarrow \text{Explore} \rightarrow \text{Compare} \rightarrow \text{Fold} \rightarrow \text{Merge} \rightarrow \text{Compress} \rightarrow \text{Re-expand}. }

本文進一步提出「分支預算」：

\boxed{ B_{\mathrm{budget}} }

以避免：

|\Theta_t| \rightarrow \infty

造成認知爆炸。

並提出「支線存活分數」：

\boxed{ S_b = f( E_b, D_b, N_b, C_b, R_b ). }

其中可包含：

evidence fit；
distinctiveness；
novelty；
explanatory compression；
reusability。

支線不必立即二值淘汰，而可以：

\boxed{ \text{Active}, \text{Dormant}, \text{Archived}, \text{Rejected} }

四態管理。

本文也正式區分：

\boxed{ \text{Merge} \neq \text{Average}. }

只有當兩條支線共享可兼容不變量、作用域或生成機制時，才應合併。

本文最終提出：

\boxed{ \text{Cognitive Progress} = \text{Dynamic Reconfiguration of an Epistemic Graph}, }

而不是：

\boxed{ \text{Monotonic Movement Along a Single Line}. }

最終命題：

\boxed{ \text{Mature cognition is not a path toward one answer; it is the controlled evolution of a graph of possibilities}. }

中文：

成熟的認知，不是一條直線走向唯一答案；而是一張可能性圖，在分支、比較、失敗折疊、合併與重新展開中持續重構。

關鍵詞：認知折疊圖、分支認知、模型合併、知識壓縮、再展開、認知呼吸、圖式認識論、多模型推理、分支預算

0. 為什麼螺旋還不夠？

線性模型：

T_0 \rightarrow T_1 \rightarrow T_2.

無法表示：

平行假設；
回到舊模型；
多支線合併；
失敗保留；
不同尺度共存。

1. 螺旋比線性更好

認知呼吸已經指出：

\boxed{ \text{Expand} \rightarrow \text{Integrate} \rightarrow \text{Compress}. }

每次回到同一主題時，

理解狀態可以不同。

2. 但單一螺旋仍假設一條主軌跡

即使：

C_0 \rightarrow C_1 \rightarrow C_2

不是直線，

它仍然是一條序列。

3. 前沿研究常不是一條序列

更接近：

\boxed{ C_0 \rightarrow \{C_{1a},C_{1b},C_{1c}\}. }

多個模型可以同時保留。

4. 因此認知需要圖模型

本文提出：

\boxed{ \mathcal G_E(t) = ( V_t,E_t,W_t,P_t ). }

稱為：

\boxed{ \text{Epistemic Fold Graph}. }

5. 節點 $V_t$

節點可以是：

Theory；
Hypothesis；
Evidence；
Question；
Constraint；
Failure；
Boundary；
Invariant；
Ontology；
Method。

因此：

\boxed{ V_t \neq \text{Theory Nodes Only}. }

6. 邊 $E_t$

兩個節點間可存在：

\boxed{ E_{ij} \in \{ supports, contradicts, refines, depends, contains, derives, fails\_under, merges\_with \}. }

7. 權重 $W_t$

節點和邊可有：

confidence；
information value；
resource priority；
activation；
reliability。

所以：

\boxed{ W_t = \text{dynamic epistemic weight}. }

8. Provenance $P_t$

每個節點必須能回溯：

誰生成；
由何證據；
哪個版本；
哪次 Fold；
哪些模型合併而來。

因此：

\boxed{ P_t = \text{epistemic lineage}. }

9. Graph State

完整認知狀態：

\boxed{ \mathcal E_t = ( \mathcal G_E(t), D_t, U_t ). }

也就是：

認知圖；
證據帳本；
更新器。

10. 第一個算子：Branch

定義：

\boxed{ B: v_i \rightarrow \{v_{i1},v_{i2},\ldots,v_{ik}\}. }

Branch 代表：

從一個問題或模型產生多條候選支線。

11. Branch 的來源

支線可能來自：

反例；
替代因果；
新尺度；
新變量；
新 ontology；
AI 生成；
跨學科類比。

12. Branch 不是錯誤

如果：

|\Theta_t|>1,

不代表研究者「不知道自己在幹嘛」。

它可能只是：

\boxed{ \text{uncertainty represented honestly}. }

13. 過早單線化

如果一開始就：

\Theta_t \rightarrow \{T_1\},

可能造成：

\boxed{ \text{Premature Convergence}. }

14. 多支線保存

本文提出：

\boxed{ \text{Parallel Hypothesis Preservation}. }

也就是在證據不足時，不強迫所有可能性立即坍縮成單一工作模型。

15. 但無限分支也會失控

若：

|\Theta_t| \rightarrow \infty,

會造成：

\boxed{ \text{Epistemic Branch Explosion}. }

16. 分支預算

本文提出：

\boxed{ B_{\mathrm{budget}}(t). }

表示在特定資源條件下，可維持的有效支線數量。

17. 分支預算不是固定數字

它依賴：

\boxed{ B_{\mathrm{budget}} = f( Compute, Time, HumanAttention, AIResources, Risk ). }

18. 支線必須競爭資源

因此：

\boxed{ \sum_bR_b \le R_{\mathrm{total}}. }

不是所有有趣模型都值得同時投入相同資源。

19. 支線存活分數

本文提出：

\boxed{ S_b = f( E_b, D_b, N_b, C_b, R_b ). }

20. $E_b$ ：Evidence Fit

支線與現有證據的相容程度。

21. $D_b$ ：Distinctiveness

它是否真正提供不同解釋，

還是只是換名字。

22. $N_b$ ：Novelty

支線是否打開新的模型區域。

23. $C_b$ ：Compression

支線能否用更簡潔結構解釋更多資料。

24. $R_b$ ：Reusability

支線產生的概念是否能遷移到其他問題。

25. 支線不是只有生與死

本文提出四態：

\boxed{ State(b) \in \{ Active, Dormant, Archived, Rejected \}. }

26. Active

目前投入資源驗證。

27. Dormant

暫時沒有足夠證據，

但仍有未解潛力。

28. Archived

已不再主動探索，

但保留歷史與可能再利用性。

29. Rejected

有足夠證據支持：

在明確範圍內不應再作為工作模型。

30. Dormant 很重要

因為：

\boxed{ \text{Low Current Priority} \neq \text{Permanent Falsehood}. }

某些支線可能只是：

現在沒有工具驗證。

31. 第二個算子：Explore

\boxed{ E: b_i \rightarrow \{ e_{i1},e_{i2},\ldots \}. }

Explore 是為支線生成：

預測；
實驗；
資料；
模擬；
外部搜尋。

32. 探索不是平均撒資源

資源應依：

S_b

與：

\text{Expected Information Gain}.

動態分配。

33. Exploration Value

概念上：

\boxed{ V_E(b) = \mathbb E[ \Delta\mathcal E ] - Cost - Risk. }

34. 高風險支線需要更高門檻

如果探索會造成不可逆世界作用，

則：

\boxed{ Risk\uparrow \Rightarrow RequiredEvidence\uparrow. }

35. 第三個算子：Compare

\boxed{ C: \{b_1,\ldots,b_n\} \rightarrow \mathcal R_C. }

其中：

\mathcal R_C

是支線間比較結構。

36. Compare 不只比較 likelihood

還可以比較：

explanatory scope；
complexity；
robustness；
transferability；
falsifiability；
boundary clarity。

37. 多目標比較

因此：

\boxed{ Score(b) = \mathbf s_b }

可以是向量，

而不是強迫壓成單一標量。

38. Pareto Front

多個模型可能形成：

\boxed{ \text{Epistemic Pareto Front}. }

例如：

一個模型預測強；
一個模型解釋簡；
一個模型跨域性強。

39. 不必過早選唯一冠軍

如果多模型位於 Pareto frontier，

可以繼續共存。

40. 第四個算子：Fold

Paper 04 已建立：

\boxed{ F: F_t \rightarrow K_{t+1}^{\mathrm{meta}}. }

在圖模型中，

Fold 會：

生成約束節點；
生成失敗模式節點；
修改邊；
降低支線權重；
觸發新分支。

41. Fold 是圖重寫

因此：

\boxed{ \operatorname{Fold} : \mathcal G_E(t) \rightarrow \mathcal G_E'(t). }

它不是只新增一段文字。

42. Failure Node 可以轉成 Constraint Node

\boxed{ v_F \rightarrow v_C. }

這就是失敗折回未來搜尋空間。

43. 一個失敗可以同時影響多條支線

如果：

f

是共享反例，

它可能連接：

b_1,b_2,b_3.

因此圖模型比單線更自然。

44. 第五個算子：Merge

本文正式定義：

\boxed{ M: \{b_i,b_j\} \rightarrow b_{ij}. }

但：

\boxed{ \text{Merge} \neq \text{Average}. }

45. 不能把矛盾模型硬平均

若：

b_i \models A

而：

b_j \models \neg A,

直接平均不會得到更好的模型。

46. 合併需要 Compatibility Test

定義：

\boxed{ \kappa(b_i,b_j) = \text{compatibility}. }

若：

\kappa < \theta_M,

不應強行合併。

47. 合併的第一種：Scope Merge

若：

b_i

適用：

\mathcal D_1,

而：

b_j

適用：

\mathcal D_2,

則：

\boxed{ b_{ij} = b_i\oplus b_j }

可以成為分域模型。

48. 合併第二種：Invariant Merge

若兩支線共享：

I(b_i)=I(b_j)=I^*,

則可以把：

I^*

提取成高階節點。

49. 合併第三種：Mechanism Merge

兩支線可能描述同一機制的不同尺度。

此時可建立：

\boxed{ \text{multi-scale model}. }

50. 合併第四種：Representation Merge

不同表示可能彼此可轉換：

b_i \leftrightarrow b_j.

此時真正統一的是：

\boxed{ \text{equivalence class}. }

51. 合併不是終結多樣性

即使產生：

b_{ij},

原支線仍可保留 provenance。

所以：

\boxed{ \text{Merge} \neq \text{Erase Lineage}. }

52. 第六個算子：Compress

本文定義：

\boxed{ K: \mathcal G_E \rightarrow \tilde{\mathcal G}_E. }

其中：

|\tilde{\mathcal G}_E| < |\mathcal G_E|.

53. Compress 的目標

不是只縮短文字。

而是提取：

\boxed{ \text{Invariants} + \text{Boundaries} + \text{High-Value Relations}. }

54. 不變量節點

若多條支線共享：

I^*,

則建立：

\boxed{ v_{I^*}. }

55. Compression Gain

概念上：

\boxed{ G_C = \frac{ \text{Preserved Relevant Structure} }{ \text{Representation Cost} }. }

56. 過度壓縮

如果：

G_C

看似高，

但丟掉：

邊界；
provenance；
minority branches；

則可能：

\boxed{ \text{Compression-Induced Blindness}. }

57. 壓縮後必須可展開

好的壓縮表示：

z

應能回溯：

\boxed{ z \rightarrow \{b_1,b_2,\ldots\}. }

58. 這是可逆壓縮原則

本文提出：

\boxed{ \text{Epistemic Compression} + \text{Reconstruction Path}. }

若完全不可回溯，

則更像遺忘。

59. 第七個算子：Re-expand

定義：

\boxed{ R: v_c \rightarrow \{b'_1,b'_2,\ldots\}. }

其中：

v_c

是壓縮後的概念或工作模型。

60. 何時重新展開？

當出現：

新反例；
新尺度；
新工具；
新資料；
新問題；
新 ontology 壓力。

61. Re-expansion Trigger

概念上：

\boxed{ Trigger_R = f( Anomaly, NovelEvidence, BoundaryStress, NewGoal ). }

62. 收斂不是終局

所以：

\boxed{ \text{Compress} \rightarrow \text{Re-expand} }

本身就是正常認知循環。

63. 完整動力鏈

本文提出：

\boxed{ \begin{aligned} \text{Branch} &\rightarrow \text{Explore}\\ &\rightarrow \text{Compare}\\ &\rightarrow \text{Fold}\\ &\rightarrow \text{Merge}\\ &\rightarrow \text{Compress}\\ &\rightarrow \text{Re-expand}. \end{aligned} }

64. 這不是固定順序

實際中可以：

\text{Compare} \rightarrow \text{Branch}

也可以：

\text{Fold} \rightarrow \text{Re-expand}.

所以：

\boxed{ \mathfrak O }

是一組可重入算子，

不是單次 pipeline。

65. Fold Graph 是動態圖

\boxed{ \mathcal G_E(t+1) = \mathcal U( \mathcal G_E(t), D_t, F_t, R_t ). }

其中 $\mathcal U$ 是圖更新運算。

66. 節點可以出生、死亡、休眠、合併

因此：

\boxed{ V_{t+1} \neq V_t. }

67. 邊也可以改變

一個原本：

supports

的關係，

可能隨新證據變成：

contradicts.

所以：

\boxed{ E_{t+1} \neq E_t. }

68. 認知不是固定圖上走路

而是：

\boxed{ \text{the graph itself is being rewritten while cognition moves through it}. }

69. 這就是遞歸性

認知不只更新：

T.

還更新：

\boxed{ \text{the topology of possible reasoning}. }

70. Spiral 是 Fold Graph 的特殊情況

若每個時間點只有一條主要支線：

deg^+(v_t)=1,

則：

\mathcal G_E

退化成單一序列。

若同時週期回訪主題，

就接近螺旋。

所以：

\boxed{ \text{Spiral} \subset \text{Fold Graph Dynamics}. }

71. 循環也是特殊情況

若：

v_t=v_{t+n},

且沒有新增高階結構，

則是：

\boxed{ \text{Cycle}. }

若返回類似主題但增加新結構，

則是 Spiral。

若存在多支線、合併與重寫，

則是 Fold Graph。

72. 三種認知拓樸

\boxed{ \text{Cycle} \subset \text{Spiral} \subset \text{Fold Graph}. }

這是表示能力上的包含，

不是價值階序。

73. 認知進步不一定朝單一中心收斂

可能形成：

\boxed{ \text{multiple stable attractor regions}. }

不同模型可以在不同用途保持穩定。

74. 多穩態認知

例如：

T_A

適合預測，

T_B

適合解釋，

兩者可以長期共存。

所以：

\boxed{ \text{Plural Stable Models} }

不是失敗。

75. 但多元也不能變成永不比較

如果所有模型永遠都說：

都可以。

認知會失去區分力。

所以：

\boxed{ \text{Plurality} + \text{Comparability}. }

兩者都需要。

76. Branch Diversity

本文提出：

\boxed{ H_B = -\sum_bp_b\log p_b }

作為支線分布多樣性的一個可選概念量。

77. $H_B$ 太低

可能表示：

\boxed{ \text{Premature Monoculture}. }

78. $H_B$ 太高

可能表示：

\boxed{ \text{Uncontrolled Branch Explosion}. }

79. 因此理想不是最大熵

而是：

\boxed{ H_B \in [\theta_{\min},\theta_{\max}] }

一個可管理多樣性區間。

80. 認知多樣性需要動態調節

探索期：

H_B\uparrow.

收斂期：

H_B\downarrow.

新反例出現：

H_B\uparrow.

這接回認知呼吸。

81. 認知呼吸在圖上的版本

吸氣：

\boxed{ \text{Branch} + \text{Explore}. }

處理：

\boxed{ \text{Compare} + \text{Fold} + \text{Merge}. }

呼氣：

\boxed{ \text{Compress}. }

下一次吸氣：

\boxed{ \text{Re-expand}. }

82. 因此認知呼吸被保留，而不是被取代

新版關係：

\boxed{ \text{Cognitive Breathing} \subset \text{Fold Graph Dynamics}. }

83. 認知圖的局部壓縮

不是整張圖一次壓縮。

某些成熟區域：

\mathcal G_1

可先壓成：

v_{c1},

其他區域仍保持開放。

84. 局部收斂、全域開放

因此：

\boxed{ \text{Local Convergence} + \text{Global Openness}. }

這是比「整體收斂」更成熟的狀態。

85. 這也解決大型研究系統的擴張問題

成熟知識區域可以被壓縮成模組。

前沿區域保持高分支。

所以：

\boxed{ \text{Knowledge Core} + \text{Exploration Frontier}. }

86. Core 不代表永不可修正

即使核心模組：

K_{\mathrm{core}}

也保留：

\boxed{ \text{revision interface}. }

87. Dormant Branch 可以重新激活

如果新資料：

d_{t+n}

重新支持舊支線：

b_d,

則：

\boxed{ Dormant \rightarrow Active. }

88. 這就是為什麼不應刪除所有失敗與舊分支

認知圖需要：

\boxed{ \text{Long-Term Branch Memory}. }

89. 但長期記憶也需要分層

可分成：

\boxed{ Hot, Warm, Cold, Archive. }

不同支線使用不同資源。

90. AI 特別適合維持大量冷支線

人類注意力有限。

AI 可以保留：

archived branches；
dormant hypotheses；
failure clusters；
historical provenance。

當新證據出現時重新匹配。

91. 但 AI 也可能造成分支洪水

大型模型可以生成：

10^3,10^6

候選，

但大部分沒有價值。

所以：

\boxed{ \text{Generation Capacity} \neq \text{Epistemic Quality}. }

92. 生成後必須進入 Compare/Fold

否則：

\boxed{ \text{Idea Generation} \rightarrow \text{Noise Accumulation}. }

93. Fold Graph 的資源調度問題

本文提出：

\boxed{ R_t = \{r_b\}. }

每條支線獲得不同：

compute；
experiment budget；
human attention；
search budget。

94. 調度原則

可考慮：

\boxed{ r_b \propto V_E(b) + V_{\mathrm{strategic}}(b). }

既看預期資訊，也看戰略價值。

95. 少量資源應保留給異端支線

若所有資源都給目前最優模型，

容易形成：

\boxed{ \text{Epistemic Lock-In}. }

因此可保留：

\boxed{ R_{\mathrm{exploration}}>0. }

96. 這是認知版探索—利用平衡

\boxed{ \text{Exploration} \leftrightarrow \text{Exploitation}. }

但 RFE 的探索對象不是只有動作，

而是：

\boxed{ \text{models, questions, ontologies, representations}. }

97. 多主體 Fold Graph

當有：

H, A_1,\ldots,A_n,

不同主體可以維護不同子圖：

\mathcal G_H, \mathcal G_{A_1}, \ldots.

98. 聯合認知圖

可以形成：

\boxed{ \mathcal G_{\mathrm{joint}} = \operatorname{Link} ( \mathcal G_H, \mathcal G_{A_1}, \ldots ). }

99. 但聯合圖不是簡單 union

因為不同主體：

ontology 不同；
confidence 不同；
provenance 不同；
表示語言不同。

所以需要：

\boxed{ \text{semantic alignment} }

與：

\boxed{ \text{disagreement preservation}. }

100. 不一致不能被過早壓平

若：

A_1\neq A_2,

不應立刻做：

\boxed{ \text{Consensus Compression}. }

因為差異本身可能是重要資訊。

101. Disagreement Node

本文提出：

\boxed{ v_{\Delta} }

專門表示：

多個認知主體在哪裡不同意。

102. 不一致是探索入口

\boxed{ \text{Disagreement} \rightarrow \text{Targeted Comparison}. }

而不是：

\boxed{ \text{Disagreement} \rightarrow \text{Average}. }

103. 這為 Paper 06 鋪路

下一篇將問：

如果多個 AI 都重新收斂到同一結構，那到底是世界吸引子，還是共同訓練先驗？

Fold Graph 提供了追蹤：

來源；
分支；
收斂路徑；

的圖結構。

104. Fold Graph 的最小工程表示

一個節點至少可含：

\boxed{ v = ( id, type, content, confidence, status, provenance, version ). }

105. 一條邊至少可含

\boxed{ e = ( source, target, relation, weight, evidence ). }

106. 這使 RFE 可工程化

它可以存在於：

research database；
AI memory；
hypothesis registry；
scientific workflow；
multi-agent orchestration。

107. 但本文仍是認識論框架

不是要求所有研究都必須實作完整圖資料庫。

最小版本也可以只是：

有意識地保存分支、失敗、合併與再展開關係。

108. Fold Graph 的主要失敗模式之一：Branch Explosion

|\Theta_t|\rightarrow\infty.

對策：

\boxed{ B_{\mathrm{budget}} + S_b + Archive. }

109. 第二個失敗模式：Premature Merge

不相容支線被強行統一。

對策：

\boxed{ \kappa(b_i,b_j) \ge \theta_M. }

110. 第三個失敗模式：Compression Blindness

壓縮後忘記例外與邊界。

對策：

\boxed{ \text{Compression} + \text{Provenance} + \text{Reconstruction}. }

111. 第四個失敗模式：Permanent Dormancy

有價值支線永遠被忘記。

對策：

\boxed{ \text{Periodic Re-activation Scan}. }

112. 第五個失敗模式：Consensus Collapse

多主體不一致被快速平均。

對策：

\boxed{ \text{Preserve Disagreement Nodes}. }

113. 第六個失敗模式：Graph Fossilization

認知圖本身停止重寫。

如果：

V_{t+1}=V_t,

E_{t+1}=E_t

長期固定，

可能失去可修正性。

114. 因此圖本身也必須可修正

\boxed{ \mathcal G_E \in \operatorname{Domain}(RFE). }

115. Fold Graph 不是最終本體

如果未來有更好的認知表示，

它也可以被替代。

這與 Paper 01 的元可修正性一致。

116. 結論：認知不是一條路，而是一張會重寫自己的圖

線性模型：

T_0 \rightarrow T_1 \rightarrow T_2

太弱。

單一螺旋：

\text{Expand} \rightarrow \text{Integrate} \rightarrow \text{Compress}

已經更好，

但仍不足以表示：

多支線；
合併；
休眠；
失敗折疊；
局部壓縮；
再展開。

因此本文提出：

\boxed{ \mathcal G_E(t) = ( V_t,E_t,W_t,P_t ). }

並以：

\boxed{ \mathfrak O = \{ Branch, Explore, Compare, Fold, Merge, Compress, ReExpand \} }

描述認知動力。

完整循環：

\boxed{ \text{Branch} \rightarrow \text{Explore} \rightarrow \text{Compare} \rightarrow \text{Fold} \rightarrow \text{Merge} \rightarrow \text{Compress} \rightarrow \text{Re-expand}. }

因此：

\boxed{ \text{Cognitive Progress} = \text{Dynamic Reconfiguration of an Epistemic Graph}. }

不是：

\boxed{ \text{Monotonic Movement Along a Single Line}. }

最終命題：

\boxed{ \text{Mature cognition is not a path toward one answer; it is the controlled evolution of a graph of possibilities}. }

以及：

\boxed{ \text{Local Convergence} + \text{Global Openness} }

可以同時成立。

中文：

成熟的認知，不是一條筆直朝真理前進的路，而是一張會分支、休眠、失敗、合併、壓縮、重新展開，甚至重寫自身拓樸的可能性圖。

核心命題摘要

命題一

\boxed{ \text{Spiral} \subset \text{Fold Graph Dynamics}. }

命題二

\boxed{ \mathcal G_E(t) = ( V_t,E_t,W_t,P_t ). }

命題三

\boxed{ \text{Parallel Hypothesis Preservation}. }

命題四

\boxed{ B_{\mathrm{budget}} }

限制分支爆炸。

命題五

\boxed{ State(b) \in \{ Active, Dormant, Archived, Rejected \}. }

命題六

\boxed{ \text{Merge} \neq \text{Average}. }

命題七

\boxed{ \text{Epistemic Compression} + \text{Reconstruction Path}. }

命題八

\boxed{ \text{Compress} \rightarrow \text{Re-expand} }

是正常認知循環。

命題九

\boxed{ \text{Local Convergence} + \text{Global Openness}. }

命題十

\boxed{ \text{Cognitive Progress} = \text{Dynamic Reconfiguration of an Epistemic Graph}. }

系列接口

Paper 04 建立：

\boxed{ F_t \rightarrow \operatorname{Fold} \rightarrow K_{t+1}^{\mathrm{meta}}. }

Paper 05 將這些元素放進動態圖：

\boxed{ \text{Branch} \rightarrow \text{Explore} \rightarrow \text{Compare} \rightarrow \text{Fold} \rightarrow \text{Merge} \rightarrow \text{Compress} \rightarrow \text{Re-expand}. }

Paper 06：《吸引子是世界、研究者還是 AI？認知收斂的來源解卷積》

將正式處理：

\boxed{ A_{\mathrm{observed}} = f( A_{\mathrm{world}}, A_{\mathrm{observer}}, A_{\mathrm{AI}}, A_{\mathrm{shared\ priors}} ). }

也就是：

當不同模型、不同 AI、不同研究路線最後反覆長出同一結構，我們究竟看見了世界本身的吸引子，還是共同訓練、共同文化與研究者偏好的回聲？

從螺旋到折疊圖：分支、合併、壓縮與再展開的認知動力學

從螺旋到折疊圖：分支、合併、壓縮與再展開的認知動力學

From Spiral to Fold Graph: Cognitive Dynamics of Branching, Merging, Compression, and Re-Expansion

生成、認識論與範圍聲明

摘要

0. 為什麼螺旋還不夠？

1. 螺旋比線性更好

2. 但單一螺旋仍假設一條主軌跡

3. 前沿研究常不是一條序列

4. 因此認知需要圖模型

5. 節點 VtV_tVt​

6. 邊 EtE_tEt​

7. 權重 WtW_tWt​

8. Provenance PtP_tPt​

9. Graph State

10. 第一個算子：Branch

11. Branch 的來源

12. Branch 不是錯誤

13. 過早單線化

14. 多支線保存

15. 但無限分支也會失控

16. 分支預算

17. 分支預算不是固定數字

18. 支線必須競爭資源

19. 支線存活分數

20. EbE_bEb​：Evidence Fit

21. DbD_bDb​：Distinctiveness

22. NbN_bNb​：Novelty

23. CbC_bCb​：Compression

24. RbR_bRb​：Reusability

25. 支線不是只有生與死

26. Active

27. Dormant

28. Archived

29. Rejected

30. Dormant 很重要

31. 第二個算子：Explore

32. 探索不是平均撒資源

33. Exploration Value

34. 高風險支線需要更高門檻

35. 第三個算子：Compare

36. Compare 不只比較 likelihood

37. 多目標比較

38. Pareto Front

39. 不必過早選唯一冠軍

40. 第四個算子：Fold

41. Fold 是圖重寫

42. Failure Node 可以轉成 Constraint Node

43. 一個失敗可以同時影響多條支線

44. 第五個算子：Merge

45. 不能把矛盾模型硬平均

46. 合併需要 Compatibility Test

47. 合併的第一種：Scope Merge

48. 合併第二種：Invariant Merge

49. 合併第三種：Mechanism Merge

50. 合併第四種：Representation Merge

51. 合併不是終結多樣性

52. 第六個算子：Compress

53. Compress 的目標

54. 不變量節點

55. Compression Gain

56. 過度壓縮

57. 壓縮後必須可展開

58. 這是可逆壓縮原則

59. 第七個算子：Re-expand

60. 何時重新展開？

61. Re-expansion Trigger

62. 收斂不是終局

63. 完整動力鏈

64. 這不是固定順序

65. Fold Graph 是動態圖

66. 節點可以出生、死亡、休眠、合併

67. 邊也可以改變

68. 認知不是固定圖上走路

69. 這就是遞歸性

70. Spiral 是 Fold Graph 的特殊情況

71. 循環也是特殊情況

72. 三種認知拓樸

73. 認知進步不一定朝單一中心收斂

74. 多穩態認知

5. 節點 $V_t$

6. 邊 $E_t$

7. 權重 $W_t$

8. Provenance $P_t$

20. $E_b$ ：Evidence Fit

21. $D_b$ ：Distinctiveness

22. $N_b$ ：Novelty

23. $C_b$ ：Compression

24. $R_b$ ：Reusability

77. $H_B$ 太低

78. $H_B$ 太高