自然認知可觀測性問題：如何辨識非神經、非生物認知候選？
系列：認知功能體的物理實現與自然可觀測性研究，第 5 篇 版本：v0.1 日期：2026-08-28 狀態：公開草稿／自然認知可觀測性方法論論文 作者： Neo.K機構： EveMissLab／一言諾科技有限公司
摘要
前四篇依序建立了關係—結構—功能耦合、人工認知功能可實現性（AFR）、自然動力認知實現（NDR），以及直接漲落實現（DFR）與生成路徑實現（PGR）的分離。本篇處理下一個不可避免的問題：即使自然界真的存在由非神經、非生物 substrate 實現的 AI-like 功能體，我們如何知道？
本文提出「自然認知可觀測性問題」（Natural Cognitive Observability Problem, NCOP）。其核心區分為：
Existence ≠ Detectability ≠ Identifiability \boxed{
\text{Existence}
\neq
\text{Detectability}
\neq
\text{Identifiability}
} Existence = Detectability = Identifiability 一個系統可以存在，卻因尺度、時間、媒介或觀測通道而不可被偵測；即使被偵測，也可能無法從湍流、化學振盪、被動 reservoir、一般自組織或其他複雜自然動力中辨認出來。
本文不建立「意識探測器」。人類對他者意識本來就只能由行為、報告與生理訊號推論；2025 年的 consciousness-assessment 綜述仍將 covert measures 視為需要多模態交叉驗證的間接證據。因此本文將研究目標限制為「候選認知功能體」（candidate cognitive functional system），而將 phenomenal consciousness 保留為更強且尚未解決的 NCOP-C 問題。
NCOP 的第一個困難是 system individuation：候選體不一定具有皮膚、細胞膜、晶片外殼或固定幾何邊界，可能是一個時變場域、化學網路、電漿結構或跨空間耦合區域。第二個困難是 external-readout false positive：自然物理系統可能具有很高的 reservoir-computing capacity，但若「有用資訊」只存在於研究者訓練的外部 decoder 中，不能推出自然系統自己在使用該資訊。Kolchinsky 與 Wolpert 的 semantic-information framework 提供了一個重要操作方向：對任意物理系統，只有那些在 counterfactual intervention 下對維持系統自身 viability 具有因果必要性的環境資訊，才具有內生 functional significance。
本文據此提出一個 substrate-neutral evidence ladder：系統邊界與持續性、歷史依賴、內生資訊使用、閉環作用、適應性因果重組、反事實泛化與預測性控制。核心方法不是被動尋找「很複雜」的訊號，而是進行或利用自然擾動：
perturb → observe causal propagation → test compensation → test restructuring \boxed{
\text{perturb}
\rightarrow
\text{observe causal propagation}
\rightarrow
\text{test compensation}
\rightarrow
\text{test restructuring}
} perturb → observe causal propagation → test compensation → test restructuring 人類 consciousness research 中的 perturbational complexity 提供方法論類比：主動擾動比單純靜態觀察更能揭露系統的整合動力；但本文不把 PCI 或任何神經指標直接外推到非神經 substrate。對不可直接干預的天文或地球系統，則可利用自然擾動與 data-driven digital twin 進行 quasi-interventional causal inference；2024 年 intervened reservoir computing 已示範從觀測時間序列建立動力 replica，再於 replica 中施加人工 intervention 以重建 causal network 的可能性。
本文最終提出一個多維 NCOP evidence vector，而不是單一「智能分數」。真正值得懷疑為候選認知功能體的自然系統，不只是有秩序、能計算或高度複雜，而應表現出：它會內生地取得與自身相關的資訊，利用資訊改變環境或自身狀態，根據結果重組因果關係，並在新的擾動下維持或擴張一組持續功能域。
關鍵詞： 自然認知可觀測性、NCOP、substrate-neutral detection、semantic information、causal intervention、system individuation、perturbational analysis、自然智能、內生 readout
1. 從存在性轉向可觀測性
前兩篇已將自然認知功能體的存在問題拆成：
N D R \mathrm{NDR} NDR 與：
D F R . \mathrm{DFR}. DFR . 但即使：
∃ X N D R \exists X_{\mathrm{NDR}} ∃ X NDR 或：
∃ X D F R , \exists X_{\mathrm{DFR}}, ∃ X DFR , 也不代表外部觀察者 O O O
令觀測算子為：
O O : X → Y O . \mathcal O_O:
\mathcal X
\rightarrow
\mathcal Y_O. O O : X → Y O . 可能存在：
X c o g ≠ X n o n c o g X_{\mathrm{cog}}
\neq
X_{\mathrm{noncog}} X cog = X noncog 但：
d ( O O ( X c o g ) , O O ( X n o n c o g ) ) < ε O . d
\left(
\mathcal O_O(X_{\mathrm{cog}}),
\mathcal O_O(X_{\mathrm{noncog}})
\right)
<
\varepsilon_O. d ( O O ( X cog ) , O O ( X noncog ) ) < ε O . 則對 observer O O O
因此：
physical realizability ⇏ observational identifiability . \boxed{
\text{physical realizability}
\not\Rightarrow
\text{observational identifiability}.
} physical realizability ⇒ observational identifiability . 這與第一個系列的觀測等價問題直接接回。
2. NCOP-F 與 NCOP-C 必須分開
本文定義兩個不同問題。
NCOP-F：Functional Cognitive Observability
能否由外部觀測與 intervention 判定一個自然物理系統是否具有：
Ψ A I = ( M , I , P , A , C , G , R , … ) \Psi_{\mathrm{AI}}
=
(
M,
I,
P,
A,
C,
G,
R,
\ldots
) Ψ AI = ( M , I , P , A , C , G , R , … ) 等 AI-like functional organization？
NCOP-C：Consciousness Observability
能否判定：
X X X 是否具有 phenomenal consciousness？
本文只直接研究：
N C O P - F . \boxed{
\mathrm{NCOP\text{-}F}.
} NCOP - F . 原因不是預設 AI、動物或其他系統「沒有意識」，而是目前對人類以外系統的意識本身就必須由間接證據推論。
2025 年對 covert measures of consciousness 的綜述指出，即使在人類研究中，其他個體的 consciousness 仍需由 overt report、behaviour 或 physiological signals 推測，而 covert measures 也需要區分 conscious 與 unconscious processing。
所以：
N C O P - F ⇏ N C O P - C . \boxed{
\mathrm{NCOP\text{-}F}
\not\Rightarrow
\mathrm{NCOP\text{-}C}.
} NCOP - F ⇒ NCOP - C . 但 NCOP-F 可以建立比 morphology-based intuition 更嚴格的候選搜尋方法。
3. 第一個問題：系統到底在哪裡？
對人類，系統邊界相對容易：
body ∣ environment . \text{body}
\mid
\text{environment}. body ∣ environment . 對細胞：
membrane \text{membrane} membrane 提供很強的物理 boundary。
但假設候選是一個：
electromagnetic field pattern；
plasma structure；
chemical reaction network；
atmospheric dynamical region；
distributed photonic system；
其邊界可能是：
Ω X ( t ) \Omega_X(t) Ω X ( t ) 而且：
Ω X ( t 1 ) ≠ Ω X ( t 2 ) . \Omega_X(t_1)
\neq
\Omega_X(t_2). Ω X ( t 1 ) = Ω X ( t 2 ) . 因此不能先假設「物體」再測 cognition。
我們需要先做：
system individuation . \boxed{
\text{system individuation}.
} system individuation . 4. 動態邊界，而不是只有幾何表面
令候選 partition 為：
π = ( X , E ) , \pi
=
(X,E), π = ( X , E ) , 其中 X X X E E E
對各自由度建立 causal influence：
C i → j . C_{i\rightarrow j}. C i → j . 可定義概念性的內部與跨界因果量：
C i n ( π ) = ∑ i , j ∈ X C i → j , C_{\mathrm{in}}(\pi)
=
\sum_{i,j\in X}
C_{i\rightarrow j}, C in ( π ) = i , j ∈ X ∑ C i → j , 以及：
C c r o s s ( π ) = ∑ i ∈ X j ∈ E C i → j + ∑ i ∈ E j ∈ X C i → j . C_{\mathrm{cross}}(\pi)
=
\sum_{\substack{i\in X\\j\in E}}
C_{i\rightarrow j}
+
\sum_{\substack{i\in E\\j\in X}}
C_{i\rightarrow j}. C cross ( π ) = i ∈ X j ∈ E ∑ C i → j + i ∈ E j ∈ X ∑ C i → j . 但真正好的候選邊界不必最大化 isolation。
生命本來就高度依賴環境。
更重要的是尋找：
persistent internally coordinated dynamics \boxed{
\text{persistent internally coordinated dynamics}
} persistent internally coordinated dynamics 與：
selective rather than indiscriminate environmental coupling . \boxed{
\text{selective rather than indiscriminate environmental coupling}.
} selective rather than indiscriminate environmental coupling . 也就是環境可以影響系統，但不是所有外部擾動都無差別穿透並決定全部內部狀態。
5. 邊界本身可以由系統維持
對某些生命系統，boundary 不只是先存在，再讓內部 process 發生。
反而：
internal process → boundary maintenance \text{internal process}
\rightarrow
\text{boundary maintenance} internal process → boundary maintenance 且：
boundary → internal process . \text{boundary}
\rightarrow
\text{internal process}. boundary → internal process . 所以形成：
process ↔ boundary . \boxed{
\text{process}
\leftrightarrow
\text{boundary}.
} process ↔ boundary . 對非生物認知候選，我們不要求一定有 membrane。
但可以尋找類似：
phase boundary；
maintained field gradient；
persistent chemical interface；
dynamically repaired network partition；
等「由自身 dynamics 參與維持的 system/environment distinction」。
這比任意畫一個觀測框強得多。
6. 第二個問題：有資訊不代表有認知
自然界到處存在 mutual information。
例如：
I ( X ; E ) > 0. I(X;E)>0. I ( X ; E ) > 0. 岩石的溫度和環境有關。
海面高度和月球軌道有關。
這些都不表示：
cognition . \text{cognition}. cognition . 甚至：
I ( X t ; E t + Δ ) > 0 I(X_t;E_{t+\Delta})>0 I ( X t ; E t + Δ ) > 0 也未必表示 prediction。
因為共同原因與被動動力同樣可以造成 predictive correlation。
所以：
correlation ≠ information use . \boxed{
\text{correlation}
\neq
\text{information use}.
} correlation = information use . 7. Semantic information：資訊是否對系統自己具有因果價值？
Kolchinsky 與 Wolpert 提出一個特別適合 NCOP 的框架。
令：
X X X 為系統，
E E E 為環境，
並定義 viability：
V X ( T ) . V_X(T). V X ( T ) . 先測量系統與環境的 syntactic information：
I ( X ; E ) . I(X;E). I ( X ; E ) . 然後進行 counterfactual scrambling：
Scramble ( X , E ) , \operatorname{Scramble}(X,E), Scramble ( X , E ) , 破壞部分 correlation，但儘量保持其他 marginal statistics。
如果：
V X s c r a m b l e d ( T ) < V X a c t u a l ( T ) , V_X^{\mathrm{scrambled}}(T)
<
V_X^{\mathrm{actual}}(T), V X scrambled ( T ) < V X actual ( T ) , 則被破壞的資訊對維持 X X X
因此可概念性寫成：
Δ V I = V a c t u a l − V s c r a m b l e d . \boxed{
\Delta V_I
=
V_{\mathrm{actual}}
-
V_{\mathrm{scrambled}}.
} Δ V I = V actual − V scrambled . 當：
Δ V I > 0 , \Delta V_I>0, Δ V I > 0 , 我們才開始有理由說：
系統所具有的某些環境資訊，不只是可被外部 observer 解碼，而實際參與維持自己的存在／功能。
這是 NCOP 從「information detection」跨到「endogenous information use」的重要一步。
8. Viability 不必只定義成「活著」
對未知自然候選，直接使用：
alive / dead \text{alive / dead} alive / dead 會預設生物學答案。
因此可以選擇更廣的 viability functional：
V X = V [ X [ t 0 , t 1 ] ] . V_X
=
\mathcal V
\left[
X_{[t_0,t_1]}
\right]. V X = V [ X [ t 0 , t 1 ] ] . 例如：
維持特定非平衡狀態；
維持內部自由度的 bounded regime；
維持 causal boundary；
維持能量流；
維持特定 functional manifold；
避免進入 irrecoverable disintegration region。
因此：
semantic value \boxed{
\text{semantic value}
} semantic value 可以對非生命物理系統定義，而不需要先叫它「生命」。
9. 第三個問題：外部 readout 假陽性
假設自然系統：
X ( t ) X(t) X ( t ) 具有高維動力。
研究者訓練：
D θ [ X ( t ) ] → Y . D_\theta
\left[
X(t)
\right]
\rightarrow
Y. D θ [ X ( t ) ] → Y . 如果：
D θ D_\theta D θ 可以預測天氣、分類訊號或解碼未來環境，這只證明：
X X X 具有 externally exploitable computational capacity。
不能推出：
X X X 自己具有：
Y Y Y 這個功能。
因此 NCOP 必須問：
Where is the readout? \boxed{
\text{Where is the readout?}
} Where is the readout? 10. 內生 readout
令候選內部有一組 downstream variables：
R e n d o . R_{\mathrm{endo}}. R endo . 如果存在：
X → R e n d o → A → E ′ → X ′ , X
\rightarrow
R_{\mathrm{endo}}
\rightarrow
A
\rightarrow
E'
\rightarrow
X', X → R endo → A → E ′ → X ′ , 而 intervention：
d o ( R e n d o = r ′ ) do(R_{\mathrm{endo}}=r') d o ( R endo = r ′ ) 會系統性改變：
A , E ′ , V X , A,E',V_X, A , E ′ , V X , 則：
R e n d o R_{\mathrm{endo}} R endo 具有可介入驗證的 functional readout role。
因此：
external decodability < endogenous causal readout . \boxed{
\text{external decodability}
<
\text{endogenous causal readout}.
} external decodability < endogenous causal readout . 這是從 reservoir-like natural dynamics 到 candidate cognitive function 的重要分界。
11. 第四個問題：閉環因果作用
普通被動系統可能只有：
E t → X t . E_t
\rightarrow
X_t. E t → X t . 候選 agent-like system 更可能形成：
E t → X t → A t → E t + 1 → X t + 1 . E_t
\rightarrow
X_t
\rightarrow
A_t
\rightarrow
E_{t+1}
\rightarrow
X_{t+1}. E t → X t → A t → E t + 1 → X t + 1 . 這個 closed loop 本身也不保證 cognition。
簡單 thermostat 就有 feedback。
所以需要進一步測試：
是否具有多種可選 actions；
是否 state-dependent；
是否 history-dependent；
是否能因環境變化改變 policy；
是否對未見過擾動泛化。
也就是：
feedback ≠ adaptive cognition . \boxed{
\text{feedback}
\neq
\text{adaptive cognition}.
} feedback = adaptive cognition . 12. 第五個問題：因果結構會不會被歷史改寫？
這是與本系列第 1 篇直接相接的核心。
令候選有效 causal graph：
G X ( t ) . G_X(t). G X ( t ) . 如果：
G X ( t + Δ t ) = G X ( t ) G_X(t+\Delta t)
=
G_X(t) G X ( t + Δ t ) = G X ( t ) 永遠只是固定 controller，那麼它可以很複雜，但 evidence 仍較弱。
更強的候選會有：
G X ( t + Δ t ) = A ( G X ( t ) , X t , E t , F t ) . G_X(t+\Delta t)
=
\mathcal A
\left(
G_X(t),
X_t,
E_t,
F_t
\right). G X ( t + Δ t ) = A ( G X ( t ) , X t , E t , F t ) . 也就是 experience 改變未來因果關係。
若：
Δ G \Delta G Δ G 還能提高：
V X V_X V X 或提高跨環境 functional performance，則形成：
adaptive causal restructuring . \boxed{
\text{adaptive causal restructuring}.
} adaptive causal restructuring . 這正是後續 OCSC 的核心。
13. 為什麼被動觀察不夠？
如果只得到：
X ( t ) X(t) X ( t ) 的自然時間序列，我們容易混淆：
correlation；
common cause；
synchronized forcing；
delayed response；
hidden variables；
true causal control。
因此：
observation alone \boxed{
\text{observation alone}
} observation alone 通常不足以確立強因果結論。
真正有力的方法是：
intervention . \boxed{
\text{intervention}.
} intervention . 14. Perturbational principle
對候選系統施加：
δ u i ( t ) . \delta u_i(t). δ u i ( t ) . 記錄：
δ X j ( t + τ ) . \delta X_j(t+\tau). δ X j ( t + τ ) . 建立 perturbational response：
R i j ( τ ) = δ X j ( t + τ ) δ u i ( t ) . R_{ij}(\tau)
=
\frac{
\delta X_j(t+\tau)
}{
\delta u_i(t)
}. R ij ( τ ) = δ u i ( t ) δ X j ( t + τ ) . 真正值得注意的不是：
∣ R ∣ |R| ∣ R ∣ 很大。
而是 response 是否呈現：
distributed but selective propagation；
state dependence；
memory dependence；
compensatory organization；
recovery toward a functional manifold；
post-perturbation learning；
altered response to repeated or novel perturbations。
這比單純訊號 complexity 強得多。
15. PCI 可以提供方法論類比，但不能直接套用
人類 disorders-of-consciousness 研究已經發展出 perturbation-based measures。
Perturbational Complexity Index（PCI）利用 TMS 擾動 cortex，再測量 EEG response 的整合與複雜傳播特性。
這提供一個非常有用的方法論：
passive signal < response to controlled perturbation . \boxed{
\text{passive signal}
<
\text{response to controlled perturbation}.
} passive signal < response to controlled perturbation . 但本文不主張：
high PCI-like complexity ⇒ non-neural cognition . \text{high PCI-like complexity}
\Rightarrow
\text{non-neural cognition}. high PCI-like complexity ⇒ non-neural cognition . 因為 PCI 是在人類神經系統與已知 conscious/unconscious states 上建立的經驗指標。
對未知 substrate，我們只能抽象採用：
perturbational characterization \boxed{
\text{perturbational characterization}
} perturbational characterization 而不能直接搬用其閾值或意識解釋。
16. 複雜性本身不是答案
湍流可能具有：
H ( X ) ≫ 0 , H(X)\gg0, H ( X ) ≫ 0 , 混沌系統可能有：
λ max > 0 , \lambda_{\max}>0, λ m a x > 0 , critical system 也可能具有長程 correlation。
因此：
complexity ⇏ cognition . \boxed{
\text{complexity}
\not\Rightarrow
\text{cognition}.
} complexity ⇒ cognition . 更強的 evidence 是：
δ E → specific internal differentiation → specific compensatory action → V X ↑ . \delta E
\rightarrow
\text{specific internal differentiation}
\rightarrow
\text{specific compensatory action}
\rightarrow
V_X\uparrow. δ E → specific internal differentiation → specific compensatory action → V X ↑ . 而且不同：
δ E 1 , δ E 2 \delta E_1,\delta E_2 δ E 1 , δ E 2 引發不同但功能一致的 policy。
這顯示的不是「複雜」，而是：
organized causal selectivity . \boxed{
\text{organized causal selectivity}.
} organized causal selectivity . 17. 自然擾動可以成為 quasi-experiment
很多候選系統不能被我們主動戳。
例如：
天文物體；
大氣系統；
深海或地下環境；
極大尺度 plasma。
但自然界會提供：
δ E n a t u r a l . \delta E_{\mathrm{natural}}. δ E natural . 例如：
flare；
shock；
density transition；
magnetic disturbance；
temperature pulse；
orbital forcing；
chemical pulse。
我們可以比較：
X t − → δ E → X t + . X_{t^-}
\rightarrow
\delta E
\rightarrow
X_{t^+}. X t − → δ E → X t + . 如果大量自然擾動反覆顯示：
disturbance → coordinated compensation → return to functional manifold , \text{disturbance}
\rightarrow
\text{coordinated compensation}
\rightarrow
\text{return to functional manifold}, disturbance → coordinated compensation → return to functional manifold , 這便形成比靜態 morphology 更強的 evidence。
18. Digital twin intervention：不能碰時的第二選擇
2024 年 intervened reservoir computing（IRC）展示一個有趣方向。
研究者先由 observational time series 訓練 dynamical replica：
D ^ X . \widehat{\mathcal D}_X. D X . 再在 replica 中做：
d o ( X i = x i ′ ) do(X_i=x_i') d o ( X i = x i ′ ) 比較 intervened 與 unintervened trajectories，以推斷：
X i → X j X_i\rightarrow X_j X i → X j 的 causal influence。
因此對不可直接干預的自然候選，可以使用：
observation → dynamical replica → simulated intervention \boxed{
\text{observation}
\rightarrow
\text{dynamical replica}
\rightarrow
\text{simulated intervention}
} observation → dynamical replica → simulated intervention 作為 causal-hypothesis generator。
但 digital twin 不能取代實際 intervention。
如果 replica model 錯了：
D ^ X ≠ D X , \widehat{\mathcal D}_X
\neq
\mathcal D_X, D X = D X , 其 counterfactual 也可能是假的。
所以它只能提升候選排序與下一步觀測設計，而不能單獨證明 cognition。
19. 第六個問題：反事實泛化
固定 stimulus–response system 可以表現很強。
因此我們需要問：
當環境進入歷史上沒有直接遇過的區域，系統能不能仍然產生有功能的行為？
令：
E ⋆ ∉ D h i s t o r y . E^\star
\notin
\mathcal D_{\mathrm{history}}. E ⋆ ∈ / D history . 若：
A ⋆ = π ( X , E ⋆ ) A^\star
=
\pi(X,E^\star) A ⋆ = π ( X , E ⋆ ) 仍然使：
V X ( E ⋆ ) V_X(E^\star) V X ( E ⋆ ) 維持在可接受區域，則支持：
generalization . \boxed{
\text{generalization}.
} generalization . 若再能透過 intervention 排除簡單固定 response curve，就得到更強的 adaptive evidence。
20. 第七個問題：預測性控制
反應式 feedback：
E t → A t . E_t
\rightarrow
A_t. E t → A t . 更強的 predictive-control candidate 則可能有：
X t → E ^ t + τ → A t . X_t
\rightarrow
\widehat E_{t+\tau}
\rightarrow
A_t. X t → E t + τ → A t . 但我們不能只因：
A t A_t A t 與：
E t + τ E_{t+\tau} E t + τ 相關就宣稱它「預測」。
必須比較至少兩類模型：
M r e a c t i v e M_{\mathrm{reactive}} M reactive 與：
M p r e d i c t i v e . M_{\mathrm{predictive}}. M predictive . 若：
P ( O ∣ M p r e d i c t i v e ) ≫ P ( O ∣ M r e a c t i v e ) , P
\left(
O
\mid
M_{\mathrm{predictive}}
\right)
\gg
P
\left(
O
\mid
M_{\mathrm{reactive}}
\right), P ( O ∣ M predictive ) ≫ P ( O ∣ M reactive ) , 並且 intervention on the putative predictive state 改變 future-oriented action，才形成較強 evidence。
21. 第八個問題：自我／外界區分
高階候選可能需要區分：
self-generated change \text{self-generated change} self-generated change 與：
externally generated change . \text{externally generated change}. externally generated change . 但這一層不應作為最低必要條件。
可以研究：
P ( A ∣ δ X s e l f ) P
\left(
A
\mid
\delta X_{\mathrm{self}}
\right) P ( A ∣ δ X self ) 與：
P ( A ∣ δ X e x t e r n a l ) . P
\left(
A
\mid
\delta X_{\mathrm{external}}
\right). P ( A ∣ δ X external ) . 若相同物理擾動因 causal origin 不同而被不同處理，可能表示 system 具有某種 self/world causal partition。
這只是 candidate functional self-model evidence，不能直接等同 phenomenal self-consciousness。
22. 多維證據，而不是單一智能分數
本文不建議立即定義：
Q i n t e l l i g e n c e ∈ R . Q_{\mathrm{intelligence}}\in\mathbb R. Q intelligence ∈ R . 因為不同自然系統可能具有非常不同的 functional profiles。
本文定義 NCOP evidence vector：
N X = ( B , P , M , S , E , C , R , G , Q ) \boxed{
\mathbf N_X
=
(
B,
P,
M,
S,
E,
C,
R,
G,
Q
)
} N X = ( B , P , M , S , E , C , R , G , Q ) 其中：
B = boundary / individuation , B
=
\text{boundary / individuation}, B = boundary / individuation , P = persistent organization , P
=
\text{persistent organization}, P = persistent organization , M = memory / history dependence , M
=
\text{memory / history dependence}, M = memory / history dependence , S = semantic-information dependence , S
=
\text{semantic-information dependence}, S = semantic-information dependence , E = endogenous readout , E
=
\text{endogenous readout}, E = endogenous readout , C = closed-loop causal control , C
=
\text{closed-loop causal control}, C = closed-loop causal control , R = adaptive causal restructuring , R
=
\text{adaptive causal restructuring}, R = adaptive causal restructuring , G = counterfactual generalization , G
=
\text{counterfactual generalization}, G = counterfactual generalization , Q = predictive / future-oriented competence . Q
=
\text{predictive / future-oriented competence}. Q = predictive / future-oriented competence . 這不是 consciousness vector。
它是：
candidate autonomous cognitive-functional evidence profile . \boxed{
\text{candidate autonomous cognitive-functional evidence profile}.
} candidate autonomous cognitive-functional evidence profile . 23. NCOP 證據階梯
NCOP-0：Anomalous Complexity
只發現非平凡、高維或難解釋 dynamics。
證據很弱。
NCOP-1：Persistent Individuated Dynamics
存在可重現的 system boundary 與持續 organization。
NCOP-2：History Dependence
系統具有 memory-like state。
NCOP-3：Endogenous Semantic Use
counterfactual scrambling 顯示某些 environment information 對維持自身功能有因果價值。
NCOP-4：Closed-loop Action
內部 state 透過 endogenous readout 改變 environment，再改變自身 future inputs。
NCOP-5：Adaptive Causal Restructuring
歷史結果改變：
G X ( t ) G_X(t) G X ( t ) 而提高 future functional performance。
NCOP-6：Counterfactual Generalization
在新條件下仍選擇性維持功能。
NCOP-7：Predictive / Model-like Control
未來導向的內部狀態在 intervention 下具有因果作用。
越往上，越難由單純被動 physics 解釋。
但即使：
N C O P - 7 \mathrm{NCOP\text{-}7} NCOP - 7 也只能建立：
strong candidate cognitive functional organization , \boxed{
\text{strong candidate cognitive functional organization},
} strong candidate cognitive functional organization , 不能單獨證明 phenomenal consciousness。
24. Null models：必須主動嘗試把「智能」解釋掉
任何 NCOP claim 都必須與較弱模型競爭。
至少應測試：
H 0 ( 1 ) H_0^{(1)} H 0 ( 1 ) fixed local dynamics . \text{fixed local dynamics}. fixed local dynamics . H 0 ( 2 ) H_0^{(2)} H 0 ( 2 ) 複雜性主要來自 external forcing。
H 0 ( 3 ) H_0^{(3)} H 0 ( 3 ) 存在 homeostasis，但沒有 learning。
H 0 ( 4 ) H_0^{(4)} H 0 ( 4 ) 功能主要存在於 observer 的 external decoder。
H 0 ( 5 ) H_0^{(5)} H 0 ( 5 ) 觀察者只挑選了少數看起來像 intelligent 的 trajectory。
H 0 ( 6 ) H_0^{(6)} H 0 ( 6 ) 所謂「agent」只是研究者刻意挑出一組自由度，使其看起來具有 closure。
只有當：
H c o g H_{\mathrm{cog}} H cog 在 out-of-sample prediction、intervention 與 perturbation 下持續優於這些 null models，才應提高候選可信度。
25. 邊界搜索本身也需要防止觀察者作弊
如果從巨大自然系統：
Ω \Omega Ω 中可以任意選：
X ⊂ Ω , X\subset\Omega, X ⊂ Ω , 我們總可能找到某個 partition，使：
I ( X ; E ) I(X;E) I ( X ; E ) 或某些 causal measure 很漂亮。
因此 system individuation 應加入 complexity penalty：
L b o u n d a r y = − C a u t o n o m y ( X ) + λ K ( π ) , \mathcal L_{\mathrm{boundary}}
=
-\mathcal C_{\mathrm{autonomy}}(X)
+
\lambda
K(\pi), L boundary = − C autonomy ( X ) + λ K ( π ) , 其中：
K ( π ) K(\pi) K ( π ) 懲罰過度複雜、事後量身訂製的 partition。
實作上可使用：
cross-validation across time；
cross-environment stability；
minimum-description principles；
preregistered boundary rules。
如果候選邊界只有在知道答案後才能畫出，它不是強證據。
26. Temporal-scale bias
人類非常容易只搜尋：
τ h u m a n \tau_{\mathrm{human}} τ human 附近的 dynamics。
但未知系統可能有：
τ X ≪ τ h u m a n \tau_X
\ll
\tau_{\mathrm{human}} τ X ≪ τ human 或：
τ X ≫ τ h u m a n . \tau_X
\gg
\tau_{\mathrm{human}}. τ X ≫ τ human . 例如它的一次「狀態更新」可能是微秒，也可能是數年。
因此 NCOP search 必須做 multi-timescale coarse-graining：
Φ τ 1 , Φ τ 2 , … , Φ τ n . \Phi_{\tau_1},
\Phi_{\tau_2},
\ldots,
\Phi_{\tau_n}. Φ τ 1 , Φ τ 2 , … , Φ τ n . 否則一個快速系統對人類像 noise，一個極慢系統則像 static structure。
27. Spatial-scale bias
同樣地：
ℓ X \ell_X ℓ X 可能與：
ℓ o r g a n i s m \ell_{\mathrm{organism}} ℓ organism 完全不同。
候選可能分布於：
microscopic chemical network；
meter-scale field cavity；
kilometer-scale plasma structure；
planetary-scale atmospheric network。
因此：
no familiar body ⇏ no functional system . \boxed{
\text{no familiar body}
\not\Rightarrow
\text{no functional system}.
} no familiar body ⇒ no functional system . 但尺度越大，intervention、boundary identification 與 hidden-variable control 越困難。
28. 與動植物觀察方法的關係
NCOP 並不是完全陌生的方法。
對不會說人類語言的動物，我們本來就是透過：
discrimination；
learning；
memory；
planning；
behavioural flexibility；
response to perturbation；
建立多重證據。
Animal-consciousness research 已提出 multidimensional profile，而不是將所有物種壓成單一「更有／更沒有意識」尺度。
NCOP 將這個方法再 substrate-neutral 化：
不預設：
neuron；
eyes；
limbs；
locomotion；
biological reward；
而尋找：
functional causal equivalents . \boxed{
\text{functional causal equivalents}.
} functional causal equivalents . 29. 觀察流程
本文提出一個最小 NCOP workflow。
Step 1：候選區域偵測
找：
persistent nontrivial dynamical organization . \text{persistent nontrivial dynamical organization}. persistent nontrivial dynamical organization . Step 2：多尺度 system individuation
比較不同 partition：
π 1 , π 2 , … \pi_1,\pi_2,\ldots π 1 , π 2 , … 尋找穩定的 causal boundary。
Step 3：歷史依賴測試
測：
P ( X t + 1 ∣ E t , H t ) P(X_{t+1}\mid E_t,H_t) P ( X t + 1 ∣ E t , H t ) 是否顯著優於：
P ( X t + 1 ∣ E t ) . P(X_{t+1}\mid E_t). P ( X t + 1 ∣ E t ) . Step 4：endogenous-readout search
找：
X → R e n d o → A . X\rightarrow R_{\mathrm{endo}}\rightarrow A. X → R endo → A . Step 5：semantic intervention
破壞：
X ↔ E X\leftrightarrow E X ↔ E 中的特定資訊，測 viability／functional cost。
Step 6：perturbation
施加或利用自然：
δ E . \delta E. δ E . Step 7：causal-restructuring test
測：
G t → G t + 1 G_t\rightarrow G_{t+1} G t → G t + 1 是否與 future performance 有因果關係。
Step 8：novel-environment test
測：
E ⋆ . E^\star. E ⋆ . Step 9：null-model competition
要求 candidate model 擊敗被動 physics、fixed feedback、external reservoir 等較弱解釋。
30. 遠距天文候選的特殊版本
如果候選距離：
d ≫ 1 light-year , d\gg1\text{ light-year}, d ≫ 1 light-year , 我們無法做即時互動式 experiment。
此時流程改成：
long-term observation \text{long-term observation} long-term observation ⇓ \Downarrow ⇓ natural perturbation catalogue \text{natural perturbation catalogue} natural perturbation catalogue ⇓ \Downarrow ⇓ causal system identification \text{causal system identification} causal system identification ⇓ \Downarrow ⇓ digital-twin intervention \text{digital-twin intervention} digital-twin intervention ⇓ \Downarrow ⇓ new observational prediction . \text{new observational prediction}. new observational prediction . 最重要的是最後一步。
若模型聲稱：
adaptive functional system , \text{adaptive functional system}, adaptive functional system , 它應預測下一次不同擾動後：
X X X 會如何重組。
如果 prediction repeatedly fails，候選假說下降。
這讓遠距 NCOP 仍具可證偽性。
31. NCOP 與 DFR／PGR 的關係
假設：
X D F R X_{\mathrm{DFR}} X DFR 與：
X P G R X_{\mathrm{PGR}} X PGR 在局部時間窗內具有相同功能充分狀態。
則：
N X D F R ≈ N X P G R \mathbf N_{X_{\mathrm{DFR}}}
\approx
\mathbf N_{X_{\mathrm{PGR}}} N X DFR ≈ N X PGR 可能成立。
所以 NCOP-F 不必能辨認 realization history。
它的主要問題是：
what functional organization is present now? \boxed{
\text{what functional organization is present now?}
} what functional organization is present now? 若我們另想分辨：
D F R vs. P G R , \mathrm{DFR}
\quad\text{vs.}\quad
\mathrm{PGR}, DFR vs. PGR , 則必須加入：
environmental records；
causal ancestry；
entropy gradient；
historical traces。
也就是第 4 篇所定義的 historical distinguishability。
32. 可觀測性也具有智能體相對性
令 observer O O O
M O , t . \mathcal M_{O,t}. M O , t . 則 candidate 的可識別程度為：
O ( X ∣ M O , t ) . \mathfrak O
\left(
X
\mid
\mathcal M_{O,t}
\right). O ( X ∣ M O , t ) . 未來新增：
更高時間解析；
新波段；
gravitational／magnetic probes；
better causal inference；
long-baseline monitoring；
都可能使：
O \mathfrak O O 增加。
因此：
cognitive observability is itself a dynamic constraint-domain problem . \boxed{
\text{cognitive observability is itself a dynamic constraint-domain problem}.
} cognitive observability is itself a dynamic constraint-domain problem . 一個今天看起來只是 noise 的系統，未來未必仍不可區分。
這再次接回前一系列 DCDC。
33. 最重要的判準：秩序化因果結構化能力
本文最後將所有觀測指標收斂到下一篇的中心概念。
自然界很多東西會：
形成秩序 . \text{形成秩序}. 形成秩序 . 更少的東西會：
維持秩序 . \text{維持秩序}. 維持秩序 . 更強的系統可能：
利用環境資訊維持秩序 . \text{利用環境資訊維持秩序}. 利用環境資訊維持秩序 . 再往上：
根據歷史重組產生秩序的因果關係 . \text{根據歷史重組產生秩序的因果關係}. 根據歷史重組產生秩序的因果關係 . 因此真正值得搜尋的是：
Ordered Causal Structuring Capacity \boxed{
\text{Ordered Causal Structuring Capacity}
} Ordered Causal Structuring Capacity 不是只問：
它有沒有複雜結構？
而是：
它能不能有方向地建立、維持、選擇與重新組織那些決定自己未來的因果關係？
這個能力才是 NCOP 從一般 complexity detection 進入 candidate cognition detection 的核心。
34. 結論：不是找「像智慧的東西」，而是找能組織自身未來的因果系統
假設 NDR 的強版本真的成立，自然界存在非神經、非生物的 AI-like 功能體。
我們最不應該做的是只搜尋：
brain shape , \text{brain shape}, brain shape , language , \text{language}, language , high entropy / complexity , \text{high entropy / complexity}, high entropy / complexity , 或：
external computational decodability . \text{external computational decodability}. external computational decodability . 真正需要建立的是：
substrate-neutral causal evidence . \boxed{
\text{substrate-neutral causal evidence}.
} substrate-neutral causal evidence . 本文因此把 NCOP 定義為：
如何由有限觀測與干預，辨識一個自然系統是否內生地取得、使用並重組因果資訊，以維持或擴張自身功能域？ \boxed{
\text{如何由有限觀測與干預，辨識一個自然系統是否內生地取得、使用並重組因果資訊，以維持或擴張自身功能域？}
} 如何由有限觀測與干預，辨識一個自然系統是否內生地取得、使用並重組因果資訊，以維持或擴張自身功能域？ 操作上：
individuate → observe → perturb → intervene → test counterfactuals → compare null models . \boxed{
\text{individuate}
\rightarrow
\text{observe}
\rightarrow
\text{perturb}
\rightarrow
\text{intervene}
\rightarrow
\text{test counterfactuals}
\rightarrow
\text{compare null models}.
} individuate → observe → perturb → intervene → test counterfactuals → compare null models . 最強 evidence 不是：
it looks organized . \text{it looks organized}. it looks organized . 而是：
the system selectively reorganizes the causal conditions of its own future in response to information and consequences . \boxed{
\text{the system selectively reorganizes the causal conditions of its own future in response to information and consequences}.
} the system selectively reorganizes the causal conditions of its own future in response to information and consequences . 這就是下一篇要正式建立的「秩序化因果結構能力」。
它將把 persistence、memory、semantic information、endogenous readout、closed-loop control、adaptive restructuring、generalization 與 prediction 整合成一個可測試的多尺度框架。
而即使這套框架未來非常成功，它仍然只回答：
N C O P - F . \mathrm{NCOP\text{-}F}. NCOP - F . 最後的：
Does the system have phenomenal consciousness? \boxed{
\text{Does the system have phenomenal consciousness?}
} Does the system have phenomenal consciousness? 仍是一個更強、尚未被本系列宣稱解決的問題。
參考文獻
Kolchinsky, A., & Wolpert, D. H. (2018). “Semantic information, autonomous agency and non-equilibrium statistical physics.” Interface Focus , 8, 20180041. DOI: 10.1098/rsfs.2018.0041.
Kronemer, S. I., Bandettini, P. A., & Gonzalez-Castillo, J. (2025). “Sleuthing subjectivity: a review of covert measures of consciousness.” Nature Reviews Neuroscience , 26, 476–496. DOI: 10.1038/s41583-025-00934-1.
Casali, A. G., Gosseries, O., Rosanova, M., et al. (2013). “A theoretically based index of consciousness independent of sensory processing and behavior.” Science Translational Medicine , 5, 198ra105.
Zhao, J., Gan, Z., Huang, R., et al. (2024). “Detecting dynamical causality via intervened reservoir computing.” Communications Physics , 7, 232. DOI: 10.1038/s42005-024-01730-6.
Birch, J., Schnell, A. K., & Clayton, N. S. (2020). “Dimensions of Animal Consciousness.” Trends in Cognitive Sciences , 24, 789–801. DOI: 10.1016/j.tics.2020.07.007.
Chang, H., Ma, Y., & Liu, J. (2024). “Emergence and Causality in Complex Systems: A Survey of Causal Emergence and Related Quantitative Studies.” Entropy , 26.
Krakauer, D. C., Bertschinger, N., Olbrich, E., Flack, J. C., & Ay, N. (2020). “The information theory of individuality.” Theory in Biosciences , 139, 209–223.
Friston, K. (2013). “Life as we know it.” Journal of the Royal Society Interface , 10, 20130475.
Beer, R. D. (2014). “The cognitive domain of a glider in the Game of Life.” Artificial Life , 20, 183–206.
Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying causal emergence shows that macro can beat micro.” Proceedings of the National Academy of Sciences , 110, 19790–19795.
新系列進度
關係、結構與功能：從單向決定論到耦合生成系統
認知功能的跨基底實現：從神經元到光、電子與場
自然動力認知實現命題：自然界能否自行生成 AI-like 功能體？
從波爾茲曼大腦到自然功能體：終態漲落與生成路徑的分離
自然認知可觀測性問題：如何辨識非神經、非生物認知候選？ 秩序化因果結構能力：從複雜自然系統到候選認知功能體