關係、結構與功能：從單向決定論到耦合生成系統

系列：認知功能體的物理實現與自然可觀測性研究，第 1 篇
版本：v0.1
日期：2026-08-28
狀態：公開草稿／新系列基礎論文
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

「是結構決定功能，還是功能決定結構？」是生物學、神經科學、工程、材料科學與複雜系統研究中反覆出現的問題。若進一步加入「關係」，問題又變成：功能與結構是否其實都是關係組織的結果？本文主張，這些問法若被壓縮成單向因果箭頭，容易把不同層級、不同時間尺度與不同因果制度混為一談。

本文提出一個關係—結構—動力—功能耦合框架。首先區分「關係」與「結構」：關係 $R$ 表示瞬時或時變的作用、耦合、傳輸與約束；結構 $S$ 則表示材料、關係與幾何在一定時間尺度上形成的持續組織。其次將功能 $F$ 定義為相對於任務、觀察者與時間窗口，對系統軌跡的評價 functional，而不是單一瞬時狀態的固有標籤。於是一般系統不應簡寫成 $S\rightarrow F$ ，而應表示為材料、關係、幾何、狀態、動力律、環境、控制與歷史共同生成一段軌跡，再由任務函數評估其功能。

更重要的是，本文區分三種因果制度。在被動物理系統中，功能通常只是對動力結果的外部描述，不能反向成為因果力；在工程 inverse design 中，目標功能透過設計者與最佳化器改變結構；在生命、學習、自適應與演化系統中，功能結果可透過回授、存活、選擇或可塑性改寫關係與結構。因此「功能決定結構」並不是一般性的逆因果，而是經由選擇器、控制器或設計器閉合的因果迴路。

本文最後提出「關係—結構—動力—功能閉環」作為後續研究的共同底座，並將前一系列中的簡化構成映射 $\Gamma(c)\rightarrow Y$ 升級為時變關係動力系統。這一升級是後續研究人工認知功能可實現性、自然動力認知實現、波爾茲曼型終態漲落、自然認知可觀測性與秩序化因果結構能力的必要前提。

關鍵詞： 關係、結構、功能、動力系統、適應網路、structure–function coupling、inverse design、因果閉環、多重實現

1. 一個看似簡單、其實層級錯置的問題

常見問題是：

\text{Structure}\rightarrow\text{Function}?

或：

\text{Function}\rightarrow\text{Structure}?

再進一步：

\text{Relation}\rightarrow(\text{Structure},\text{Function})?

這三種寫法各自在特定情境下都可能有意義，但若被當成普遍單向定律，就會出現問題。

蛋白質科學提供最經典的 $\text{sequence}\rightarrow\text{structure}\rightarrow\text{function}$ 語言，但現代蛋白質設計又會反向指定 desired function，再搜尋可實現該功能的結構與序列。[1] 神經科學中的 structure–function coupling 也不是固定的一對一映射；宏觀腦結構與功能耦合會隨腦區、個體、認知任務與時間改變。[2] Adaptive-network 研究更直接讓 network topology 與 node dynamics 共同演化，使「結構影響動力」與「動力改寫結構」同時成立。[3,4]

因此更適當的問題不是：

誰決定誰？

而是：

在什麼時間尺度、什麼系統邊界與什麼因果制度下，哪些變量是狀態，哪些是約束，哪些是控制，哪些是評價，而它們如何互相耦合？

2. 關係與結構不是完全平行的變量

令系統由組件集合

V=\{v_1,v_2,\ldots,v_N\}

構成。

定義時變關係：

R_{ij}(t) = \left( w_{ij}(t), \tau_{ij}(t), \kappa_{ij}(t), d_{ij}(t), \ldots \right),

其中可以包含耦合強度、時間延遲、作用類型、方向、權重與狀態依賴。

若只有 $R(t)$ ，我們得到的是一張時變作用網路；但「結構」通常還隱含至少三件事：

某種材料或 carrier；
某種幾何／拓撲 embedding；
某種跨時間的持續性。

因此本文不將 $R$ 與 $S$ 視為完全對稱的原始變量，而寫成：

\boxed{ S_t = \Sigma_{\Delta} \left[ M, R_{[t-\Delta,t]}, G_{[t-\Delta,t]}, H_t \right] }

其中：

$M$ ：材料或組件性質；
$R$ ：關係；
$G$ ：幾何與拓撲；
$H$ ：歷史／內部記憶；
$\Sigma_{\Delta}$ ：在時間窗 $\Delta$ 上將持續關係組織化為結構的算子。

因此可以粗略地說：

\boxed{ \text{Structure} \approx \text{persistent organization of relations in a material-geometric carrier} }

這不是宣稱所有結構都能被簡化成 graph，而是指出「關係」比固定 snapshot 結構更接近時變因果層。

3. 結構確實會限制功能，但不是唯一決定者

若系統狀態為 $X(t)$ ，則其演化可寫成：

\dot X(t) = \mathcal D \left( X, M, R, G, S, E, U, H; \mathcal L \right),

其中：

$E$ ：環境與邊界條件；
$U$ ：控制與輸入；
$\mathcal L$ ：底層物理律；
$\mathcal D$ ：有效動力律。

固定結構 $S$ 當然會限制哪些動力模式可被實現，但：

S_1=S_2

並不保證：

X_1(t)=X_2(t),

更不保證：

F_1=F_2.

因為功能還可能依賴：

X, R, E, U, H

等變量。

2024 年的宏觀腦 structure–function coupling 綜述正顯示，結構—功能對應具有區域差異、個體差異、task dependence 與時間變化；而 directed connectivity 的推論也高度依賴使用的因果／動力模型。[2,5]

因此更合理的是：

\boxed{ S \text{ constrains } \mathcal D, \quad \mathcal D \text{ generates trajectories}, \quad F \text{ evaluates trajectories} }

而不是簡單：

S\rightarrow F.

4. 功能不是裸變量，而是軌跡 functional

一個瞬間的系統 snapshot 往往不足以定義功能。

泵浦功能需要觀察它在一段時間內是否持續搬運流體；記憶需要比較不同時間的狀態依賴；適應需要比較擾動前後；預測需要比較現在行為與未來環境；認知功能更不可能只從一張結構圖推出。

因此令任務為 $\tau$ ，觀察者／讀取規約為 $O$ ，時間區間為 $[t_0,t_1]$ ，定義：

\boxed{ F_{\tau,O} = \mathcal J_{\tau,O} \left[ X_{[t_0,t_1]}, R_{[t_0,t_1]}, S_{[t_0,t_1]}, E_{[t_0,t_1]}, U_{[t_0,t_1]} \right] }

其中 $\mathcal J$ 是功能評價 functional。

這立即產生兩個重要結果。

第一：

\boxed{ \text{Function is task-relative} }

同一塊石頭對某個人可以是紙鎮，對河流是障礙物，對微生物是棲地。這些功能不是互相矛盾，而是 $\tau$ 不同。

第二：

\boxed{ \text{Function need not be an intrinsic instantaneous property} }

因此在後續研究 AI-like functional system 時，我們不能只搜尋「看起來像神經網路」的結構，而必須定義跨時間的功能評價域。

5. 三種不同的因果制度

「功能決定結構」是否成立，取決於是否存在一個把功能結果重新寫回物理系統的機制。

5.1 被動物理制度

對一般非適應系統：

(M,R,G,S,X,E) \rightarrow \mathcal D \rightarrow \text{trajectory} \rightarrow F_{\tau,O}.

此時 $F$ 只是觀察者對軌跡的描述或評價。

若人類說：

這塊石頭的功能是壓紙。

這句話本身不會產生：

F_{\mathrm{paperweight}} \rightarrow S_{\mathrm{rock}}.

因此「功能反向決定結構」在一般被動物理系統中並不是原始因果箭頭。

5.2 工程／inverse-design 制度

工程系統存在外部設計器 $A$ 。

先指定目標功能：

F^\star.

再搜尋：

(M,R,G,S)^\star = \arg\min L(F,F^\star).

於是出現：

F^\star \rightarrow A \rightarrow (R,S).

蛋白質 de novo design 已直接採用這類反向工作流：指定 desired function，尋找能實現它的結構，再設計能折疊到該結構的序列。[1]

所以這不是「未來的功能跨時間逆向造成過去結構」，而是：

\boxed{ \text{functional objective} \rightarrow \text{designer/optimizer} \rightarrow \text{structure} }

5.3 自適應／生命／演化制度

若系統內部存在能根據功能結果修改自身的機制，則閉環真正內生化。

令 performance 或 viability 為：

V_t = \mathcal V(F_t).

關係更新：

\dot R = \mathcal A_R (R,X,E,V,H),

結構更新：

\dot S = \mathcal A_S (S,R,X,E,V,H).

形成：

\boxed{ R,S \rightarrow \mathcal D \rightarrow F \rightarrow V \rightarrow R',S' }

這才是功能結果真正反過來塑造結構的制度。

Adaptive-network 研究已明確研究 network connection weights 與 node dynamics 共演化的情形；higher-order adaptive networks 也進一步讓群體交互關係隨動力狀態改變。[3,4]

6. 演化中的「功能決定結構」其實是選擇器閉環

生物演化提供另一個清楚例子。

某一代的結構：

S_i

產生某種功能與表型：

S_i \rightarrow F_i.

不同 $F_i$ 影響 survival/reproduction：

F_i \rightarrow W_i.

selection 再改變下一代結構分布：

W_i \rightarrow P(S_{t+1}).

因此跨世代閉環是：

\boxed{ S_t \rightarrow F_t \rightarrow W_t \rightarrow S_{t+1} }

2024 年 biomineralized structures 的收斂演化綜述顯示，不同 lineage 可以在相似 selection pressures 下獨立形成相似的多尺度結構與性能；這正說明功能／選擇壓力可以在長時間尺度上約束可存續的結構解空間。[6]

因此「功能塑造結構」在演化語境下是合理的，但它不是裸 $F\rightarrow S$ ，而是：

\boxed{ F \rightarrow \text{selection operator} \rightarrow S' }

7. Mechanobiology：單一生命體內也能形成快速雙向閉環

不必等到跨世代演化，組織與細胞本身就會出現結構—功能的快速雙向作用。

2025 年 mechanobiology 跨時間尺度綜述指出，短時間機械刺激可以透過 mechanosensing、cytoplasmic mechanotransduction 與 nuclear response 影響長時間尺度的發育與病理；同時細胞自己產生的力又會改變組織結構與力學環境。[7]

因此：

S_t \rightarrow \text{mechanical dynamics} \rightarrow F_t

可以進一步閉合成：

F_t \rightarrow \text{cellular action} \rightarrow S_{t+1}.

這表明在 adaptive living systems 中，「結構」與「功能」甚至不是慢變與快變的固定角色，而會隨尺度不同交換地位。

8. 關係可能比固定結構更底層，但仍不是唯一底層

如果兩個系統具有相同組件集合：

M_1=M_2,

但：

R_1\neq R_2,

則可產生不同結構與功能。

反之，即使 static topology 看起來相同，只要 interaction law 不同：

\mathcal D_1\neq\mathcal D_2,

也可得到完全不同的功能。

因此我們不能寫：

R\rightarrow(S,F)

就結束。

更合理的是：

\boxed{ (M,R,G,X,H,E,U) \xrightarrow{\mathcal D} \text{trajectory} \xrightarrow{\mathcal J_{\tau,O}} F }

同時：

S = \Sigma(M,R,G,H).

若系統 adaptive：

\dot R, \dot G, \dot S

又會依賴過去的 $F$ 、 $V$ 與 $X$ 。

所以真正的中心不是三個名詞互相畫箭頭，而是一組時變耦合算子。

9. 關係—結構—動力—功能閉環模型

本文給出一個最低限度模型。

9.1 狀態動力

\dot X = \mathcal D_X (X,M,R,G,S,E,U,H;\mathcal L).

9.2 關係更新

\dot R = \mathcal D_R (R,X,G,S,E,U,H,V).

9.3 幾何更新

\dot G = \mathcal D_G (G,R,X,E,U,H,V).

9.4 結構形成

S_t = \Sigma_{\Delta} [M,R,G,H].

9.5 歷史／記憶更新

\dot H = \mathcal D_H (H,X,R,S,E,U).

9.6 功能評價

F_{\tau,O} = \mathcal J_{\tau,O} [X,R,S,E,U]_{[t_0,t_1]}.

9.7 選擇／控制評價

若存在內生 adaptive mechanism：

V = \mathcal V(F,E,H).

於是 $V$ 再進入 $\mathcal D_R$ 、 $\mathcal D_G$ 或 $\mathcal D_X$ 。

完整閉環為：

\boxed{ (M,R,G,S,X,H,E,U) \rightarrow \mathcal D \rightarrow F \rightarrow V \rightarrow (R',G',S',X',H') }

10. 這個模型為何對認知問題重要？

若我們未來要搜尋 AI-like functional system，最危險的錯誤就是預設：

\text{cognition} \Rightarrow \text{brain-like structure}.

若功能是整段關係動力軌跡的性質，那真正應搜尋的是：

\Phi_{\mathrm{cog}} = \left( \text{memory}, \text{integration}, \text{adaptive control}, \text{prediction}, \text{history dependence}, \text{causal restructuring}, \ldots \right).

此時不同 substrate：

M_{\mathrm{neural}}, M_{\mathrm{electronic}}, M_{\mathrm{photonic}}, M_{\mathrm{chemical}}, M_{\mathrm{field}}

原則上可以具有完全不同的 $R,S,G$ ，卻仍在某些功能描述下：

\Phi_{\mathrm{cog}}(X_i) \approx \Phi_{\mathrm{cog}}(X_j).

這不證明意識等價。

它只表示：

\boxed{ \text{cognitive functional equivalence} \text{ must not be reduced to morphological similarity} }

這是本系列後續 AFR、NDR 與 NCOP 的共同前提。

11. 對前一系列 CRC 的形式修正

前一系列使用：

\Gamma(c) \rightarrow Y

表示構成 $c$ 產生有效物理目標 $Y$ 。

這對固定材料與靜態 inverse design 很有用，但若研究生命、認知或 adaptive physical systems，這個映射太壓縮。

更完整應改為：

\boxed{ \Gamma(c,H_0,E,U) \rightarrow \mathcal T_{[t_0,t_1]} \rightarrow \mathcal J_{\tau,O}(\mathcal T) = F_{\tau,O} }

其中：

\mathcal T_{[t_0,t_1]}

是一整段 system trajectory。

若系統可自我改寫：

c(t)

本身也變成狀態，因此：

\dot c = \mathcal A(c,X,E,F,H).

這意味著「構成復現」在認知系統裡不是搜尋一個靜態物件，而可能是搜尋一個能生成、維持與修改自身構成的動力制度。

12. 四個不能混淆的等價

後續研究必須區分：

12.1 結構等價

S_1\approx S_2.

12.2 動力等價

\mathcal D_1\approx\mathcal D_2.

12.3 功能等價

F_{\tau,O}^{(1)} \approx F_{\tau,O}^{(2)}.

12.4 認知功能等價

\Phi_{\mathrm{cog}}(X_1) \approx \Phi_{\mathrm{cog}}(X_2).

前三者都不能自動推出 consciousness equivalence：

\boxed{ \text{functional/cognitive equivalence} \not\Rightarrow \text{phenomenal-consciousness equivalence} }

至少以目前科學狀態而言，這最後一步仍然缺乏已知充分條件。

因此本系列使用「認知功能體」而不是預設「意識體」，以保留功能研究與意識本體論之間的必要距離。

13. 可檢驗預測

預測一：固定結構不足以唯一預測功能

對結構相似樣本控制 $S$ ，改變：

X,H,E,U

應可產生顯著不同功能結果。

神經科學 structure–function coupling 的 task/time dependence 已是這類現象的重要實例。[2]

預測二：adaptive systems 中因果方向會隨時間尺度改變

短時間：

S_t \rightarrow F_t.

較長時間：

F_t \rightarrow V_t \rightarrow S_{t+1}.

因此只做 instantaneous causal graph 會漏掉跨尺度 feedback。

預測三：功能等價可以由結構差異很大的系統實現

若 multiple realizability 成立，則應存在：

S_1\not\approx S_2

但：

F_{\tau,O}^{(1)} \approx F_{\tau,O}^{(2)}.

這將直接連到下一篇的跨 substrate 認知功能實現。

預測四：真正高階 adaptive function 應伴隨可測的 causal restructuring

若一個系統不只執行固定 response，而能因歷史結果提高未來性能，則應能測得：

R_t\neq R_{t+1}

或：

\mathcal D_t\neq\mathcal D_{t+1}

且這種改變與後續 performance gain 存在介入式因果關係。

14. 對「功能決定結構」問題的最終回答

本文因此給出四個不同答案。

對被動物理系統

\boxed{ \text{通常是結構／關係／狀態／動力共同生成行為，功能只是任務性描述。} }

對工程系統

\boxed{ \text{功能目標經由設計器與最佳化器反向選擇結構。} }

對生命與 adaptive systems

\boxed{ \text{結構產生功能，功能結果經回授／選擇反過來改變結構。} }

對一般關係動力系統

\boxed{ \text{關係與結構共同限制動力；功能是軌跡的任務性評價；若存在回寫機制，整體形成閉環。} }

所以真正的答案不是：

S\rightarrow F,

也不是：

F\rightarrow S,

而是：

\boxed{ R,S,X,H,E,U \leftrightarrow \mathcal D \rightarrow F \xrightarrow[\text{if adaptive}]{\text{selection/control}} R',S',X',H' }

15. 結論：功能不是結構的影子，結構也不是功能的倒影

「結構決定功能」在很多局部問題中有用，但作為跨尺度一般理論太強；「功能決定結構」在 inverse design、演化與 adaptive feedback 中也成立，但必須指出實際執行反向選擇的因果機制；「關係決定一切」同樣太簡化，因為材料、幾何、狀態、歷史、環境與底層動力律都不能省略。

本文提出的更一般形式是：

\boxed{ \text{material} + \text{relations} + \text{geometry} + \text{state} + \text{history} + \text{environment/control} \rightarrow \text{dynamics} \rightarrow \text{trajectory-relative function} }

若系統具有 selection、learning、adaptation、feedback 或 design：

\boxed{ \text{function outcome} \rightarrow \text{selector/controller} \rightarrow \text{new relations and structure} }

這個閉環使「結構—功能」問題從靜態對應問題，變成一個高維、歷史依賴、跨尺度的關係動力系統問題。

它同時為新系列建立了最低層的物理語言：未來若要問光、電子、場、化學或其他非神經 substrate 能否形成 AI-like 功能體，我們首先不應搜尋固定腦形，而應搜尋能否形成相應的關係—動力—功能等價類；若再問自然界能否自行生成，就必須研究這類閉環能否在沒有工程者時自發形成；若再問我們如何知道，則必須建立 substrate-neutral 的因果觀測方法。

下一篇將因此進入：

\boxed{ \text{人工認知功能可實現性} }

並檢查光、電子、電磁場、波動介質與其他人工約束物理系統，究竟已經能在多大程度上實現 AI-like functional organization。

參考文獻

Chu, A. E., Lu, T., & Huang, P.-S. (2024). “Sparks of function by de novo protein design.” Nature Biotechnology, 42, 203–215. DOI: 10.1038/s41587-024-02133-2.
Fotiadis, P., Parkes, L., Davis, K. A., et al. (2024). “Structure–function coupling in macroscale human brain networks.” Nature Reviews Neuroscience, 25, 688–704. DOI: 10.1038/s41583-024-00846-6.
Thamizharasan, S., Chandrasekar, V. K., Senthilvelan, M., & Senthilkumar, D. V. (2024). “Hebbian and anti-Hebbian adaptation-induced dynamical states in adaptive networks.” Physical Review E, 109, 014221. DOI: 10.1103/PhysRevE.109.014221.
Anwar, M. S., Jenifer, S. N., Muruganandam, P., Ghosh, D., & Carletti, T. (2024). “Synchronization in adaptive higher-order networks.” Physical Review E, 110, 064305. DOI: 10.1103/PhysRevE.110.064305.
Greaves, M. D., Novelli, L., Mansour L., S., et al. (2025). “Structurally informed models of directed brain connectivity.” Nature Reviews Neuroscience, 26, 23–41. DOI: 10.1038/s41583-024-00881-3.
Perricone, V., Sarmiento, E., Nguyen, A., et al. (2024). “The convergent design evolution of multiscale biomineralized structures in extinct and extant organisms.” Communications Materials, 5, 227. DOI: 10.1038/s43246-024-00669-z.
Cheng, B., Li, M., Lin, M., et al. (2025). “Mechanobiology across timescales.” Nature Reviews Physics, 7, 621–644. DOI: 10.1038/s42254-025-00874-w.
Listov, D., Goverde, C. A., Correia, B. E., & Fleishman, S. J. (2024). “Opportunities and challenges in design and optimization of protein function.” Nature Reviews Molecular Cell Biology, 25, 639–653. DOI: 10.1038/s41580-024-00718-y.

新系列預定結構

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